卖Token的赚钱，买Token的赔钱：AI泡沫破不破，开发者能否让Token赚钱

最近 Brad Gerstner 参加了一场访谈，他谈到了“AI 没有泡沫”。Brad Gerstner 是 Altimeter Capital 创始人兼 CEO，长期投资科技公司。2026 年 9 月 17 日，他在 All-In Summit 讨论了 AI 收入、资本开支和企业利润率。

他把钱从芯片一路追到云厂商、模型公司和企业客户，最后发现：英伟达和算力基础设施已经收到现金，应用层还欠市场一个答案——这么多 Token 消耗出去，最后换回了什么？是用户续费，是企业少招了一批人，是客服成本下降，还是只换来一段看上去很厉害、第二天没人再打开的演示？

这也是开发者真正碰到的 AI 泡沫。模型可以越来越强，调用价格可以继续下降，但一个产品若不能把 Token 换成收入或可核算的降本，使用量越大，账单只会越难看。下文保留他的核心判断，同时把这笔账落到 AI 应用和 Agent 开发上。

卖 Token 的人，已经先收到现金

Brad 先看了几张很简单的账。过去一年，英伟达收入大约翻了一倍，几家大型云厂商的资本开支也大约翻了一倍。OpenAI、Anthropic 和 SpaceX 的估值继续上升。与 2000 年前后的互联网泡沫相比，他认为眼前的上涨更多由盈利推动，并非单靠估值倍数越吹越高。

Brad Gerstner：“No bubble.”
Brad Gerstner：他的判断是，目前还不是 2000 年式的泡沫。

半导体公司贡献了纳斯达克约 70% 的回报。云厂商拿出巨额资本开支建设数据中心，这些钱几乎沿着采购单流进 GPU、网络、存储和电力基础设施，变成上游公司的收入和自由现金流。

Brad 称“卖 Token 的人正在赚钱”

开发者站在这条链条的另一端。我们调用模型、购买云资源、接入向量数据库、部署 Agent，支出的每一笔钱都会先成为别人的收入。

可应用自己的收入不会自动出现。一款 AI 编程工具每天跑 10 万次任务，上游看到的是 Token 用量增加；团队自己还要回答另一件事：这些任务有多少真正完成了，有多少需要人工返工，又有多少用户愿意持续付费？

1.5 万亿美元账单，最后谁买单

Brad 把问题推到了更大的一张账单上。云厂商建设数据中心，再把算力租给模型公司。模型公司训练和推理消耗 GPU，应用公司通过 API 继续购买 Token。链条可以很长，钱最终仍要从企业和消费者手里回来。

Brad Gerstner：“somebody has to pay”
Brad Gerstner：1.5 万亿美元的资本开支，总得有人买单。

Brad 追问巨额 AI 资本开支最终由谁支付

Brad 在演讲中估算，头部 AI 实验室合计年化收入约 1000 亿美元，并认为它们还需要迅速冲到 1800 亿美元，才有机会跟上正在扩大的资本开支。假设一家云厂商建了一座数据中心，模型公司租走算力，Agent 产品又买走模型调用。只要最后没人愿意为 Agent 的结果付钱，整条链就只能依靠下一轮融资继续往前推。

Brad 用 AI 实验室收入曲线对照资本开支需求，图中数据为其估算

Token 涨得快，收入却要追得更快

Brad 认为，当前最重要的数据之一，是头部 AI 实验室每月收入究竟接近 40 亿美元还是 80 亿美元。

Brad Gerstner：“$4B or$8B a month?”
Brad Gerstner：这两个数字之间的差距，决定 AI 需求是在稳步增长，还是已经进入起飞阶段。

Brad 将头部 AI 实验室月收入视为判断需求强度的重要信号

他还给出几组很抓眼的使用数据：今年 Token 使用量达到约 47 千万亿；Codex 用户在 8 个月里增长 40 倍；企业知识工作相关的 AI 支出中位数在 18 个月里增长 17 倍。

Brad 展示 Token 使用量的指数增长

免费用户每天多问 20 次，Token 会增长；Agent 失败后自动重试 5 轮，Token 也会增长；一家公司把内部文档全部重新索引，Token 仍会增长。只有其中一部分会变成收入。

更麻烦的是，推理成本会随着使用同步发生。传统 SaaS 增加一个用户，边际成本通常很低；AI 产品多完成一次长任务，背后可能要多跑几轮模型、搜索、代码执行和人工检查。

