今年每一位签批 AI 预算的 CFO 听到的都是同一套说辞：Token 价格正在崩塌，所以 AI 的成本会下降。然后发票到了，金额比去年还大。没有任何东西出故障，没有人超支，单 Token 价格也确实下降了。账单还是涨了。如果这听起来像是哪里出了错，那它并不是。这是一条已有 160 年历史的经济规律在做它一贯会做的事，而它也是当今企业 AI 规划中被误解得最深的一个事实。
这条规律叫做杰文斯悖论。AI 分析师 Nate B Jones 在过去一年里反复回到这个话题，在关于劳动力市场、算力供给和企业支出的多期节目中都有讨论，因为它解释了组织为 AI 编列的预算与实际支付金额之间的落差。在 Big Hat Group，我们在每一次客户合作中都看到同样的落差：领导者按一条下降的价格曲线做规划，如今却活在一条上升的消耗曲线上。本文将介绍这个悖论，列出相关数字，并说明应对之道。它与我们的 AI 成熟度模型互为配套——那篇讲的是组织如何演进，本篇讲的是这种演进要花多少钱。
什么是杰文斯悖论？
1865 年，英国经济学家威廉·斯坦利·杰文斯在研究英国的煤炭消耗时，注意到一件与常识相悖的事。詹姆斯·瓦特的蒸汽机远比它所取代的发动机高效，所以你可能预期英国会烧更少的煤。结果恰恰相反，煤炭消耗量爆炸式增长。高效的发动机让蒸汽动力在那些此前根本不值得耗费燃料的应用上变得经济划算：工厂、铁路、船舶、水泵。效率消除了一道成本门槛，需求随即涌入，填满了它留下的空间。
此后，这一模式在每一种主要资源上都重演过。云计算是最贴近的现代类比。整个 2010 年代，算力单价大幅下降，而云账单却在上涨，因为廉价算力让运行那些过去没人愿意为之配置服务器的工作负载变得理性。如今同样的事情正在 AI 推理上发生，而且发生的速度超过历史上任何一种资源。
2025 年初，在 DeepSeek 的低成本模型一度令市场震荡之后，Satya Nadella 点名援引了杰文斯悖论。他的回应是：随着 AI 变得更高效、更易获取，其使用量将一飞冲天。他说对了，而此后的数据也给出了毫不含糊的印证。
两条反向运行的曲线
AI 经济由两条同时朝相反方向移动的曲线所支配。价格曲线在快速下降。消耗曲线上升得更快。第二条曲线才是你的预算需要跟踪的那条。
价格曲线。单 Token 推理成本的下降速度让摩尔定律都显得温和：根据所衡量的基准不同，每年下降 10 倍到 200 倍不等。这种原始商品的通缩速度，超过了有史以来任何一种计算资源。
单 Token 价格通缩，据 Nate B Jones 整理（2026 年 2 月）
| 基准 | 2022 年成本 | 2026 年成本 |
|---|---|---|
| GPT-4 同等性能 | 每百万 Token 20 美元 | 每百万 Token 约 0.40 美元 |
| Claude 4.5 Sonnet | 尚未推出 | 每百万输入 Token 3 美元，预计一到两年内降至几美分 |
消耗曲线。在价格下降的同时，每一项使用量和支出指标都在攀升，而支出最多的组织正是全球增长最快的公司之一。它们的支出超过了自身营收，因为它们预期消耗曲线会证明这笔押注是对的。
企业 AI 消耗与支出，据 2026 年 2 月各期节目报道
| 指标 | 数字 |
|---|---|
| 2026 年组织平均 AI 支出 | 每月 85,000 美元，同比增长 36% |
| 计划每月支出超过 100,000 美元的组织占比 | 45%，高于此前的 20% |
| 2025 年企业平均 LLM 支出 | 每年 700 万美元，高于 2023 年的 450 万美元 |
| 2026 年企业平均 LLM 支出预测 | 每年超过 1,100 万美元 |
| Google 每月处理的 Token 数 | 1.3 千万亿（1.3 quadrillion），约一年内增长 130 倍 |
| Perplexity 2024 年的云 AI 支出 | 相当于其 2024 年营收的 164% |
Google 的数字值得再看一眼。Google 是这个星球上最老练的 AI 基础设施运营者，而它的消耗量在大约一年内增长了 130 倍。它的消耗曲线就是你的先行指标。
任务层面的真实样貌
当你观察一位大量使用 AI 的知识工作者时，抽象的曲线就变得具体了。Token 数量远比大多数预算负责人以为的要大。
