整理自：https://www.wheresyoured.at/ais-economics-dont-make-sense/
简介
这篇文章讨论的不是「AI 有没有用」，而是「现在这套 AI 商业模式能不能成立」。
作者 Ed Zitron 的核心判断很直接：生成式 AI 的成本一直被订阅制隐藏了。用户每月付 20 美元、100 美元或 200 美元，看起来像是在购买一个普通 SaaS 服务，但后台实际消耗的是 GPU 推理、上下文窗口、工具调用和反复重试产生的 Token 成本。
如果这些成本真实地向用户展开，很多 AI 产品的体验和价值判断都会发生变化。
Copilot 调价
文章的切入点是 GitHub Copilot。
GitHub 宣布从 2026 年 6 月 1 日开始，将 Copilot 的所有计划改为基于实际使用量计费。也就是说，用户不再只是购买一个固定额度的「请求」，而是要为背后的模型成本买单。
这件事很有代表性。
过去几年，很多 AI 产品都在做一件事：用低价订阅吸引用户，让用户习惯高频使用，再由平台承担大量推理成本。用户感受到的是「我已经付过钱了」，但平台看到的是另一张账单。
Copilot 的变化说明，至少在代码 Agent 这类高消耗场景里，这套补贴模式已经很难继续维持。
订阅制的问题
传统订阅制适合成本相对稳定的产品。
例如云文档、网盘、健身房会员，重度用户当然会多消耗一些资源，但整体成本是可以被估算和摊平的。
LLM 不一样。
一个用户只是偶尔问几个问题，另一个用户把整个代码仓库塞进去，让模型多轮调用工具、反复修改、跑测试、再继续修。这两个人可能都付一样的钱，但后者消耗的成本完全不是一个量级。
这也是 AI 订阅制最别扭的地方。
它把一个成本高度不确定的服务，包装成了一个固定月费产品。
用户看不到 Token，也看不到一次失败调用背后的真实成本。模型幻觉、跑偏、反复重试，在订阅制下只是「再问一次」。但如果按 Token 计费，每一次失败都会变成明确的支出。
这时用户对产品的容忍度会明显下降。
Token 计费会改变使用方式
作者认为，大多数 AI 产品最终都会走向某种 Token 计费，至少企业用户会先被推到这个方向。
这不只是价格变化，而是使用方式变化。
当用户习惯了「随便用」之后，再突然告诉他每一次长上下文、每一次 Agent 多轮执行、每一次工具调用都要计费，体验上一定会有落差。
尤其是代码类产品。
代码仓库很大，工具调用很多，模型还经常需要读文件、改文件、跑测试、再根据错误继续推理。这个过程看起来像一个智能助手在工作，实际上也是一个持续消耗 Token 的机器。
如果每一次试错都变成账单，用户自然会开始问另一个问题：
它到底帮我省了多少钱？
企业更难算账
个人用户觉得贵，最多取消订阅。
企业的问题更复杂。
如果一个团队把 Claude Code、Copilot、Cursor 或其他代码 Agent 接入日常开发，就不能只看每人每月订阅费，而要看每个开发者每天实际消耗多少推理成本。
原文提到，Anthropic 自己的 Claude Code 文档中，企业部署的平均成本大约是每位开发者每个活跃日 13 美元，每月 150 到 250 美元；90% 的用户每天低于 30 美元。
换算一下，如果按每月 21 个工作日计算，一个开发者每月可能是 273 美元。若按每天 30 美元，则是每月 630 美元，一年 7560 美元。
这还只是单人。
如果是 10 人开发团队，一年就是几万到几十万美元的额外成本。问题在于，很多公司并没有办法证明这些支出对应了等量的收入增长、成本下降或交付效率提升。
「工程师写代码更快了」当然是一个说法。
但快了多少？省下来的时间有没有变成收入？有没有减少人力？有没有提高质量？
这些问题没有被回答之前，AI 成本就很难真正进入财务模型。
数据中心的账
文章后半部分把问题从订阅费推到基础设施。
AI 数据中心很贵，而且不是一般的贵。
