OpenAI 11月18日那份内部报告里,有一组数字让我盯着看了很久。
以API标价折算,2026年10月,OpenAI研究员每天在智能体上的花费中位数是2,400美元,前10%的人烧到23,000美元——一天两万三。9月到10月,这两个数字分别涨了62%和105%。
更直观的指标是“智能体工作日”:每8小时的智能体使用算作一个工作日。每位研究员每天平均的智能体工作日,从年初的0.5个飙到了5.7个,增长了11倍。预训练和后训练团队更是到了8个——一个人工作8小时,他的AI分身在同一段时间里并发干完了64个小时的活。
然后是一条更安静的线索:在101名研究员的匿名调查里,中位数回答是“愿意裁掉团队40%的人,或者削减30%的核心算力”,只为换回前沿编码智能体再留三个月”。
AI能干的活越来越多了,但能干“最后那一下”的人,越来越不够用了。
46%的“零干预”不是均匀的:沟通类69%能自己干,写推理服务栈只有25%
OpenAI给了一个很克制的核心指标:2到4小时人类工作量的任务,智能体在无人干预下完成的比例,从3月的23%升到了10月的46%。4到8小时的任务从13%升到35%。
但46%这个平均数掩盖了真正的分化。按任务类型拆开:沟通类69%,分析类58%,构建类43%。按具体任务拆,监控训练运行能到79%,回答技术问题72%,但启动训练运行只有35%,搭建评估和强化学习环境29%,写推理和服务栈的代码只有25%。
“AI能自己干一半的活”和“你的活AI能不能自己干”是两个问题。如果你在搭评测环境、写推理服务栈,那25%的完成率意味着大部分工作仍然需要你亲手拆解和收尾。OpenAI自己在报告里也承认,这些“弱任务类型”可能成为整体提效的瓶颈。
这也是“人类成为瓶颈”这句话的真实含义:瓶颈的精确位置,在“定义正确”和“收尾验证”这一段,而不是“写代码”那一段。
同样一个任务,Claude Code烧掉的输入Token是Codex的2.1倍:工具选错,AI越勤快账单越贵
研究员每天几千到两万美元的花费,不是凭空烧出来的。我翻了一组同任务的对照数据,差距比想象中大。
同一个“做一个打砖块浏览器游戏”的编码任务,Claude Code平均消耗101,440个输入Token、8,204个输出Token,68秒完成,API成本$0.41;Codex平均消耗48,384个输入Token、3,338个输出Token,37秒完成——输入Token只有Claude Code的48%,输出Token只有41%。
差距的根源在“还没开始干活”的那一刻就已经产生:一个字的回复,Claude Code要先发35,771个输入Token,Codex只要14,678个,前者重了144%。这3.5万个Token是每次请求的固定开销,主要来自系统提示词和缓存前缀。
另一个独立测试的口径更极端:Claude Code + Sonnet 5.5(max)单任务成本$14.19,Codex + Sol(xhigh)$1.04,差了13倍以上,而Codex在xhigh档位达到了与Claude Code匹配的基准分数。
“AI干活越多,账单越大”是必然的。但“同样的活,用哪个工具干”能让账单差出数倍——而这部分钱,和你让AI多干了多少活没有关系,纯粹是工具选择的代价。
子智能体是“看不见的那一半账单”:有人一个月48.1%的Token花在后台,中位数首次请求47,117个Token
OpenAI研究员的2.3万美元是“看得见”的:他们用内部工具,知道自己花了多少。普通开发者的风险在于,你看到的账单只是一半。
subagent-budget 这个工具的作者做过一次真实统计:一个月455个会话、2,631次子智能体运行,子智能体消耗了全部Token的48.1%,中位数子智能体的第一次请求就有47,117个Token。Simon Willison的原话被引用在工具文档里:“hard budget caps, please, now.”
