AI越来越便宜，为什么企业的账单反而越来越贵？

NDV 研究观察｜Jason

本文讨论技术产业与企业经营，不涉及任何基金产品，不构成投资建议或收益承诺。

最近我反复碰到一个看似矛盾的问题。

AI 模型的调用价格在下降，能力却在提高。按照软件行业过去的经验，一项技术变得更便宜、更好用，企业的成本应该下降才对。

可不少企业真正感受到的，却是另一幅画面：模型单价越来越便宜，调用次数越来越多，最后总账单并没有下降。更麻烦的是，账单增加以后，管理层还不一定能回答一个最简单的问题：到底多完成了什么？

我觉得，AI 正在从“能力竞赛”进入“经济性竞赛”。过去两年，大家问谁的模型最聪明；接下来，企业会越来越认真地问：把一件事可靠地做完，究竟要花多少钱？

一、便宜的调用，不等于便宜的结果

AI 服务常常按照“词元（token）”计费。词元可以理解为模型处理信息时使用的小格子，它不完全等于一个汉字或一个英文单词，但大体上，用得越多，费用越高。

如果每百万词元的价格下降一半，听起来成本应该下降一半。

可企业使用 AI 的方式正在变化。

以前，一个员工问模型一个问题，模型回答一次，任务就结束了。现在的智能程序可以自己拆解任务、搜索资料、调用工具、修改结果，再重新运行。表面上只交付了一份报告，背后可能发生几十次模型调用。

这有点像打车平台把每公里价格降低了一半，但你从每周坐两次变成每天坐十次。单价下降了，总支出仍可能上升。

企业真正承担的成本，也不只有模型调用。

上图是机制示意，并非行业统计。它想表达的是：一项 AI 工作的总成本，至少还包括数据和工具、人工复核、错误返工、系统集成以及责任成本。

模型调用

通俗解释：向模型提问和生成内容的费用

最容易被忽略的地方：单价显眼，因此最容易被管理

工具与数据

通俗解释：搜索、数据库、软件接口和内部系统

最容易被忽略的地方：多个小额项目叠加后并不便宜

人工复核

通俗解释：检查事实、数字、代码和格式

最容易被忽略的地方：AI 越像真的，复核越容易被低估

错误返工

通俗解释：前一步出错导致后续全部重做

最容易被忽略的地方：自动程序的长链条会放大错误

合规与责任

通俗解释：权限、隐私、审计以及最终签字

最容易被忽略的地方：高风险行业无法把责任交给模型

举个例子。

一个便宜模型写代码，10 次里有 8 次能通过测试；一个更贵的模型，10 次里有 9 次能通过。做普通网页时，这 10 个百分点可能不值多少钱，工程师改一改就行。

但如果代码控制的是支付、医疗设备或工业系统，最后 10% 的可靠性可能非常昂贵。模型价格只是成本的一小部分，错误发生后由谁负责，才是企业真正害怕的问题。

所以，模型能力差距缩小，不代表所有任务里的价值差距都缩小；价格差距很大，也不代表贵的一方一定收得不合理。

关键在任务。

二、一份非常强的财报，为什么仍然让人开始算账

AI 需求最直观的受益者之一，是内存行业。训练和运行模型需要快速搬运大量数据，内存就像工厂里的传送带：计算芯片再快，如果数据送不过去，整个系统仍会堵住。

Micron 在 2026 年 6 月 24 日公布的财报，把这种需求表现得非常直接。公司 2026 财年第三季度收入为 414.6 亿美元；上一季度为 238.6 亿美元；2025 年同期为 93.0 亿美元。

真正让我停下来多看一眼的是毛利率。毛利率可以粗略理解为：卖出 100 元产品，扣掉直接生产成本后还剩多少。Micron 的 GAAP 毛利率从 2025 年同期约 38%，上升至 2026 财年第三季度约 85%。

数据来源：Micron 2026 财年第三季度业绩（https://investors.micron.com/node/50671）及公司 10-Q。图中数字按披露口径四舍五入。

这是一份很难用“普通”形容的财报。

但研究到这里，我不会马上得出“需求永远强劲”或者“价格一定继续上涨”的结论。恰恰相反，极高的增速和利润率会把问题推向下一层：客户能承受多久？供应什么时候增加？市场价格已经提前计入了多少好消息？

收入快速增长

容易得出的结论：AI 需求非常强

还需要追问：增长来自数量、价格，还是两者同时上升？

毛利率大幅提高

容易得出的结论：企业议价能力增强

还需要追问：高利润会不会吸引新增供给？

客户扩大资本开支

容易得出的结论：行业景气可以持续

还需要追问：客户的 AI 收入能否覆盖投入？

上游硬件涨价

容易得出的结论：供应商受益

还需要追问：下游是否会优化使用量或寻找替代方案？

当一家公司的经营数字已经非常好，市场的门槛也会被抬高。过去“好消息”就能推动预期，现在需要“比已经很高的预期更好”的消息。

这也是我理解所谓 AI 分化的第二层：分化不只发生在模型之间，也发生在产业链上下游之间。上游芯片和内存希望价格更高，下游模型公司却希望调用价格更低，夹在中间的企业客户则希望投入真正转化成收入或效率。

