近期，硅谷风险投资机构a16z发布研究报告《市场状况（二）》（State of Markets II），提出了一种值得关注的可能：模型服务价格下降，会让过去成本过高、不值得交给AI的任务进入应用范围。尽管单项任务消耗的算力减少了，但由于更多任务带来了更多需求，却可能推动算力总消耗继续增长。这与19世纪经济学家杰文斯研究煤炭时提出的“杰文斯悖论”十分相似。蒸汽机效率提高，降低了使用蒸汽动力的成本，也扩大了它的用途，煤炭总消耗并未随之下降。今天，AI也可能经历类似的变化。
不过，算力消耗增加，未必意味着企业支出增加；花在AI上的钱更多，也未必带来更好的经营结果。对中国企业来说，模型降价之后，需要重新判断哪些任务值得多做，哪些流程尚不具备条件，哪些项目应该停下来。判断的依据，要从每项任务的成本一直追到最后收到的钱。
第一笔账：单项任务的全成本
AI采购很容易从每百万Token多少钱谈起。这个数字方便比较报价，却难以反映经营效果。便宜模型可能需要多次重试，价格较高的模型也可能因一次完成率更高而更省钱。只有把质量要求放在同一水平上，比较完成一项合格任务的费用，报价才有意义。
智能客服适合用来检验这笔账。天猫今年3月披露，AI客服店小蜜已在20万商家中试点。对准备接入的商家，首先要定义“解决”：消费者收到回复，并不代表问题已经处理。同一订单反复咨询、最终转人工，乃至因错误承诺引发赔付，都应进入记录。
商家可以选取数量较多、规则明确的一类咨询，将相近工单分别交给原有流程和AI辅助流程，比较解决率、重复咨询率、处理时间及综合成本。算平均成本时，分母用实际解决的工单数；分子除了模型调用费，还要计入重试、人工接手和错误赔付，并合理分摊系统集成与维护费用。两组采用同一口径，才能看出便宜的报价有没有变成便宜的服务。
全成本核算还须区分决策阶段。立项时，要计算集成、培训、维护等完整投入，判断预期收益能否覆盖。上线后决定续用还是停用，应比较未来收益与继续使用所需、停用后可以避免的成本，并考虑退出和替代方案的费用。已经发生且无法收回的接入费，再心疼也不能成为继续投入的理由。至于新增预算，要问得更具体一些：多处理这一批任务，需要再花多少钱，又能多获得多少收益？
控制这笔成本，可以从任务分配入手。商品字段提取、工单分类等简单任务先测试规则或较小模型，复杂任务再比较更强模型。验收时用一组固定样本，既包含常见问题，也纳入过去出过错的情况。对于编码等需要连续执行多个步骤的智能体，还应设定预算上限和重试次数，连续失败就转交人工。每次调用再便宜，也经不起无休止地重来。
第二笔账：新增业务收益
任务做得更便宜，只回答了成本问题。企业还要追问，省下的时间有没有变成更多订单、更大的处理能力，或更好的服务。
腾讯2026年第二季度营销服务收入同比增长22%，公司将AI广告推荐模型的改进，以及自动化广告投放工具的功能增强等列为增长因素。这些工具帮助商家自动选择投放受众、调整竞价和优化素材，但是平台收入增长无法替每一家商户证明投放回报。商家用AI生成更多素材后，需要检验这些素材是否带来了原本不会发生的成交。
具体可以在相近商品、人群和预算下比较AI方案与原有方案，尽量控制促销、季节和渠道差异。先按折扣、退货调整实际销售收入，扣除商品成本计算新增毛利，再扣除新增广告费、履约费用和AI支出，观察新增经营收益。点击率与素材数量可以解释过程，最终仍须回答利润有没有改善。
有些服务改善暂时不增加销售，依然值得花钱。客服等待时间缩短，夜间也有人接待，消费者会方便一些。企业可以为这些结果设定愿意承担的费用，无须把每一项改善都解释成收入增长。
