作者 | 华卫 昨日，Ramp 发布了最新的 AI Index，一个令人难以消化的核心数据是：最积极采用 AI 的公司，每月每位员工在 AI 工具上花费 7500 美元，约合 50807 元人民币。

        该指数自推出以来，一直专注于追踪最基础的企业 AI 采用情况。

        如今，使用 AI 的企业占比正迅速逼近 100%。

        Ramp 首席经济学家 Ara Kharazian 表示，其结果还很可能低估了实际采用率，因为许多企业在使用免费的 AI 工具，或者员工使用个人账户调用 AI 服务来完成工作任务。

        即便在 Ramp 内部，相比去年其 AI 使用量增长了 6300%。

        团队中有 99.5% 的人都在使用 AI 工具，84% 每周都会用编程代理。

        在 Ramp 内部平台上，6 周内上线了 1500 多个应用，来自 800 多位不同的“构建者”；非工程师发起的生产代码 PR 已占到 12%，每月达到数千个，他们使用的是自研编程代理 Ramp Inspect。

        因此，Ramp 经济研究团队的关注重点正在转向对“采用强度”的追踪，当前样本包括超过 7 万家美国企业和数十亿美元的企业支出。

        五万月薪没到顶上月就涨了 14.1%？根据 Ramp AI Index 的最新研究，美国按 AI 采用程度排名前 1% 的公司，每位员工每月在 AI 工具和算力上的支出达到 7500 美元，Ramp 将这前 1% 的公司称为“AI-pilled”（AI 上头）。

        而且，它们已经且还将投入足够长时间。每过去一个月，这些公司都在将 AI 更深地嵌入工作流、积累专有数据，并训练团队使用那些中位数公司甚至还没有认真预算的工具。

        可以说，处在分布顶端的公司，并不是在“试验”AI，而是在“构建”。

        仅在过去一个月，这一群体的人均 AI 支出就增长了 14.1%。

        据了解，这些“AI 上头”公司通常采取混合策略，并不押注单一平台。

        他们在多个来自 Anthropic、OpenAI 等厂商的前沿模型之间来回切换，同时使用通过 Fireworks AI、fal AI、DeepInfra 等推理平台接入的低成本开源模型，包括来自中国、与 OpenAI 和 Anthropic 竞争的 DeepSeek。

        而这种模式并不仅限于头部用户。Ramp 的采用数据表明，Anthropic 已覆盖 41% 的美国付费 AI 企业用户，成为企业端采用率最高的模型提供商；OpenAI 基本持平；DeepSeek 则在 2026 年 6 月的趋势厂商榜中位居第一。

        一个清晰的趋势是：最成熟的 AI 采购方，往往也是最不愿被单一供应商锁定的那一群。

        但 Ramp 指出，这些公司目前还没有在 AI 上花得比在人身上更多，美国软件工程师月薪大约为 16000 美元，是 7500 美元的两倍多。

        也就是说，最激进的 AI 使用者，尚未跨越“AI 成本超过人力成本”的门槛。

        关键在于：7500 美元这个数字，是天花板了吗？如果智能体 AI 持续扩大企业自动化的边界，而 token 支出逐渐成为继人力和软件之后的第三大成本中心，那么今天的前 1%，很可能在几年后就会变成中位水平。

        token 便宜 98%、账单翻了三倍比员工支出都多了随着企业不断烧掉各自的 token 预算，一个关键问题浮现：公司在 AI 上的支出，是否已经超过了对人的投入？

        “对我的团队来说，算力成本远远超过员工成本。”英伟达应用深度学习副总裁 Bryan Catanzaro 近日在采访中表示，AI 并没有降低用工成本，至少在当下，它的成本甚至高于企业现有的人力。

        上周，Mercor 的 CEO 也称，这家初创公司在内部智能体的 token 开销上，花的钱已经超过了员工人力成本。

        Mercor 是一家市值 100 亿美元的初创公司，帮助 OpenAI 和 Anthropic 等公司通过其人类专家网络训练 AI 模型，自 2023 年成立以来，已成为 AI 生态系统中增长最快的公司之一。

        的确，token 越来越便宜了。如今，实现 GPT-4 同等级性能的成本，大约是每百万 token 0.40 美元，而 2022 年末这一数字约为 20 美元，下降了 98%。

        然而，根据多项行业分析，企业 AI 总账单却上涨了约 320%。

        企业平均 AI 预算，也从 2024 年的每年 120 万美元增长到 2026 年的 700 万美元。

        问题出在，用量一点都不便宜。自 2025 年 11 月以来发布的一系列智能体 AI 工具，包括 Anthropic 的 Claude Opus 4.5、OpenAI 的 GPT-5.1，以及 Google 的 Gemini 3 Pro，显著放大了单个任务的 token 消耗。

        2023 年，一个简单的线性流程每次交互成本约 0.04 美元；而到 2026 年，一个编排良好的智能体系统成本约为 1.20 美元，增加了约 30 倍。

        这种模式几乎在各处重演：单个 token 的价格已经大幅下跌，但对自主 AI 智能体的追逐，却让总体用量暴涨。

        今年 4 月，Uber 在 就花光了其 2026 年全年 AI 编程预算。

        微软在为开发者开通 Claude Code 六个月后，又收回了相关许可；在许可证被收回前，微软内部一些工程师每月在 token 上的支出高达 500 到 2000 美元。