三方不可能永远同时舒服。

三、AI 有没有影响工作？答案可能取决于你站在哪里

讨论 AI 和就业时，人们很容易站到两个极端。

一个极端认为，大规模失业马上就会到来；另一个极端认为，宏观就业数据没有明显变化，因此 AI 还没有真正影响工作。

我更愿意把它理解成水位上涨。

水不会在同一时刻淹到所有地方。低洼处先湿，地势高的地方看起来仍然正常。

Yale Budget Lab 在 2026 年 5 月分析美国就业数据时认为，当时还没有足够证据证明 AI 已经造成整体劳动力市场的明显疲弱。与此同时，Stanford Digital Economy Lab 基于 ADP 薪资数据发现，在 AI 暴露程度最高的职业中，22 至 25 岁的年轻劳动者就业出现约 16% 的相对下降，而经验更丰富的劳动者没有出现同样变化。

图中中间一栏只表达方向，不是统计估计。原始研究见 Yale Budget Lab（https://budgetlab.yale.edu/research/ai-probably-not-yet-reason-labor-market-weakening） 与 Stanford Digital Economy Lab（https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/）。

这两组结果并不一定矛盾。

宏观数据回答的是“整个市场有没有明显变化”；岗位和年龄分组回答的是“变化最先发生在哪里”。整体海面还算平静，不代表最靠近水面的礁石没有被淹。

对普通职场人来说，与其反复问“AI 会不会抢走我的工作”，不如把自己的工作拆开。

信息搜集与格式整理

被自动化的可能性：较高

人更有价值的部分：判断来源是否可信、知道缺什么信息

标准化初稿

被自动化的可能性：较高

人更有价值的部分：定义问题、选择取舍、形成独特观点

重复性代码和测试

被自动化的可能性：中高

人更有价值的部分：系统设计、异常处理、最终责任

客户沟通与协商

被自动化的可能性：中等

人更有价值的部分：信任、同理心、关系和利益平衡

高风险决策

被自动化的可能性：较低但会被辅助

人更有价值的部分：经验、责任、伦理和对后果的承担

越容易被清楚描述、重复执行、快速检查的环节，越容易被自动化。越需要处理模糊信息、建立信任、承担后果的工作，人的价值越难被压缩成一次模型调用。

四、下一阶段，我只想先看一个指标

以后再看一家公司的 AI 投入，我不会先问它调用了多少词元，也不会只看买了多少芯片。

我更想问：完成一个合格结果的总成本，下降了吗？

所谓合格结果，至少要满足三个条件：能被核验，能进入真实工作流程，出了问题有人负责。

每百万词元价格

更值得跟踪的新指标：每个通过验收的结果成本

员工登录人数

更值得跟踪的新指标：实际完成并被采用的任务数

模型调用次数

更值得跟踪的新指标：节省的完整工时和返工率

自动生成内容量

更值得跟踪的新指标：错误率、投诉率与收入贡献

接下来可能同时出现三件事。

普通任务被低价模型迅速商品化；最难、最急、最不能出错的任务继续为顶级能力付费；处在中间的产品则承受最大压力：既没有便宜到可以大规模铺开，也没有强到值得客户忽略成本。

我还没有完全想清楚的是，模型能力继续提高后，“可靠结果”的成本会不会突然下降。

如果模型能少走弯路，第一次就把事情做对，企业现在面对的账单问题，可能只是技术落地早期的混乱。

反过来，如果模型越强，人们就把越来越复杂的任务交给它，总成本仍可能继续上升。技术进步提高了效率，也扩大了需求，这在历史上并不少见。

我现在更关心的，是市场怎样从展示能力走向核算结果。

词元账单只是影子。真正决定价值的，是一个可靠结果的总成本。

主要公开资料

• Micron Technology：Fiscal Q3 2026 Results（https://investors.micron.com/node/50671）
• Yale Budget Lab：AI Is Probably Not (Yet) the Reason for Labor Market Weakening（https://budgetlab.yale.edu/research/ai-probably-not-yet-reason-labor-market-weakening）
• Stanford Digital Economy Lab：Canaries in the Coal Mine?（https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/）
• Stanford Digital Economy Lab：AI Economic Indicators（https://digitaleconomy.stanford.edu/project/indicators/）

NDV Fund II 是一支立足新加坡、面向合格个人与机构投资者的亚洲合规基金，专注于”数字资产相关股票 + 衍生工具”。基金以透明、可审计的架构运行，由 OCBC 与 IB 托管，安永（EY）审计，一期基金业绩可在 Bloomberg (LSQNEXI) 查询。NDV，连接加密与传统金融的信任之桥。更多关于 NDV 的信息，可在 NDV官网（https://www.nextgendigital.vc）了解，也可点击文章下方“阅读原文”直达官网。如果您对数字资产有投资配置的计划、符合合格投资人标准、且遵守您所属国家或地区的所有适用投资法律法规，并对 NDV 基金有投资意向，请发信咨询： alda@nextgendigital.vc

Disclaimer：本文为研究观点整理，旨在帮助读者快速了解相关内容。本文仅供参考，并不构成任何投资建议，也不构成出售任何证券的要约或申购邀请。