过去几年人们已经习惯了一条很好懂的 AI 叙事。模型越来越强调用价格越来越低企业把 AI 塞进更多产品最后带动更大的算力需求。今年夏天这条叙事出现了一处让人困惑的裂口。Anthropic 给 Claude Fable 5 定出的 API 价格是每百万输入 token 10 美元、输出 token 50 美元。它的输出价格正好是 Claude Opus 5 的两倍。OpenAI 走向了另一个方向。7 月 30 日GPT-5.6 Luna 降价 80%每百万输入 token 只收 0.20 美元输出 token 收 1.20 美元。一家公司把前沿能力卖得更贵另一家公司把高性价比模型压到接近基础设施的价格。与此同时科技巨头仍在说算力不够。Alphabet 二季度披露Google 自有模型 API 每分钟处理约 220 亿 token上一季度还是 160 亿。皮查伊随后说公司依然受到供应限制。英伟达同季数据中心收入达到 752 亿美元同比增加 92%。AI 的价格到底在涨还是在跌。算力需求还能沿着杰文斯悖论继续增长吗。杰文斯悖论换了一种活法十九世纪的英国经济学家威廉·斯坦利·杰文斯发现蒸汽机更省煤以后英国的煤炭消费没有减少。更高的效率扩大了煤的用途工厂、铁路和轮船都用得更多最后推高了总消耗。AI 行业过去常用这套逻辑解释算力需求。一次调用变便宜原来舍不得跑的任务开始跑原来每天跑一次的任务改成实时运行。单次消耗下降总调用量涨得更快GPU 反而更忙。这个解释仍然成立只是 AI 已经没有一个统一价格了。Tomasz Tunguz 在他最新的文章中抓住了模型市场正在发生的变化。厂商正在把模型分成高端、中端和低价层。高端模型负责最难、最贵、容错率最低的任务。中端模型承接大部分日常知识工作。低价模型处理分类、抽取、改写、检索和后台自动化。一次完整任务还可以在几个模型之间来回切换。这样一来高端模型涨价也未必压低总需求。被挤出的调用会流向更便宜的模型新出现的低价调用又会进入过去根本不会使用 AI 的流程。杰文斯悖论从同一款产品越降价越畅销变成整个模型组合不断寻找新工作。只看输出价格1000 万 token 用 Fable 5 需要 500 美元用降价后的 Luna 需要 12 美元。两者当然不能直接互换任务质量、输出长度和重试次数也不同。可这 40 多倍的价差足以让企业重新检查每一步究竟需要多少智能。企业以后买的是一组模型企业过去采购 AI常问哪一个模型最强。价格分层形成后更有用的问题变成哪一步值得用最强模型。一条客服自动化流程可以先用便宜模型识别来意再查内部知识随后让中端模型生成回复。碰到退款争议、合规风险或大客户投诉系统再把任务交给高端模型和人工人员。写代码也可以分开处理。高端模型先判断架构和风险低价模型完成明确的修改、测试与格式检查。模型路由因此会成为企业 AI 系统里很重要的一部分。它要根据任务难度、响应时间、数据位置、错误成本和当月预算选择模型。企业还得准备备用模型因为价格、限额和服务稳定性都可能变化。这会改变企业算 AI 账的方式。每百万 token 多少钱只能说明一小部分。一次任务能否完成需要调用几轮人工要检查多久答错一次会造成什么损失这些数加在一起才接近真实成本。OpenAI 自己也开始强调每个成功任务的成本因为便宜模型如果频繁返工最后可能更贵。高价模型若一次做对在某些工作里反而省钱。模型榜单里那 20% 的分差也不能简单当成 20% 的商业价值。普通摘要里这点差距可能没人察觉。合同审查、复杂迁移和科研分析里一处关键判断就可能值回全部价差。企业需要用自己的历史任务做测试不能拿公开榜单直接代替采购意见。企业里的个人会先感到工作节奏变了价格分层传到员工身上最明显的变化是 AI 生成会继续增加人的审核责任也会增加。低价模型让会议纪要、邮件初稿、资料整理、代码补全和报表说明变得很便宜。部门花同样的钱可以跑更多任务管理者自然会提高对产出速度的预期。以前一周交一份分析现在可能要同时比较几个方案。以前只检查自己写的一版现在要判断 AI 给出的十版里哪一版能用。AI 先压短了起草时间随后增加了选择、核对和追责的工作。对普通员工来说真正拉开差距的能力会慢慢从会不会写提示词转向能不能拆清任务、提供可靠材料、发现错误并且知道何时该换更强的模型。