杨攀拆解AI：中美差距不在模型在付费

不少人会在各类资讯中看到国产开源模型拿下全球token消耗榜的相关报道，这往往会让人觉得国产AI技术已经实现了领先。但实际上，这类所谓的"全球榜单"统计范围非常有限，其真实的消费规模仅占全球实际token消耗的1%到2%，真正的大头都隐藏在企业与云厂商、模型厂商的直接合作合同中，普通用户很难接触到这部分数据。

Token消耗的指数级增长：从炫耀到务实

从2025年初到现在，同一个问题的token消耗已经出现了惊人的变化，最高差距可达1000倍。过去一年，整个AI产业的核心暗线就是token消耗的指数级膨胀，用户感受到的是算力成本的快速上升，而产业端则看到了市场的爆发式增长，甚至带动了GPU、内存等上游基础设施的需求拐点。

今年上半年，行业内曾流行"Token Maxxing"的风气，也就是谁消耗的token越多，就代表谁的AI应用越出色。但这种做法本质上是技术周期里的"愚昧之巅"，随着市场逐渐回归理性，大家开始意识到，单纯的token消耗并不等于真正的价值产出，不少人用AI批量生成了大量没有商业意义的内容，也就是所谓的"AI泔水"。

从年初大厂关注AI如何提升组织效率，到半年后转而询问如何真正挖掘效率与效益，这种转变清晰地反映了产业情绪从炫耀式消耗到务实求效的变化。

模型能力的进化：人类正在把经验喂给AI

针对市场上"模型能力是否已经撞墙"的疑问，行业从业者普遍认为，模型的提升空间依然巨大。去年10月推出的Claude Code Skills就是一个标志性的发明，它不仅是一个工具，更是让人类专家能够将自己私藏的经验以Skill的形式分享出来，当这些Skill被云端模型使用后，模型就有机会将这些能力内化为自身的能力。

根据相关研究，Skill可以分为两类：一类是能力提升类，相当于给模型提供了专属的操作手册，经过一次使用后，后续版本的模型就能自主掌握该能力；另一类是偏好编码类，比如固定的操作步骤、视觉风格等，这类内容不需要转化为通用能力。其中，能力提升类的价值最为显著。

今年上半年的模型进步，很大程度上得益于这波人类经验的输入，而近期相关探索让模型与工具框架结合进行强化学习，有望带来新一轮的能力跃升。从行业发展的脉络来看，我们可以看到一条清晰的吞食链：最初的prompt被模型吸收，随后的workflow也被模型整合，现在Agent中的Skill正在成为模型下一代的内置能力。

有从业者提出了一个激进的判断：未来全球软件和互联网市场中，可能有80%的利益会被模型直接获取。剩下的20%则是模型无法通过训练覆盖的领域，比如实时数据——模型可以根据历史数据估算杭州往年8月31日的天气，但无法直接获取当下是否正在下雨这类实时信息，掌握这类数据的主体就可以向模型提供服务并获得收益；再比如物理世界的接口，模型可以在数字世界中完成绝大多数操作，但外卖配送、工厂设备操作等物理场景，依然需要依赖物理世界的封装能力。

实时数据、物理世界接口、专属服务能力，这三个领域将是模型难以触及的空间，也是后来者的机会所在。

Agent的破圈：从程序员到亿级知识工作者

AI产业的另一个重要共识是，Agent正在从服务程序员的小众工具，扩展到服务所有知识工作者的通用工具。中国的程序员群体规模约为1000万，而坐在电脑前工作的知识工作者则达到了1亿量级，两者相差整整一个数量级，这意味着Agent的市场空间将迎来十倍级的扩张。

去年，Agent主要被用于代码编写，比如Claude Code、Cursor、Codex等工具都是程序员的常用助手。到了今年上半年，这一趋势已经扩展到办公和知识工作场景，国内外大厂纷纷投入算力和营销资源，推出了面向办公场景的Agent产品。

Agent的普及离不开几个关键的破圈节点：去年春节的相关产品让大量非IT行业的企业和用户第一次了解到AI可以辅助办公；去年3月的标志性产品则在全球范围内形成了对Agent形态的统一认知；今年初的相关工具则将自主式Agent推广到了数百万台设备上，完成了一次全民级的科普。每一次破圈的核心，都是让圈外用户能够真正上手使用，而不是停留在技术圈内的自嗨。

Agent能够在今年实现规模化落地，离不开两个关键的技术指标：一是长程任务能力，也就是一次委托后能够连续完成任务的时长，这直接反映了模型能够处理的任务复杂度；二是操作能力，也就是对电脑、浏览器等外部环境的操作能力，此前模型只能完成代码编写等纯数字任务，一旦需要打开网页、填写表单等操作，就需要人工介入，而相关功能的出现，彻底打破了这一限制，让Agent能够独立完成全流程的任务。

一位从业者分享了自己的亲身经历：去年从零搭建一个网站时，他需要自己完成代码编写、域名注册、服务器配置、流量统计接入等多个步骤；而今年，他只需要告诉Agent想要创建一个网站，剩下的域名查询、注册、部署、搜索引擎提交等全部流程都可以由Agent自主完成。AI的核心杠杆，就在于为用户节省下来的时间，互联网拉近了空间距离，而AI则压缩了时间维度，人类无法同时完成多项重复任务，但AI可以同时调度上千个实例并行工作，甚至在人类休息的时候继续运行。