开发者要算清一轮 Agent 运行的账

做 AI 应用时，Token 单价很容易看到，真正决定项目能不能活下来的成本却藏在整条任务链里。

一个代码 Agent 接到“把支付服务升级到新 SDK”的任务，第一次修改消耗了 30 万 Token。测试失败后，它重新读取仓库、查文档、改代码，又跑了两轮。最后工程师花 40 分钟检查 Diff，发现迁移脚本漏掉了旧数据，再手动补了一次。

这项任务的成本，不是第一次模型调用的价格。它还包括失败重试、工具调用、缓存、沙箱、人工验收，以及改错以后可能引发的线上事故。把这些成本相加，再除以真正通过验收的任务数，才是“每次成功任务成本”。

一轮 Agent 运行从 Token 成本走向收入或降本

开发者至少要持续盯住四个数：一次成功任务的总成本、失败后平均重试次数、人工验收时间，以及用户愿意为这个结果付多少钱。如果产品卖给企业，还要多问一句：这项功能究竟替企业省下了哪一笔钱？是少了多少客服工时，缩短了多少交付周期，还是降低了多少故障率？

答案不能停在“员工效率提高了”。财务部门看不见的效率，很难长期覆盖不断发生的推理费用。

企业买 AI，要看到利润率

Brad 判断，AI 最终会反映在企业利润率上。

Brad Gerstner：“expand margins”
Brad Gerstner：企业愿意持续买 AI，前提是收入增长或成本下降能落进利润表。

Brad 谈 AI 如何帮助企业扩大利润率

他举了 Uber 和 Snowflake 的例子：业务仍在增长，员工数量却没有同步增加。他认为公司未必会突然裁掉所有人，更常见的变化是招聘速度降下来。

Brad 认为企业不会按过去的速度扩招

对开发团队来说，这会改变 AI 项目的验收方式。过去做内部平台，功能上线就算交付。现在接入 Agent，管理层会继续追问：同样的需求量，团队是否少加了人；同样的故障量，恢复时间是否缩短；同样的发布频率，回滚和事故有没有增加。一个 Agent 能写出 5000 行代码，并不能证明它创造了价值。它可能只是让评审队列更长。

还有三件事，会让账算得更难。Brad 把监管、电力和利率列为 AI 扩张的三项风险。其中最现实的是电力。他认为，美国现有计算基础设施不足 40GW，而行业对下一年新增 43GW 的预测过于激进。数据中心并非买到 GPU 就能开机，电网接入、审批、变压器、熟练工人和发电设备都可能拖慢建设。

Brad 梳理数据中心建设面临的电网、审批、设备与人力约束

利率也会直接改变这笔账。数据中心回收期很长，资金成本一旦上升，原本勉强成立的项目就会失去吸引力。这也是为什么开发者不能只盯模型价格。AI 产品的成本来自整条基础设施链，任何一环涨价、限额或延迟交付，最后都会反映到 API 价格、并发限制和服务稳定性上。

评论区：有人说没有泡沫，也有人已经准备回来打脸

Brad 的结论是“现在还不是 2000 年式泡沫”，评论区显然没有形成共识。

网友认为 Brad 一边否认泡沫，一边又列出了资本开支与收入之间的缺口

网友追问 AI 公司的利润和自由现金流，认为 AI 的边际成本与传统软件不同

网友认为每 Token 成本竞争可能在提升效率的同时压缩利润

评论区最短的一句质疑：“没有泡沫”往往就是泡沫信号

写在最后

Brad 在结尾提醒投资者保持判断弹性，跟着事实走，别梭哈。

Brad Gerstner：“follow the facts”“don't YOLO”
Brad Gerstner：别只跟着叙事走，收入、利润和现金流才会给出答案。

Brad 在结尾提醒市场回到事实

对开发者也一样。模型跑分、上下文长度和 Token 单价都重要，但它们只是原料参数。做成产品以后，团队仍要面对留存、推理成本、失败重试、人工验收和付费意愿。AI 泡沫会不会破，是市场的问题。自己的产品会不会先破，是开发者今天就能算清的账。

在云栈社区，不少开发者也在讨论怎么把“每次成功任务成本”算明白，而不是只盯着 Token 单价。

参考链接： https://www.youtube.com/watch?v=PJrntzMA4iQ&t=78s