AI Agent经济学:AI越像劳动力,科技行业越像传统工业
最近半年，科技行业发生了一个变化：AI从回答问题，变成了完成任务。
这个变化源自于AI Agent，翻译为智能体，我们最熟悉的AI Agent是“龙虾”。不管怎么称呼，它和过去的聊天机器人有本质区别：用户不再是问一个问题等一个答案，而是交出一个任务，AI自己拆解步骤、调用工具、执行操作、遇到错误自行修复，直到把完整的工作成果交回来。
这看起来是产品形态的演进，但它已经开始同时影响上游的算力需求和下游的软件价值。
理解AI Agent的经济冲击，最有效的方式不是推演概念，是看一家公司的财务变化。
Anthropic是目前最值得观察的样本。它的年化收入从2024年底的约10亿美元，增长到2026年4月的超过300亿美元——15个月，大约30倍。 这个增速在企业软件中极为罕见。
比增速更值得关注的是增长结构。Anthropic最大的收入加速器不是聊天产品，而是一个叫Claude Code的AI Agent编程工具。它的工作方式不是给程序员提供建议，而是自己阅读代码库、规划方案、编写代码、运行测试、发现bug后自行修复，循环往复直到功能跑通。这个产品2025年5月上线，9个月后年化收入就超过了25亿美元。
编程只是一个切面。Anthropic 80%的收入来自企业客户，使用场景覆盖文档分析、市场研究、财务报告、客服工作流。这些场景有一个共同特征：用户交出的是任务，拿回的是结果。
AI的增长引擎，正在从”用户数×对话次数”切换到”任务数×任务复杂度”。这个切换一旦发生，企业的AI预算、模型公司的收入结构、上游的算力需求都会跟着变。
AI Agent工作的消耗完全不在一个量级。一个编程任务的背后，可能是几十轮的规划、检索、工具调用、代码生成、测试、报错处理和修复。Claude Code的多Agent协作模式——多个AI实例同时处理一个复杂任务——Token消耗大约是普通对话的7倍。有开发者反馈，用深度规划模式做一次前端架构重构，4小时的使用配额只够发3次指令。
从企业部署的数据来看，每个开发者每个活跃日的平均AI消耗成本约为13美元，月均150到250美元。
同一个用户，从对话切换到任务执行，底层的算力消耗被放大了一到两个数量级。 这是AI Agent带来的第一重经济效应，也是最直接的一重。
算力消耗翻了一个数量级，但企业不但没有缩减AI支出，反而在加速投入。
SemiAnalysis创始人Dylan Patel提供了一个微观样本。他的公司是一家几十人的半导体研究机构，AI支出从去年的几万美元涨到了今年的700万美元——Token消费一年增长了两个数量级。他在最近一期Invest Like The Best播客里有一个判断值得注意：即使Anthropic把旗舰模型Opus的定价翻一倍，他也会继续付费，而且相信大多数用户也会。
为什么？因为Token产出的工作成果比人力更便宜、更快、或者更容易规模化。企业面对的不是”要不要用”的问题，而是”想用但不够用”的问题。Token过去是一个纯粹的技术指标，只有开发者在意。现在企业开始把它当成成本和产出的计价单位——就像工厂的用电量或物流公司的里程数一样。
Token暴涨首先改变的是上游的供需关系。 算力、内存、电力的需求正在被重新定价。Anthropic目前的算力规模大约在2到2.5吉瓦，年底需要扩展到5吉瓦以上才能跟上需求增长。GPU产能紧张、HBM供不应求、数据中心电力需求飙升——这些已经不是预测，而是正在发生的现实。
传统软件——无论是Office还是Salesforce——在卖出之后，每多服务一个用户的边际成本几乎为零。代码已经写好，服务器成本分摊下来微乎其微。这是SaaS行业过去二十年高毛利率的根基：产品开发一次，复制分发的成本趋近于零。
AI Agent的成本结构根本不同。每执行一次任务都需要运行推理，每一次推理都消耗真实的GPU算力。收入在增长，成本也在真实地跟随增长。这不是软件公司的经济模型，更接近一个有产能约束的工业企业。