仪表盘不解决这个问题。如果一条上限不能拦住启动,它就只是一个建议。subagent-budget 的做法是把上限接进Claude Code的hook系统:子智能体启动之前就检查预算,超了就拒绝启动,退出码非零,原因写到stderr,Agent自己能看到为什么被拦
配置不复杂。先初始化,再给不同类型的子智能体分别设上限:
"subagent-budget init --default-tokens 1000000 --default-usd 50
subagent-budget set-budget --pattern "Explore*" --tokens 200000 --usd 10"
然后在~/.claude/settings.json的~/.claude/settings.json hook里挂上 subagent-budget hook --event pre ,每次Task工具调用之前都会过一遍累计用量检查。
另一个工具cc-probeline走的是“实时显示”路线:每一轮对话单独定价,子智能体的花费单独列出来,缓存重建的费用用美元显示,超出套餐额度直接标金额而不是百分比。它不拦,但让你在还能行动的时候看到
两种工具解决两个问题:subagent-budget解决“跑疯之前停住”,cc-probeline解决“跑疯的时候你知不知道”。两个都装上,你才真的拥有对自己账单的可见性和控制权。
“科研品味”开始转移:GPT-6.2 Astra的核心洞见,是在和Codex的对话里冒出来的
36氪和新智元的报道里有一段细节,比2.3万美元更值得读两遍。
开发较早版本的GPT-6 Astra时,OpenAI研究员还能骄傲地说:核心科研想法完全是人想出来的,模型只是一个高级码农。到了GPT-6.2 Astra,预训练团队的研究员承认,核心洞见是在与Codex的反复对话中诞生的。一位研究员说,Codex在共同推进一个想法时精准地识别出了关键洞见;另一位说,自己的想法一开始走进了死胡同,“只有在Codex建议做出改变后,整个想法才真正开始奏效”。
AI开始拥有“科研品味”——发现问题,而不仅仅是解决问题。当它能判断“什么样的架构更有前途”“什么样的数据更好”时,瓶颈就从“谁能写出来”转移到了“谁能判断什么值得写”。
这并不意味着人的判断不重要了。它意味着判断的入口变了:以前你判断的是“这段代码对不对”,现在你判断的是“这个方向值不值得让几十个智能体跑一晚上”。后者需要的不是更快的审查速度,是更准的问题定义。
你的判断力是在增值还是被闲置:三个信号,和一条可操作的底线
信号一:你批准一个Agent产出的时间,和你理解它的时间,差距在拉大。2.3万美元/天的研究员不是不审查,是他们审查的对象变了——从“每一行代码”变成“这个方向对不对”。如果你还在用“逐行看完”的方式审查AI产出,你会在某个时刻发现审查速度永远追不上生成速度。
信号二:你花在“定义什么算完成”上的时间,少于花在“检查有没有完成”上的时间。智能体零干预成功率46%意味着一半的任务它自己能跑完,另一半需要你在中途介入。介入的质量取决于你在任务开始之前有没有写清楚验收标准。没有验收标准的Agent任务,等于你放弃了在结果出现时说“不对”的依据。
信号三:你不再需要手动写代码,但你也说不清楚“为什么这个方案比那个好”。当“实施已廉价,品味才是最贵的能力”成为共识,你的价值不在“能写”,在“能判断”。如果你把判断也外包给AI,你和那个被裁掉的40%没有区别。
底线只有一条:保留一个不经过AI的判断环节。不需要每个任务都做,但在“这个模块以后可能要改”“这个决策要签字”的地方,关掉AI,用自己的话把“为什么这样做”说一遍。说不清楚的地方,就是你理解债务的利息已经到期的地方。
OpenAI那份报告里还有一个数字容易被忽略:截至9月,智能体使用的API等价价值,已经是研究员非股权薪酬的两倍,而内部部署只占研究算力的2%。AI的产出在放大,AI的消耗在放大,但“谁来判断这些产出值不值得”这件事,没有被放大。
研究员愿意裁掉40%的团队换智能体,因为智能体能写。但能写的东西越多,能判断“什么值得写”的人就越稀缺。你的判断力是最后一道防线,也是唯一还在增值的资产。别把它也交给那个每天烧2.3万美元的“超级打工人”。