把“AI提效”和“更耗算力”放在一起看，最硬的一组数据来自Anthropic：每1美元营收对应的算力与基建支出，已从2025年初的2.51美元降到2026年二季度的0.48美元，同期每1美元算力成本带来的收入从0.40美元升至2.08美元。算力投入开始回本，但真正拉开差距的并不是模型本身。

　　一、算力账本：从“卖越多亏越惨”到成本倒挂消失

　　支出轨迹：2025年一季度每1美元营收对应约2.51美元算力与基建支出，此后逐季降至1.77、1.48、1.44、0.72美元，2026年二季度压到0.48美元

　　回报翻转：每美元算力成本带来的收入从0.40美元增至0.69美元，2026年一季度跳至1.40美元，二季度达2.08美元

　　驱动因素：规模化调用带来的硬件复用、模型推理优化与更优惠的算力长协，让经营杠杆开始显现

　　二、提效瓶颈：卡住效率的是工作流而不是模型

　　写代码场景：让AI上来就实现，相当于新手工程师不搜GitHub直接开干；先要求它检索成熟开源项目、比较依赖与已知问题，才能少返工

　　提问方式：AI算力成本远低于高薪人力，先用AI打底拿基础信息，再带着自己的思考去请教高手，比直接消耗人情更高效

　　提示方法：少样本提示、思维链、思维树等不同风格，对复杂任务的准确率和产出质量影响明显

　　三、隐性成本：省下的时间容易被新选择填满

　　决策疲劳：换哪个模型、调哪个参数、要不要再跑一组，精力耗在这些细节上，真正值得思考的问题反而排到最后

　　返工代价：AI生成的文本带有白底纹、直箭头、隐形小黑点等痕迹，清理格式和降AI率本身又变成新工作量

　　能力门槛：“能写字”的门槛被取消，“写得清楚”反而更值钱，把事讲明白成了稀缺能力

本文由AI生成