创造成本骤降后的割裂：从AI泔水到真正的价值

AI对产业的另一个深远影响，是打破了"创造、发行、赚钱"的传统三位一体模式。过去，开发一个产品需要投入大量的资金和时间，因此开发者只会选择那些有明确商业价值的方向进行研发。但如今，AI将创造成本降到了接近零，这三个环节被彻底撕开。

这种状态被称为"代偿"，也就是AI弥补了用户过去因为能力不足而无法实现的需求，比如没有美术功底的用户可以用AI生成画作，不会编程的用户可以让AI帮助编写程序，这种创作过程会带来强烈的成就感，但很多人在完成创作后却发现，自己的作品无法获得市场认可，也无法实现商业变现，因为分发和营销依然需要投入真金白银，而市场的流量和用户的付费意愿都是有限的。

这也解释了为什么当前真正实现正向价值的"一人公司"大多集中在自媒体、AI视频等领域，因为这些领域的个人可以独立完成创造、发行、赚钱的全流程。从软件市场的整体趋势来看，传统的通用软件市场正在收缩，而个性化、即抛型的软件正在增多，用户不再需要下载完整的软件，而是可以直接让Agent根据实时需求生成临时的解决方案，解决问题后即可不再使用。

一位从业者分享了自己的例子：此前电脑出现发烫的问题时，他需要上网搜索并下载专业的检测工具，而现在他只需要告诉AI电脑发烫的问题，AI就能自动排查原因并解决，连寻找工具的步骤都可以省略。同时，软件界面的重要性也在下降，核心目标是完成用户的意图，语音、文字、甚至主动感知的上下文交互都可以成为高效的交互方式，界面只是按需存在的辅助元素。

组织协作的困境：AI提效的边际递减

一个看似反直觉的判断是：员工人人使用AI，并不等于企业的AI转型就取得了成功。个人使用AI可以实现十倍级的效率提升，但当团队人数超过十人时，整体的效率提升可能仅为20%到30%。

这种边际递减的核心原因在于组织的本质是协作，而协作的核心是信息在不同大脑之间的传递。无论是通过语言、文字还是文档，信息在传递过程中都会出现损耗、误解和时间延迟，个人在脑海中思考问题的速度，比向团队成员同步解释的速度快10到100倍，而AI无法解决这种跨大脑的信息传递损耗。

为了应对这一问题，产业界已经开始探索新的组织模式。一种常见的方向是前后台模式：后台负责构建完整的产品能力，前台负责运营和营销，尽可能减少两端之间的反复沟通；另一种模式则是按照工作角色进行划分，比如快速原型构建、产品搭建、内容整理、增长运营、长期维护等，每个角色都负责完整的闭环任务，尽可能减少跨部门的协作。

这种组织模式的变化本质上是生产力与生产关系的匹配。软件开发最早采用瀑布式开发模式，因为试错成本极高，需要从一开始就完成完整的规划；后来的敏捷开发则是因为试错成本下降，允许在开发过程中进行调整；而如今AI进一步降低了试错成本，使得新的组织模式成为可能。每个企业都需要根据自身的业务属性、安全要求和产品阶段，探索适合自己的组织方式，并没有统一的标准答案。

值得注意的是，Work Agent对普通知识工作者的提效效果往往比程序员更加明显，程序员在使用AI后容易陷入额外的工作细节，而普通知识工作者原本的工作效率较低，使用AI后可以实现实打实的时间节省。

中国AI产业的机会：跳过SaaS直接进入Agent时代

在中美AI的差异方面，有两个值得关注的判断：一是中美前沿模型的实际差距并没有明显缩小，只是中国能够大规模使用的模型能力提升迅速，更值得关注的是有多少用户能够从这些模型中受益；二是最前沿的模型依然拥有定价权，不会因为开源模型的追赶而大幅降价。

另一个被广泛讨论的概念，本质上并不是全新的工作，而是将传统的客户成功、定制开发等工作换了一个名称，其核心差异在于可以将客户现场的需求反馈直接反哺到产品迭代中。不过，AI时代的外包确实会出现新的变化：过去很多软件项目因为预算有限，只能雇佣水平较低的工程师，导致交付质量不佳，形成了甲方压价、乙方降本、产品更差的恶性循环；而AI可以让普通工程师借助算力和模型，完成原本需要高薪工程师才能完成的工作，提升整个软件产业的交付成功率。

中国企业在信息化和数字化方面存在一定的欠账，但这不一定需要按照传统的SaaS路径补课，而是有可能像移动支付跳过信用卡普及阶段一样，直接从传统软件阶段跳跃到Agent时代。AI可以自动记录、同步和处理企业的经营数据，帮助企业完成数字化转型，但前提是企业的经营数据和流程已经进入数字世界，没有信息化基础的部分，依然需要先完成信息化建设。

持续迭代：每三个月重新审视你的工作方式

面对快速变化的AI产业，从业者需要建立持续迭代的工作习惯。有从业者提出，模型的能力每三个月就会出现一次显著的飞跃，因此每个人都需要每三个月重新审视自己的工作方法和对AI的认知，如果无法做到这一点，就说明在某些阶段出现了认知滞后。

一位从业者分享了自己的亲身经历：在一次版本更新后，原本需要手动完成的iOS应用部署、测试、日志收集等工作，全部可以由模型自动完成，这种变化带来的效率提升是前所未有的，而这种体感只有通过亲自试用才能真正感受到。

对于企业管理者来说，也需要亲自参与AI转型的实践，不能将所有工作都委托给下属，只有亲身接触一线的应用场景，才能真正理解AI的价值和挑战。

最后，留给所有读者一个问题：三个月后的你，工作方式会和现在一样吗？如果答案是肯定的，那么你可能已经落后于这个快速变化的时代了。