作者给出的估算是，一个 100MW 的 AI 数据中心可以理解为约 44 亿美元级别的项目，其中大量成本都在 NVIDIA GPU 和相关硬件上。
更麻烦的是，这类资产有折旧周期，也有技术迭代风险。GPU 并不是修一座楼就能用几十年的东西。等你用 6 年折旧摊完，新一代 GPU 可能早就改变了市场价格和性能结构。
作者用一个理论上的 100MW 数据中心做计算：
- 100% 出租且客户按时付款时，看起来还有利润
- 如果上线延迟一个月，毛利会被明显压低
- 如果建设和 GPU 采购用了债务融资，利息和本金会迅速吞掉利润
- 一旦利用率不是 100%，或者租户不能按时付款，模型就会变得很脆弱
换句话说，这不是一个容错率很高的生意。
它要求数据中心按时建成、GPU 按时安装、客户按时入驻、租户长期付钱、市场需求持续增长、硬件不过快贬值。
中间任何一个环节出问题，账都会很难看。
Stargate 和 Oracle
原文花了很大篇幅讨论 Stargate Abilene。
这是 Oracle 为 OpenAI 建设的大型数据中心项目。作者估算，Abilene 是一个 1.2GW 级别、8 栋建筑的数据中心园区，总成本可能达到 528 亿美元。
但截至 2026 年 4 月 27 日，作者认为真正投入运营并产生收入的只有两栋楼，第三栋的 IT 设备也还不完整。
这会带来一个很直接的问题：
OpenAI 只能为已经存在的算力付钱。
如果数据中心没有按计划交付，Oracle 的收入就不会按计划出现。而 Oracle 又需要通过这些项目产生的未来现金流，去支撑巨额建设成本和债务。
更大的问题是，Oracle 的计划很依赖 OpenAI 未来能持续高速增长。
作者引用的估算是，OpenAI 为了支付未来几年的算力合同，需要在 4 年内获得或产生约 8520 亿美元的收入、融资或债务。这个数字非常夸张，因为它要求 OpenAI 在 2030 年前把业务规模扩大到接近今天微软这种级别。
这不是普通的增长预期。
这是把整个未来都压在一条曲线上。
算力卖给谁
文章还有一个很关键的问题：
如果所有人都在建 AI 数据中心，那么这些算力最终卖给谁？
作者提到，到 2028 年底，已经在建设中的 AI 数据中心容量约为 15.2GW。按他的估算，这部分需要约 1568 亿美元的年化 AI 算力收入来支撑。
如果把所有宣布中的 114GW 都算进去，则需要约 1.18 万亿美元的年化收入。
这个问题很朴素。
市场上真的有这么多愿意长期付费的客户吗？
现在很多 AI 算力需求来自 OpenAI、Anthropic 这类仍然高度亏损的公司，或者来自想把资本开支移出自己资产负债表的大型云厂商。如果最终客户自身没有盈利能力，那么整个算力链条就需要持续依赖融资、债务和资本市场的信心。
这有点像一层套一层的承诺。
用户相信 AI 产品会提高效率，企业相信 AI 可以带来增长，云厂商相信模型公司会持续买算力，债权人和投资者相信这些数据中心未来会有稳定现金流。
但每一层都还没有被充分证明。
总结
这篇文章的价值不在于证明 AI 没用。
它真正想指出的是，生成式 AI 的很多判断都建立在一个被隐藏的前提上：使用者没有直接感受到真实成本。
当用户每月只付固定订阅费时，AI 看起来很便宜。
当企业把 AI 账单放进研发成本时，效率提升看起来还可以先不精确计算。
当资本市场相信 OpenAI 和 Anthropic 会持续增长时，数据中心建设看起来也可以继续融资。
但如果订阅补贴结束，Token 成本显性化，用户和企业都开始按任务计算投入产出，这个故事就会变得不一样。
我觉得这也是最近 AI 行业里最值得关注的一条线。
模型能力当然还会进步，工具也会继续变好。但技术有没有用，和商业模式能不能成立，是两个问题。
前者回答的是「它能做什么」。
后者回答的是「谁来付钱」。
现在真正还没算清楚的，恰恰是后一个问题。