这个现象背后，是一个关于“AI降本”的认知正在被现实修正：AI替代人工的账单正在反向吞噬人力优化省下的钱。

---

现象：一笔算不过来的“替代账”

过去两年，“AI比人便宜”几乎成了企业共识。但2026年多组数据勾勒出另一幅图景：Token消耗成本正在超过被替代员工的工资。

优步（Uber）向约5000名工程师推广Claude Code，内部搞“Token消耗排行榜”鼓励使用。结果工程师疯狂刷量，每人每月API开支飙到500到2000美元，2026年全年的AI预算在4月就已烧光。英伟达应用深度学习副总裁直言：“算力成本远高于员工成本”。一个四人团队收到了Anthropic开出的11.3万美元账单，人均每月约2.8万美元，比很多工程师月薪还高。

宏观上同样成立：德勤2026年10月调研显示，92%的企业开展了AI试点，但只有8%认为AI投入实现了财务和战略收益。核心症结在于“个人提效”与“组织提效”的断层，点状效率提升根本覆盖不了平台、算力和Token的系统性投入。Shopify订阅业务毛利率被LLM成本压制；Roblox全年利润率下调约四分之一直接归因于增量AI投资；Meta裁员每年省约24亿美元，仅能抵消其增量AI折旧的约12%。亚马逊、Meta、微软、谷歌2026年AI资本支出合计预计达7250亿美元，远超裁员节省。

更残酷的是产出效率。开发者平台汇总2444家企业数据发现：每投入1美元AI Token费用，只有18美分产生了触达用户的实际价值，44美分用于修复AI自身引入的Bug，27美分流向返工，11美分消耗于审查摩擦。

⚙️ 背后：为什么“省钱工具”变成了“吞金兽”

定价逻辑的错位。AI按Token计费，处理复杂任务时消耗量成倍增长，而企业财务系统仍习惯按“人头”做预算。优步的财务部门压根没有为Token定价模式建立预算模型，支出自然失控。

激励机制的扭曲。当“Token消耗量”被当作衡量AI使用积极性的指标时，“Token极大化”就成了理性选择。工程师刷量不完全是浪费，是在用公司预算为自己争取更好的绩效排名。

“点状提效”无法覆盖“系统成本”。个别员工用AI写PPT省下的时间，抵不过购买平台、部署大模型、支付算力的系统性账单。MIT 2024年研究结论至今有效：在77%的情况下，雇人比用AI更便宜。

更深层：企业的“效率幻觉”与员工间的“AI内卷”

企业陷入的循环是：裁员→省下工资→买Token→Token花得比工资还多→发现账算不过来→开始削减Token预算或继续裁员来填坑。但第二轮裁员省下的钱，大概率还是不够付AI账单。

员工端同样荒诞：留下来的人发现，一年花在AI Token上的钱顶得上自己的工资，换来五到十倍的产出。为了证明自己“值得留下”，员工必须主动刷Token来展示“AI生产力”，而刷出来的成本最终又变成下一轮裁员的理由。

对普通百姓的生活影响：三个正在发生的传导

第一，就业的“中间层塌陷”会加速，而不是减缓。 当企业发现AI替代的财务账算不过来时，最直接的调整不是“把人请回来”，而是同时削减Token预算和人力成本。被裁的人以为自己是“被AI替代了”，但实际上，他们是被一笔算不过来的账挤出去的。入门级白领岗位——初级编程、客服、行政、基础分析——仍是最先被压缩的环节，因为这些岗位既最容易用AI“看起来替代”，又最容易被财务部门砍掉。

第二，消费端的收缩会比就业数据更早显现。 被替代者的收入下降，消费能力同步减弱，而需求收缩会以订单减少、销售下滑的形式反馈回整个经济体系。更关键的是，AI冲击集中在中高收入白领群体——他们收入更高、负债规模更大、对未来现金流稳定性高度敏感。就业预期一旦恶化，会迅速转化为预防性储蓄上升和消费收缩，这比蓝领失业对消费的冲击更直接。

第三，普通人可能要为“企业的AI学费”间接买单。 企业为AI投入的巨额资本支出，最终会以两种方式传导到普通人身上：一是产品和服务涨价（Shopify、Roblox等已经在考虑对高级AI功能收费来覆盖成本）；二是公共服务和基础设施的成本上升——数据中心对电力和水资源的消耗，已经在推高部分地区的基础设施压力。

结语：比“AI贵不贵”更该问的问题

这个现象真正的意义，不是“AI不如人”这个反转本身。它揭示的是：当企业用裁员的逻辑去算AI的账时，它算的是一笔“只进不出”的账——省下的是确定的工资，花出去的是不可预测的Token，而两者之间的差额，被转嫁给了被裁的人、留下来的员工，以及整个社会的消费能力。

对普通人而言，最诚实的应对不是去争论“AI到底比人便宜还是贵”，而是看清一件事：在这个阶段，企业用AI替代人的决策，更多是由叙事和竞争压力驱动的，而不是由精算结果驱动的。 这意味着，被替代的风险不完全取决于你的岗位“适不适合AI”，也取决于你的公司“是否相信AI能替代你”。你能做的，是让自己处在一个Token算不过来的位置上——需要判断、需要信任、需要在场、需要为结果负责，而不是可以被拆解成标准化任务然后按Token计价的位置。