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7.3万亿,14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,这样的信号一共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。
参考资料:
https://www.linkedin.com/posts/peterjameswalker_february-6th-2026-potentially-the-last-share-7493029881841344512-IK89/
https://the-decoder.com/ai-is-becoming-ais-biggest-customer-as-agentic-token-usage-jumps-14x-on-openrouter/
https://openai.com/signals/enterprise-data/
https://www.a16z.news/p/charts-of-the-week-winds-of-thematic
https://www.ey.com/en_us/insights/ai/agentic-ai-token-costs
本文来自微信公众号“新智元”,作者:ASI启示录;编辑:元宇