这意味着模型公司不是卖完软件就结束——每多跑一次任务，都会新增一笔真实的算力成本。毛利率能做到多少，核心看两件事：用户愿意为AI Agent的工作成果付多少钱，以及推理效率的优化能不能跑赢消耗的增长。
一个已经可以观察到的行业趋势是：企业定价模式正在从按席位固定收费，转向按Token消耗计量。 Anthropic将企业定价从每人每月最高200美元的固定席位费，改为20美元的平台入口费加按实际Token消耗计费。OpenAI对Codex做了类似调整。GitHub收紧了Copilot的用量限额。
这不是个别公司的定价实验，而是整个行业在回应同一个事实：AI Agent产品的成本结构不支持无限量订阅。每一次服务都有真实的边际成本，定价必须反映这一点。
为什么说AI越像劳动力，科技行业就越像工业？原因在这里。当AI产品从”卖License”变成”卖工时”，它的经济逻辑就从软件的轻资产模型，滑向了工业的重资产模型。 收入随用量增长，但成本也随用量增长——利润取决于效率而非规模效应。这对整个科技行业的估值逻辑都会产生影响。
Token经济学讲的是上游的故事——算力如何供给，成本由谁承担。但AI Agent还有另一重冲击，方向朝下，指向应用软件和互联网平台。
AI Agent替代的不是某一个具体岗位，而是企业内部任务在人和系统之间流转的成本。
一个典型的企业任务是这样完成的：项目经理在项目管理工具里建任务，通过即时通讯分配给同事，同事在CRM里查客户数据，在文档工具里撰写报告，通过审批流程提交，再在群里同步结果。每一步背后都是一层软件、一层人力、一层等待时间。
AI Agent的能力恰恰在于把这些环节串联起来，一次性完成。
这对科技产业下游的含义是明确的：所有”帮人操作流程”的软件——流程管理、协作工具、低代码平台、甚至部分SaaS产品的界面层——都面临被直接绕过的风险。当AI Agent能够直接调用底层数据和API完成任务时，中间那层操作界面的价值就被压缩了。
互联网平台同样面临重估。当AI Agent替用户完成搜索、比较、筛选和下单的全过程，传统的流量入口——搜索框、信息流、推荐算法——的价值需要被重新衡量。用户不再需要自己浏览信息流来做决策，AI Agent代劳了。
拥有独特数据的公司——金融行情、行业专有知识、用户行为数据——反而可能成为AI Agent完成任务时必须调用的后端。拥有交易权限和履约能力的公司同样如此：AI Agent可以帮你比价、选航班、填信息，但最终出票还是要通过航空公司的订票系统，付款还是要走支付通道，外卖还是要有人送到门口。AI Agent再强大，也需要通过这些环节来完成最后一步。
AI Agent压缩的是中间的协调层，但越接近真实世界的数据、交易和履约环节，价值反而越稳固。
AI Agent会同时改变算力、云、模型、软件和平台五层公司的利润分配。
-
算力层——GPU、内存、先进制程、数据中心。AI Agent把推理需求拉高了一个数量级，需求曲线是否永久上移？算力公司的超额利润能守住多久？
-
云厂商——微软、亚马逊、谷歌、阿里。每年几百亿美元的AI资本开支投下去，能转化为多少高质量的经常性收入？
-
模型公司——前沿模型在AI Agent场景下展现出极强的定价权，但竞争和开源正在逼近。这种定价权能持续，还是终将被侵蚀？
-
软件公司——SaaS的界面层护城河可能正在失效。当AI Agent直接调用底层能力完成任务，”帮人操作流程”的软件还剩多少价值？
-
平台公司——AI Agent会绕过平台，还是通过平台？它是对平台的威胁，还是新一轮增长的引擎？
AI Agent时代的核心问题，不是AI会不会继续增长——增长几乎是确定的。
现在能看到的趋势是：价值正在从”轻资产软件”向三个方向重新分配——模型能力、算力基础设施、和真实的履约场景。轻资产、高毛利、按席位收费的黄金时代，可能正在过去。
夜雨聆风
