今年第一季度，近8万人被裁，公司把锅甩给AI。但吊诡的是，造AI的人先喊贵了——英伟达应用深度学习副总裁布莱恩·卡坦扎罗说，他团队的算力成本"远超员工薪资"。
这不是反讽。当50%美国员工已在用AI工具，当Uber CTO几周烧光全年AI预算，一个被忽略的问题浮出水面：AI省下的钱，可能正在以另一种方式流走。
「人比token便宜」
卡坦扎罗的原话很直接：「算力成本远超员工成本。」他的团队负责为英伟达开发基础模型，属于AI产业链的最上游。如果连造铲子的人都觉得铲子太贵，挖矿的人怎么办？
黄仁勋的算法更激进。他三月的名言是：年薪50万美元的工程师，每年至少该花25万美元买AI token，否则他会「感到担忧」。按这个标准，AI支出应占高端人力成本的50%。
但卡坦扎罗的数据指向另一个现实：在某些场景下，这个比例可能已经倒挂。算力账单超过了工资单。
Deep Learning团队的招聘启事提供了一个参照。虽然原文未披露具体数字，但高端AI工程师的薪资区间与算力需求的公开数据，足以让财务部门重新做表。
预算黑洞：Uber的预警
几周前，Uber CTO透露，公司全年AI预算在几周内耗尽。这不是规划失误，而是成本曲线的陡峭程度超出了预期。
token成本的累积效应被低估了。单次调用看似便宜，但高频、大规模、多模型的企业级使用，会让账单呈指数级膨胀。当「每个员工都用AI」成为常态，边际成本不再递减。
更麻烦的是回报的不确定性。原文提到一个关键判断：如果最有用的AI模型变得太贵，而生产力回报跟不上， workplace adoption会「急剧下降」。这不是预测，是正在发生的预算重估。
效率幻觉与倦怠悖论
AI部署的经济合理性建立在两个假设上：任务效率提升、自动化降本。但这两个假设都在松动。
效率提升方面，有研究显示AI确实提高了产出，但伴随一个副作用：员工倦怠反而增加。省下的时间没有变成闲暇，而是填入了更多任务。生产力数字好看，人力成本没有真正消失，只是转化了形态。
自动化降本方面，卡坦扎罗的观察戳破了泡沫——当算力成本超过人力成本，「替代」叙事需要重写。你不是在用机器换人，是在用更贵的机器辅助人。
黄仁勋的50%论和卡坦扎罗的「远超」论，表面矛盾，实则指向同一结论：AI成本的合理区间，可能正在从「人力成本的零头」向「与人力成本可比」迁移。这对企业的ROI模型是颠覆性的。
被裁的8万人与留下的账单
第一季度的8万裁员，被归因于AI崛起。但这个因果链条需要审视：如果AI真的在替代人力，为什么用AI的人还在抱怨成本？
可能的解释是，裁员发生在AI应用的早期阶段——企业先砍掉可被自动化的岗位，再发现自动化本身的成本失控。第一阶段省下的工资，在第二阶段以算力账单的形式回流。
这不是说AI没有价值。卡坦扎罗的团队仍在开发基础模型，Uber仍在追加投入。但成本结构的透明化，正在改变决策逻辑。
原文提到一个临界点：当token成本开始堆积，使用会「急剧下降」。这个机制类似于油价对出行的影响——不是不用车了，是重新计算路线和频率。
高效员工：被忽视的变量
标题里的「Talent over tokens」是个双关。它既指人才比token重要，也暗示一种解题思路：当算力成本刚性上涨，提升人的效率可能是更可控的杠杆。
这个逻辑与黄仁勋的50%论形成有趣的对照。黄认为应该加大AI投入以释放人；卡坦扎罗的数据暗示，在某些场景下，人的性价比反而更高。两者不矛盾，只是适用边界不同。
对于预算紧张的企业，选择空间正在收窄：要么接受算力成本占比上升，要么重新投资于「高效员工」——那些能用更少token完成同等任务的人，或者根本不用AI也能保持产出的人。
后者的价值被低估了。当所有人都在讨论AI能做什么，很少有人追问：在AI成本超过人力的前提下，什么事其实不需要AI？
行业影响：从采购到组织
这个成本信号会传导到哪里？
首先是采购策略。企业会更精细地核算token消耗，区分「必须用AI」和「用AI只是方便」的场景。API调用的日志审计，可能成为新的财务合规重点。
其次是人才结构。如果高效员工真的比盲目堆算力更划算，「AI使用效率」会成为新的能力维度——不是会不会用，而是能不能省着用。
最后是模型选择。贵的大模型和便宜的小模型之间的权衡，会从技术讨论变成成本会计。蒸馏、量化、边缘部署等技术路线，会获得新的商业合理性。
卡坦扎罗的坦诚，意外地把一个行业潜规则摆上了台面：AI的成本曲线，并没有按照早期叙事那样持续下探。至少在现阶段，它正在与高端人力成本交汇，甚至超越。
这对2026年的8万被裁者是个苦涩的注脚。他们失去岗位的部分原因，是一个可能并不比他们便宜的替代方案。而企业现在面临的真正问题，不是AI太贵或人太贵，而是在两者之间找不到稳定的成本均衡点。
好消息是，如果算力成本继续刚性上涨，「高效员工」的估值会回升。坏消息是，那8万人已经走了。
热门跟贴