        有公司甚至因为忘记设置使用上限，单月就跑出了 5 亿美元的 Claude 账单。

        据外媒报道，Priceline 一名员工表示，一次常规的 Cursor 合同续约，价格竟上涨了 4 到 5 倍。

        “六个月前，我和客户的对话还集中在‘它能做什么？够不够好？’，现在的对话变成了：‘我们花太多钱了。你们能提供哪些可视化？有哪些 token 控制手段？’”OpenAI 企业业务负责人 Alexander Embiricos 表示。

        FinOps Foundation 执行董事 J.R. Storment 则更直白地描述了这一转变：“从 4 月、5 月开始，我听到公司在说：‘天啊，我们已经超出 2026 年全年 token 预算的 3 倍了，而现在才 4 月。’

        整个讨论从‘尽量多用、尽快推进’（tokenmaxxing + go fast），转向‘我们需要护栏，怎么控制成本？’”工程管理平台 Jellyfish 的研究负责人 Nicholas Arcolano 表示，过去 9 个月中，每位开发者的 token 消耗量大约增长了 18.6 倍。

        使用 token 最多的工程师，生产力大约是轻度用户的两倍，但为此消耗的 token 却高出 10 倍。

        “极高的支出是否值得，最终取决于代码产出的商业价值，而大多数公司目前仍无法衡量这一点。”他说道。

        那些此前沉浸于“无限量订阅”的公司，如今正拼命搞清楚钱到底花去了哪里，以及这些投入是否真的带来了回报。

        Priceline IT 财务高级总监 Chris Reed 将这种现象类比为电信计费时代：“这就像‘可卡因成瘾’。他们先让你免费试用让你上瘾，然后你就离不开了。”

        该公司已经开始对部分团队设置 token 使用上限。

        Reed 表示，他已经看到供应商报告的使用量与公司内部数据之间存在差异。

        高盛预测，到 2030 年，全球 token 使用量将增长 24 倍。

         AI 花钱的世界严重分层：差距高达 680 倍需要注意的是，人均 AI 支出 7500 美元的情况，仅来自于 AI 采用程度排名前 1% 的公司。

        对绝大多数公司来说，AI 支出在整体软件预算中仍然只是一个可以忽略不计的“零头”。

        根据 Ramp AI Index 的最新研究，排名前 10% 的公司，每位员工每月 AI 支出约为 611 美元，大致相当于几个企业级 AI 席位加上一些 API 使用费用。

        而在通过 Ramp 企业信用卡与账单支付平台追踪的超过 7 万家企业中，中位数公司仅为 11.38 美元，大致相当于一个标准软件订阅的单席位价格。

        前 1% 与中位数公司之间的差距，高达 680 倍。

        这也是目前对美国企业 AI 支出分布极度不均最直观的刻画。

        而这种差距的复利式扩大，或许不仅仅是软件预算的差异。

        每月只花数十美元的中位数公司，有差距的不仅是订阅数量，可能还有组织基础设施，包括工作流、数据以及需要数月时间建立的内部对 AI 的熟练度。

        更值得关注的问题是：一旦 AI 成本超过人力，产出是否能够匹配？

        而那些已经处在这一梯队的公司，很可能正在实时做这场实验。

        “我们现在看到的是一种短期错配。”瑞士人工智能研究院戈登商学院的 AI 与金融教授 Keith Lee 表示，企业正在大规模投入 AI，即便在很多任务上，人类目前仍然更便宜。

        这反映出“理论上的经济性”和“企业实际决策”之间存在脱节。

        尽管目前 AI 可能比人类更贵，但这种情况可能会改变。

        Lee 认为，随着模型运行成本下降、基础设施持续改进，AI 的经济性会逐步优化。

        不过，他也强调，只有当 AI 变得更可靠、对人工监督的依赖更低时，它才真正具备成本优势。

        “关键不只是 AI 比人更便宜，而是它在规模化条件下，既更便宜，又更可预测。”参考链接：https://econlab.substack.com/p/how-much-does-it-cost-to-be-ai-pilled声明：本文为 AI 前线原创，不代表平台观点，未经许可禁止转载。

        会议推荐企业级 Agent 落地，绕不开 4 个真实的工程问题！

        如何在 Agent 安全性和可用性之间找到平衡点？

        Agent 需要什么样的记忆系统才能真正理解上下文？

        如何通过算法压榨实现智力增量与成本控制的极致平衡？

        多 Agent 协作，如何做到可观测、可治理、可控制？

        6.26-27 AICon 上海站，国内头部公司的 Agent 实践，一次说透。

        今日荐文双倍价格卖你阉割版Mythos！Claude故意降智还不告知、强制留底30天，彻底把用户惹毛“零数据”机器人来了，验证两月即可上岗！

        这群清华博士破局世界模型，靠“本能”让机器人上手就会人形机器人价格大跳水，比iPhone还便宜：一场关于生产力而非形态的产业竞速大人，AI编程又变天了！

        Claude Code之父、龙虾创始人同时力捧新范式，杀死提示词工程？你也「在看」吗？👇