制造业的省时同样需要向后追踪。首钢今年6月披露，采用大模型与小模型结合的技术路线后，每日生产总结编制时间由40分钟压缩至3分钟。这个结果说明文书环节明显提速，却不足以推算全厂生产率。员工若用省下的时间处理更多异常，或者因此减少加班，收益便可以继续核算。若后续任务仍在等待，这37分钟暂时增加的是可用时间，不能直接记成现金节约。
所以，AI项目除了需要技术负责人，还得有人安排工作。省下的时间由谁使用，用来处理什么任务，需要业务部门一起决定。若工作安排照旧，报表上显示的提速就可能止步于这一道工序。
第三笔账：流程瓶颈与配套成本
AI能够加快某个环节，整个流程却可能仍然缓慢。这时，追加模型预算未必是最有效的选择。
以工厂维修为例，AI可以帮助检索维修记录、整理故障线索。若工程师查资料的时间缩短，设备却仍因缺少备件停机，继续提高检索速度的收益就会很有限。企业需要沿着诊断、审批、备件、维修、复产逐段检查等待时间，找出真正限制产出的环节，再决定下一笔钱投向哪里。
在AI开始处理任务之前，企业往往还得先做不少准备。设备编码是否统一，历史记录是否可检索，员工能否获得必要权限，模型建议能否进入现有工单系统，都会影响交付。这些环节若需大幅改造，即使模型调用接近免费，项目也可能不便宜。对数字化基础较弱的中小工厂，从一种设备、一类故障或一段流程做起，比一次覆盖全厂更容易发现问题。
电商也有遇到相似的约束。素材制作已经足够快，成交却可能受库存、配送或商品竞争力限制。此时应将新增订单可能引发的缺货、退货和客服负担一并纳入方案。否则，前端投放带来了订单，仓库却发不出货，前面提高的效率就可能伴随着后面的履约损失。
算力供应端也有类似问题。企业购买了芯片，还需要让模型、软件和设备协同工作。不同芯片之间的适配、数据传输和任务调度，都可能增加成本，影响实际运行效率。因此，决定添置设备前，应先用真实业务检查：任务处理缓慢，究竟是硬件不足，还是数据传输和软件适配拖了后腿？如果瓶颈在后者，继续购买芯片可能增加闲置，预算投向软件改造和调度优化，反而更容易改善服务。采购账上的设备价格，只是算力落地成本的一部分。
第四笔账：持续投入的现金回报
客户使用AI能否获得收益，也会影响云厂商和算力项目能否持续收回款项。今年第二季度，阿里巴巴AI云与计算服务收入同比增长45%；百度披露，同期千帆外部客户Token使用收入同比增长超过九倍；中国电信上半年智算收入同比增长95%。这些数据提供了需求扩大的信号，但业务口径不同，也不能据此直接推算所需机房规模。
对于云厂商而言，更有判断力的指标是客户在试用优惠结束后是否续费，扣除服务这些客户的成本后能否留下合理利润。把账单对应到具体任务，也有助于双方发现问题。某项任务调用次数突然增加，究竟是业务多了，还是模型反复失败？客户看清费用花在哪里，才更容易判断哪些用法值得长期保留。
算力建设投入更大、回收时间更长，更需要分清稳定付费需求与促销带来的试验流量。合同签了多久，客户是否按约使用，钱有没有到账，都应逐项核对。项目测算须覆盖设备购置、更新、电力、运维等现金支出，同时考虑硬件过时和价格继续下降的可能。收入增长和账面盈利，都不能代替现金回收；即使拿到了长期订单，也要检查客户的支付能力和退出条款。
对于规模尚不确定的新需求，分阶段扩建会放慢部分抢占市场的速度，却能保留调整余地。地方支持AI产业，也可以更多关注项目实际交付、付费客户留存和持续运营能力，减少对标称算力规模的依赖。
总之，杰文斯悖论能够解释需求为何可能越用越大，却不能替企业判断下一笔投入是否合算。模型再次降价时，一家商户可以先多试一类工单，一家工厂可以重新算一项改造的费用；准备扩建机房的企业，则还要看看客户下一期的款有没有到账。
（作者王翔为复旦大学数字与移动治理实验室研究员）