一位知识工作者的 Token 消耗
| 活动 | Token 成本 |
|---|---|
| 复杂分析，例如审阅 50 份文档并综合提炼结论 | 约 500,000 Token |
| 一整天高强度的 AI 辅助编码 | 数百万 Token |
| 一次多轮迭代的研究会话 | 最高 1,000 万 Token |
| 重度年度用量，当前基线 | 每年约 10 亿 Token |
| 顶级用户的预测上限，18 个月后 | 每年 250 亿 Token 或更多 |
而这一切，都还没把智能体算进来。
智能体倍增效应。人有生理极限。人要打字、要休息、要开会，在绝对峰值状态下，一天也许能维持 5,000 万 Token。智能体系统没有任何这类限制。它持续地监控、分析、响应和规划，单个智能体每天就能消耗数十亿 Token。一支并行运行的智能体舰队消耗的是数万亿。这不是消耗量上的一次阶跃，而是好几个数量级的变化，也正是消耗曲线在未来数年内将持续甩开价格曲线的原因。
企业算账
以一个 10,000 人的组织为例，综合单价为每百万 Token 2 美元。账单完全取决于你按哪个消耗水平来规划。
10,000 人组织按每百万 Token 2 美元计算的年度算力账单
| 消耗水平 | 年度算力账单 |
|---|---|
| 每位员工 10 亿 Token（今天的重度用户） | 2,000 万美元 |
| 每位员工 100 亿 Token（18 个月预测） | 2 亿美元 |
| 每位员工 1,000 亿 Token（完全智能体化规模） | 20 亿美元 |
传统的规划框架会让情况更糟。资本支出模型、折旧计划和多年期采购周期都假设两件事：需求是可预测的，而且供给在你需要时是可得的。在杰文斯悖论之下，这两个假设都不成立。需求随能力提升而非线性增长，而算力供给在本十年剩余的时间里都将处于受限状态。
认知工作是新的煤炭
这个悖论适用于劳动力，就像它适用于算力一样干净利落。AI 正在压垮一类特定工作的成本：可 Token 化的认知。起草、总结、分析、研究、编码、规划、生成变体——这些都是能够以文本形式捕获的思考，而它们的边际成本正趋近于零。
直觉上的预测是，企业会减少这类工作的产出，因为它们不再需要付钱让人去做。而杰文斯式的现实是，企业正在产出远远更多的这类工作。认知产出的总量正在爆炸，而不是收缩。在实践中，这表现为：
- 更多的客户细分，每一个都配有自己的详细话术
- 更多的 A/B 测试，因为每个变体几乎零成本就能生成
- 更多的内部报告和分析，因为能做所以被要求做
- 更多的初稿可供挑选，再决定采用哪一份
- 整个软件待办清单全部开工，而不只是前十项
过去因为难以产出而能带来竞争优势的工作，如今产出起来轻而易举。这同时制造了两种压力。认知工作的成本底线已降至接近零，所以产出它本身不再是差异化因素。而真正的制约向上游转移，落到判断力、问责和物理执行上：这些是 AI 仍然做不到的事，也是你的组织现在应当着力优化的事。
加速消耗的三大驱动力
三股力量推动消耗曲线向上，而且彼此叠加放大。
能力解锁用量。每当模型在某方面取得实质性进步，比如复杂推理或多步规划，它就会打开过去行不通的应用场景。每一次改进都创造出非线性的新需求。从管理一个智能体到管理十个，Token 足迹就是十倍的增长；而模型越好，值得运行的智能体就越多。
集成倍增触点。AI 不再是一个你需要时才打开的独立工具。它被嵌入到邮件客户端、文档编辑器、开发环境、CRM 系统和服务台之中。每一处集成都是一道通往环境化、持续性消耗的入口，而没有人有意识地决定过要开启它。
智能体化转变。从人在环路到智能体系统——即 AI 在自动化循环中调用 AI——的转变，是所有驱动力中最大的一个。单个智能体工作流在一小时内消耗的 Token，可能比一个人一个月生成的还多，而企业才刚刚开始规模化部署它们。
企业应该怎么做
这个悖论不是放慢脚步的理由，而是正确规划的理由。以下这些举措，区分了从 AI 中获得价值的组织和只收到发票的组织。
- 不要再把 AI 当作降本工具来编预算。这个前提就是错的。杰文斯悖论保证了效率提升会被扩大的用量吸收，而不会沉淀为节省。把 AI 当作有自身回报的能力扩张投资来编预算，而不是当作一场指望某天能让预算科目缩水的裁员游戏。
