夜雨聆风
一个在硅谷写了二十五年代码的工程师，最近在网上讲了一通话。他待过大厂，现在失业在家，也亲历过互联网泡沫破裂和 Web 2.0 那轮洗牌。两次浪潮里，他都看着一批明星公司从高处掉下来。
所以，当他说这一轮 AI 有点不对劲时，值得听听他的理由。
很多人都在盯着模型有多聪明、Agent 能干多少活。他盯的是另一张表：这轮 AI 投资背后的债务。
美国这一轮投入 AI 的资金，大约有三到四万亿美元。其中两到三万亿来自公司发债。按百分之三到四的利率计算，每年光利息就接近一千亿美元，本金还一分没还。
一千亿美元的利息，靠什么来付？
假设 AI 公司能做到百分之十的利润率，这已经非常乐观，它们每年也要创造一万亿美元收入，才能赚到一千亿美元用于付息。
能装下这么多收入的市场并不多。按这位工程师的推演，最可能被 AI 切走的，是美国白领每年大约十万亿美元的工资。
这套账算下来，AI 必须大规模接管白领工作，还要从中赚到足够多的钱，今天的投入才能持续。
要让这个故事成立，至少需要满足两个条件：AI 替代白领的速度足够快；大厂还能长期把 AI 卖出高价。
可眼下，这两个条件都在松动。
AI 替代人的速度，远远跟不上还债的速度。
按他的测算，AI 每年需要替代一千万个白领岗位，才能撑住这笔债务。实际替代的岗位还不到十万个，相差约一百倍。
有些公司提前裁掉员工，后来发现工作无法正常推进，又把人请了回来。还有研究称，百分之七十的 AI 客服项目最终被推翻或关停，因为系统经常答错问题、误解用户。
AI 很难接入之后马上独立干活。很多场景仍然需要人补充上下文、整理训练数据、检查错误。表面上省掉了人工，实际又增加了部署、维护和纠错成本。
如果你正在考虑给公司上 AI，可以先拿一个小环节验证。
选一项边界清楚、结果容易判断的工作，让 AI 连续跑三个月。看看它能否稳定完成，再决定是否扩大投入。那些“一年替代几百万岗位”的说法，暂时不用急着相信。
开源模型正在打乱大厂先烧钱、后涨价的算盘。
大厂原本的计划，是先赔钱抢市场，等竞争对手退出，再靠涨价把钱赚回来。按这位工程师的说法，OpenAI 和 Anthropic 的部分 API 调用仍在亏钱，执行的就是这套打法。
这套模式能否成立，取决于大厂最终能不能形成垄断。可便宜又好用的开源模型正在快速出现，尤其是中国模型。
Moonshot 的 Kimi、阿里的 Qwen，用更少的算力，部分效果已经接近甚至超过闭源模型。按他引用的 OpenRouter 数据，美国公司使用的 token 中，六成以上来自中国开源模型。
用户一旦拥有更便宜的选择，大厂就很难随意涨价。模型能力越来越接近，切换成本又不高，高价订阅的空间自然会被压缩。
这条经验可以直接用在团队选型上。
别只看几家美国闭源模型。把开源模型放进同一套任务里，对比效果、速度和成本。很多工作用不上最贵的模型，选一个够用的，反而更划算。
本地模型又往前走了一步，直接减少了用户持续付费的理由。
量化和蒸馏可以把大模型压小，让它在高配台式机、服务器甚至笔记本上运行。模型一旦能够在本地完成工作，企业就不需要每个月不断购买云端调用量。
本地模型还有两个明显优势：数据可以留在公司内部；硬件买回来以后，新增使用成本很低。
对于重视隐私的企业，这两点很有吸引力。如果 Qwen 一类本地模型能够完成 Claude Sonnet 承担的部分任务，大厂按调用量或按月收费的生意就会继续承压。
如果你的工作涉及客户资料、内部文件或敏感数据，可以先做一次本地测试。
在自己的机器上部署一个开源模型，拿真实任务比较效果。能够满足需求，就可能省下一笔云服务订阅费，也能减少数据外泄风险。
把这三点放在一起，矛盾就清楚了。
巨额债务要求 AI 尽快创造收入，可岗位替代的速度很慢，落地还需要大量人工。大厂想靠涨价赚钱，开源模型却在持续压价。本地部署继续普及，又会减少用户对云服务的依赖。
一边是固定的利息和还款时间，另一边是迟迟没有兑现的收入。中间的缺口可能越撑越大。
这位工程师并不怀疑 AI 会在未来二三十年里改变世界，就像铁路和互联网一样。但铁路和互联网最早的一批开路公司，很多都没能熬过第一轮泡沫破裂。
一项技术最终改变世界，也不代表今天站在台上的公司都能活到最后。现在的模型还没有可靠到足以扛起这座债山。
按他的推演，如果一些公司撑不下去，可能会推动一批高估值 IPO，让早期投资人和 VC 先退出。等散户进场时，风险很可能已经转到了他们手里。
所以掏钱之前，先问自己一句：
你买下的究竟是未来的技术，还是别人今天还不上的债？
别做最后接盘的那个人。