上周的GTC 2026大会结束后，黄仁勋在播客节目上抛出了一个判断工程师价值的新方法。英伟达这位CEO对《All-In Podcast》的主持人表示，一名年薪50万美元的工程师，如果每年消耗的AI代币成本不到薪资的一半，“我会深感警觉”。
这不是随口一提的比喻。黄仁勋同步确认了一个数据：英伟达正在为工程团队准备一份年度代币账单，金额要冲到20亿美元。他说这话时的语气，更像是财务总监在审预算表，而非技术布道者在推销未来。
但值得留意的不是英伟达一家公司的账本。黄仁勋描述的那笔账，多数企业早就默默算过了，只是没有这么大张旗鼓地公示——原来付给人力的钱，正在逐步变成付给代币的钱。
四家最大的超大规模云服务商给出的2026年资本支出指引合计约7000亿美元，接近去年的两倍。同一时间，再就业服务公司Challenger, Gray & Christmas 的数据显示，AI已经连续第四个月成为美国企业裁员理由中被提及最多的那个词，这个纪录还在延续。
路透社拿到的一份Meta内部备忘录，措辞更加直白。5月那轮涉及8000个岗位的裁员，被描述为用来“抵消公司在当季营收增长33%的情况下做出的大量投资”。这种规模的裁员不是为了求生，就是在做融资置换。
麻烦的地方在于，这笔钱花了，却没买回承诺中的回报。Gartner调查了350名营收超过10亿美元的公司高管，这些公司都在规模化部署AI智能体或自动化工具。结果有约80%的企业确实裁了员，但裁员行为与收益改善之间，显示不出任何关联。
负责这项研究的分析师Helen Poitevin给出了一个没有留什么情面的评价：“减少人力也许能腾出预算空间，但创造不了回报。”这话没有出现在任何一份财报的风险提示里，但它可能比这些公司自己写的前瞻陈述更接近事实。
Uber从代币那一侧领教了这个教训，代价不低。去年12月，公司给5000名工程师配上了AI编程工具。到了今年4月，2026年全年的AI预算已经花光了。首席运营官Andrew Macdonald承认，目前提交的代码里约有70%是AI生成的，但这件事和用户能感知到的任何变化之间，还缺少一道连接。“那道连接还没打通。”
把Gartner的结论和Uber的账单放在一起看，真正的问题就清楚了。多数公司在算账时，把代币开支当成了固定成本，把人力规模当成了弹性变量。但这个假设本身就是反的。
人力裁减发生一次，带走的是一批人手里攒了多年的业务理解和隐性判断。反过来，代币预算这东西，如果真有人愿意去仔细拆解结构，可以弯折的地方至少有五六处。
最省钱的那一招，往往也最不起眼：别让系统反复处理同一段文字，反复付钱。提示缓存目前在主流API提供商那里已经是标配。按照Anthropic和OpenAI公布的定价，重复输入的静态内容——比如系统指令、参考文档——缓存后处理成本能下降最多90%。这些内容只需完整处理一次，后续读取消耗的算力低得多。
安全公司ProjectDiscovery公布过一组数据，把这件事的账算得很细。他们的工程师重新设计了提示结构，把缓存命中率从7%拉到了84%。结果是用缓存服务了98亿个代币，整体大语言模型开支下降了59%到70%。
这一个动作节省的预算，超过了多数公司挂上“AI相关调整”名头所做的任何一轮裁员。不需要人力资源部介入，不需要遣散费，只需要重新看看自己传进模型里的文本，到底是怎么堆叠的。
下一道可调的阀门，是把任务匹配到合适规模的模型上去。各家供应商的自有价目表摆在那里：旗舰模型的价格，往往是小参数模型的5倍。但很多任务并不需要旗舰模型出面解决。这是一个在账单上明显可动手的位置，只是动手前需要有人把任务类型和模型能力指配清楚。
热门跟贴