这也会让公司内部出现更细的使用权限。普通任务默认走低价模型复杂项目申请高端额度敏感资料只能进入符合要求的服务。员工看到的也许仍是同一个聊天框背后已经有预算、权限和风险规则在决定答案来自哪里。公司若只看调用量很容易把忙碌当成效率。更合理的考核应当回到完成了多少有效工作返工有没有减少客户是否更满意员工节省下来的时间去了哪里。否则AI 每天生成更多文字团队每天花更多时间读这些文字算力消耗上涨了工作却没有轻多少。普通人得到更多 AI也会看到更清楚的等级差普通用户通常不会按 token 付费。他们接触到的是免费额度、会员档位、等待时间和每天能用多少次。模型分层以后一次免费问答背后可能已经经过自动路由。日常改写交给便宜模型复杂研究和长任务需要更高档订阅速度更快的服务还会单独计价。低价模型继续进手机、搜索、办公软件和各种应用很多人甚至不会意识到自己正在调用模型。这一部分最符合杰文斯悖论。AI 越便宜越容易变成默认功能使用次数也越难被用户察觉。高端能力则会越来越像专业工具。偶尔写封邮件的人不会在意那几分智能差距靠 AI 写代码、做研究、审文件的人愿意为少一次返工付钱。未来的数字差距会从能不能接触 AI逐渐变成能用到什么能力、能用多少次以及有没有本事判断结果靠不靠谱。普通人需要形成一个很朴素的习惯。低风险、可核对的工作尽量用便宜工具涉及钱、健康、法律和重要决定时把来源核实和专业意见算进成本。最贵的模型也不能替用户承担后果。做 AI 的人每天都会多做几笔账对 AI 产品经理和工程师来说接上一个模型就交付的阶段正在过去。日常工作会越来越像管理一套不断变化的供应系统。团队要建立自己的测试题记录不同模型在真实任务上的正确率、速度和输出长度。工程师要配置路由、缓存、降级和重试还要防止便宜模型在失败后反复调用把省下的钱重新花掉。产品经理要判断哪些用户真的需要高端能力哪些功能可以在后台批量完成。运营和财务人员则要盯住单个成功任务的成本而非只看 token 单价。模型厂商也会被路由系统反向约束。如果一家厂商只有最强模型普通请求可能永远轮不到它。如果只有便宜模型高价值任务也很难进入。大厂会努力覆盖各个价位小公司则会寻找一个自己在质量、速度或价格上特别有优势的位置。这意味着 AI 从业者每天面对的核心问题会更具体。这个任务值多少钱答错的代价多大应该先用谁失败后换谁人工在哪一步接手。模型能力仍然重要模型之间怎样配合会直接决定产品能不能赚钱。杰文斯悖论还能持续多久它大概率还会持续一段时间。Google 的 token 用量增长和 OpenAI 对低价模型的大幅降价已经说明新的调用仍在大量出现。智能体又把一次用户请求扩展成多次模型调用、工具调用和自我检查单位任务消耗的算力可能继续增加。它也没有保证永远有效。企业找不到足够多能产生收益的任务调用量就会停下来。人工审核成为瓶颈模型生成再便宜也没有用。电力、芯片和数据中心建设推高成本低价服务也可能难以长期维持。更严格的数据与责任要求同样会让一批自动化流程回到人工手里。所以算力需求的下一段增长不会只靠模型降价。它要靠价格分层把不同任务送到合适的模型再让每个价位都能找到足够多的真实工作。对企业来说今后最重要的数字是每一元钱买到了多少经过验证的结果。对员工来说AI 越便宜判断和负责越值钱。对普通人来说免费 AI 会越来越多可靠答案仍然需要成本。对做 AI 的人来说模型选择已经从技术偏好变成一笔每天都要重算的生意。如果你需要在Agent中接入API自由切换全球200大模型并提供合规保障、财务开票、企业级网关、技术支持与定制服务助力更高效地管理应用AI能力。链接注册可领百万Tokens魔芋AI大模型网关I全球大模型一站式调用及服务平台魔芋AI大模型聚合平台大模型网关平台专注于提供高效能、低成本的多品类 AI 模型服务助力开发者和企业聚焦产品创新。https://www.moyu.info/register?affqBX9如果你需要团队/企业版workbuddy、qoder、trae、aws quick官方服务折扣欢迎联系。杰文斯悖论仍在继续。支撑它的已经不再是一条不断下跌的价格曲线而是一张越来越细的价目表。