- 把 Token 管理建设为一项组织能力。稀缺的技能不再是模型访问权限，人人都有。稀缺的技能是懂得如何瞄准 Token：构造每个模型接收的上下文，让它用更少的资源完成任务；把每项任务以合适的成本路由到合适的模型；设计能够长期保持质量而非逐渐退化的智能体循环；并衡量所购买的智能是否正在产出你需要的成果。你把它叫做 Token 管理、智能运营还是上下文工程，目前都无关紧要。正在建设这项能力的组织，正在把其他所有人甩在身后。
- 构建内部路由层。一流企业运行着一个内部平台，把工作送到合适价位的合适模型：定义明确的任务交给便宜模型，模糊或高风险的工作交给前沿模型。它们谈判定制的 API 协议，以承诺消耗下限换取专用算力，并保持多厂商可选性，这样就没有任何一家供应商的定价能左右它们的路线图。我们的 AI 自动化业务构建的正是这一层。
- 把 Token 效率视为竞争优势，而非成本控制。你的竞争对手能访问的模型和你一样。用一半 Token 完成同一任务的组织，拥有两倍的有效产能。正确的问题不是"我怎样让智能体更便宜？"，而是"我是否把钱花在了正确的事情上？“更强的智能体以更低的单 Token 价格做更多的工作，总账单仍然会更大。杠杆在于重新设计工作流，而不只是收紧提示词。
- 在供给进一步收紧前锁定算力。DRAM 和高带宽内存的供给到 2028 年都将处于结构性受限状态。超大规模云厂商既是供应商也是竞争对手，在供给受限的市场中，它们会优先把算力分配给自家产品。现在就通过 Azure 预留容量或供应商级协议锁定合同算力承诺的企业，将比观望者处于有利得多的位置。我们的 Azure 咨询团队帮助客户建模并预留其消耗曲线真正需要的算力。
- 拿一份方案。Big Hat Group 帮助企业建模真实的消耗曲线，搭建 Token 管理与路由能力，并设计让 AI 支出转化为可衡量能力、而非一张无法解释的发票的智能体化运营。
这对企业 IT 与 AI 领导者意味着什么
不断上涨的 AI 账单是先行指标，而非失败。如果在单 Token 价格下降的同时支出还在攀升，说明你的组织发现智能新用途的速度，快过厂商降价的速度。这就是采用应有的样子。真正的失败模式是一张平稳不动的账单，那通常意味着 AI 卡在没人使用的试点里。
瓶颈已经从访问转向瞄准。每个组织都能按 Token 购买前沿智能。很少有组织能把它用好。上下文设计、模型路由、智能体循环工程和成果度量如今已是核心 IT 能力，正如十年前云成本管理成为核心能力一样。如果没人为它们负责，你就会支付杰文斯账单，却得不到杰文斯红利。
算力与厂商可选性是架构决策。在供给受限的市场中，你的 Token 从哪里来、按什么条款来，与你使用哪个模型同等重要。多厂商路由、预留容量和与模型无关的抽象层不再是锦上添花，它们是防止不断上升的消耗曲线演变成采购危机的手段。
差距会复利。一个把 AI 当作需要压缩的成本科目的组织，不只是落后于把它当作需要部署的产能的竞争对手。差距每个季度都在扩大，因为后者在同一条下降的价格曲线上运行着更多实验、更多智能体和更多认知产出。在杰文斯悖论之下，赢家不是花得最少的那个，而是把最多 Token 转化为成果的那个。
获取企业 AI 咨询
Big Hat Group 与企业 IT 和 AI 领导者合作，按消耗曲线而非价格曲线做规划：建模真实的 Token 需求，构建让每个 Token 都物尽其用的路由层与上下文层，锁定规模化运行智能体所需的算力，并治理智能体化运营，让账单与业务成果一一对应。
相关阅读： AI 成熟度模型：从追逐模型到面向未来 · 超越 Microsoft Copilot 的企业 AI 战略 · lean-ctx：AI 智能体真正需要的上下文层
本文取材于 Nate B Jones 的 AI News & Strategy Daily 四期节目：The 3-Layer Framework That Predicts Which Jobs AI Will Replace（2026 年 1 月 11 日）、Why the Smartest AI Teams Are Panic-Buying Compute（2026 年 2 月 8 日）、$1,000 a Day in AI Costs（2026 年 2 月 20 日），以及 You can be ambitious without the huge token bill（2026 年 9 月 20 日）。支出与消耗数字均以这些节目中的报道为准。