2026年2月6日，人类最后一次跑赢AI。
那天，人类在 OpenRouter 上用掉的 token ，第一次被智能体追平。
才半年时间，两条线已经拉开了5倍差距。
据 OpenRouter 统计，截至8月10日，Agent 类 token 用量从约0.51万亿涨到7.3万亿，翻了14倍；人类那条线也涨到了1.4万亿，但只有2.8倍。
如此大的落差，让 Peter 都有点恍惚：像是隔了10年，可2月6日，其实只是半年前。
不看你是谁，只看你怎么用
先说清楚，这组数据打哪儿来、怎么算的。
OpenRouter 是全球最大的模型网关之一，一头接着约70家模型供应商，一头接着开发者，一周要处理28万亿 token。
按它的联合创始人兼 COO Chris Clark 估算，这大约是全球推理量的1%，其中一半来自美国。
这1%的 token，又是怎么分出哪些是人、哪些是 Agent 的？
OpenRouter 不看你是谁，只看你怎么用。具体办法是按 API key 追踪行为：工具调用得勤不勤，两次响应之间隔几秒，一轮对话来回几次。类似的信号一共7项，加权打个分，再把流量分成 Agentic、Mixed、Human 三档。
为什么看行为就能分出来？
道理很简单。人类用 AI 是问一句歇一会儿，中间要读、要想、要打字；Agent 则是一刻不停，工具连着调，回合循环跑。这节奏一看就不是碳基生物。
所以它是一套估算模型，但方向不会错。
一个人类目标，如今可能触发几十轮模型调用和工具调用。token 统计的不是有多少人在用 AI，而是 AI 替人干了多深的活。
一个 Agent 任务，顶一百次聊天
真正拉开人和 Agent 差距的，是双方用法的不同。
人类的请求长什么样？打开对话框，敲一段提示词，等一段回答，复制走，关掉。从头到尾，你和模型总共说了不到十句话，账面上撑死几千个 token。
但智能体的请求，完全是另一副样子。你给它一个目标，它就自己往下走了：读文件、调工具、写结果、再读、再改，一圈一圈磨到任务收尾。
人类在起手那段提示词里塞满了目标、规范和上下文，之后模型就在这份上下文上不断增量读写。当你还在一问一答时，Agent 已经能靠一句话跑一整天。
所以，同一个人，上午还在对话框里手动复制粘贴，下午挂上一个智能体去跑，token 账面立马就会换一个数量级。
Peter 的话一针见血：真正解锁量级的行为变化，是人们开始让智能体长时间自主运行。
再便宜的 token，也能烧穿预算
看到14倍，你的第一反应可能是烧钱。
确实是烧钱，但不是你想的那种烧法。
Peter 补充了一条：因为智能体天然是多轮的，平均一次智能体请求里，近70%的 token 来自缓存提示，而缓存的计价通常低得多。
道理不难懂。Agent 做的是围绕同一个目标反复读写：第一次把那一大堆上下文——代码规范、操作手册、工具清单——灌进去，付一次全价；之后每一轮只做增量更新，命中缓存的部分只按正常输入价的一小部分收。
换句话说，那条陡峭的曲线里，有近七成是被反复复用的同一段上下文。
Agent 与人类的 token 构成对比，缓存 token 几乎贡献了全部增量。a16z 按总量口径写作85%以上，Peter 原帖按单次请求平均为近70%。
这样单价确实降下来了，但架不住用量狂飙。
Uber CTO Praveen Neppalli Naga 今年早些时候透露，公司工程师只用四个月就烧完了全年的 Claude Code 预算。据媒体转述，他本人一场两小时的演示，就花掉了1200美元。
单价打三折，用量涨14倍，这道乘法的结果并不难算。
EY 算过一笔更直观的账：同样一次客服交互，2023年成本约0.04美元，到2026年涨到约1.20美元，30倍。
不是模型变贵了。以前是客户问一句、系统答一句，一条线走到底。现在客户还是问那一句，但背后已经是查工单、调库存、翻记录，想一轮改一轮，折腾十几个回合才吐出一句回复。相同的事，干法变了，价钱就变了。
高盛则估算，智能体 AI 可能把2030年的 token 消耗推高24倍。
任何一项成本半年涨14倍，人们都会开始细抠。Peter 说，这正是开放权重模型和低价 token 服务突然被人盯上的原因。
而且，缓存 token 虽然便宜，它可是要吃内存的。智能体一跑好几个钟头，从头到尾不必重来一遍，靠的就是内存把那一整摊上下文托着。高带宽内存最近为什么这么紧俏，这里也能找到一半答案。
分水岭不在你用哪个模型
那省钱的办法，是不是换个便宜点的模型？
真正的分水岭，不在你用哪个模型。
同一个模型，你拿它当搜索框用，一天几千 token；你把它接上自己的文件、工具和一条能连续跑下去的流程，一天几千万 token 也不稀奇。差距不在模型，而在你有没有把它放进真正的活里。
这个鸿沟有多大，OpenAI 给出的一组数据可以当参照：用得最深的10%的公司，每名活跃用户输出的 token，是典型公司的8.3倍。1月份这个差距还只有2.6倍。
半年时间，差距扩大到原来的三倍以上。
拉开差距的不是模型，是配套。同一批统计里，头部公司的活跃用户每周有21%在用插件，典型公司只有9%；技能的采用率是19%对3%。OpenAI 自己内部，这个数字是95%。
把你常做的那几件事打包成一套可复用的技能，智能体就不必每次都从头摸索一遍。少搜几次、少返工几次，省下的都是钱。
token花了，谁来验收
不过，账算得再精，也不等于这活干得放心。
智能体流量暴涨，并不等于 AI 全在自主行动。大量任务仍然是人发起的，中间常常还卡着人工审批。Peter 原帖评论区一位做服务业客户的开发者提到，他服务的那些老板，从来没想过撒手不管，采购、发送、签字，每一步都要绕回人。
但问题是，绕回来未必真的能找到人。另一位从业者说，他们的智能体删掉了广告账户里的18个视频，整整一天之后才被人发现。
这不是模型犯了多离谱的错，而是根本没人去看那一步。
token 花销可以在半年里翻14倍，验收的人手却翻不了这么多。这大概是这轮增长里最容易被忽略、也最昂贵的一笔账。
分析、调研、初稿、方案，重复的执行动作往后都会过剩。真正稀缺的，是验证、判断，以及决定什么才值得被做。
AI 已经成了 token 的主要消费方，可到今天为止，它还不能替你签字。
未来，真正的问题不再是你用不用 AI。而是 AI 替你干完的那些活，谁来验收，谁来拍板下一步。在云栈社区里，已经有不少开发者在讨论智能体落地的验收机制与团队协作边界，这类话题正在从技术圈蔓延到业务决策层。
参考资料：
发表于 1 小时前
|
查看: 6|
回复: 0
