Ed Zitron是个我很喜欢的作者，很有锐度，跟踪ai产业非常紧，有点严肃版阑夕的意思，经常骂AI产业，关键是骂的都很在点子上。

他刚写的这篇文章，我觉得非常值得一度，用AI炼化了一下，供大家参考

一、Copilot涨价，是补贴退潮的信号

文章从 GitHub Copilot 写起。

表面看，Copilot 的变化很容易被解释为产品升级。它不再只是一个编辑器里的代码助手，而变成了一个可以执行长时间、多步骤编程任务的“代理式平台”。用户要让它在整个代码仓库里理解、修改、测试、反复迭代。

这确实是一个不同的产品。

但作者认为，微软的说法回避了更关键的问题：Copilot 的经济账从一开始就不成立。

过去，用户每月只需要支付一个固定订阅费，就能使用大量模型能力。一个简单问答和一次持续数小时的自动编程任务，在用户账单里可能没有本质区别。但在后台，它们消耗的推理成本完全不同。

这就是生成式AI订阅制的根本错配：用户支付的是固定月费，企业承担的是不稳定、不可控、随使用强度大幅波动的算力成本。

《华尔街日报》曾披露，Copilot 个人用户每月支付10美元，但微软在一些用户身上平均每月亏损超过20美元，个别用户成本甚至达到80美元。也就是说，用户看到的是一个便宜的软件订阅，微软承担的是一张不断膨胀的GPU账单。

这正是文章的第一个核心假设：过去三年，AI产品的普及不仅是因为它们证明了技术，更是因为大型科技公司愿意补贴成本。

一旦微软这样的公司开始把 Copilot 推向按使用量计费，信号就非常强烈。微软是全球最有能力补贴AI算力的公司之一。如果连微软都认为继续补贴不可持续，其他AI公司更没有能力长期维持固定订阅制。

这是整个AI行业从“用户增长阶段”进入“成本暴露阶段”的开始。

二、AI订阅制的幻觉：用户买到是补贴

作者最尖锐的地方，是把生成式AI订阅制定义为一种成本遮蔽。

传统软件订阅之所以成立，是因为边际成本相对稳定。Google Workspace、网盘、办公软件、流媒体服务，都有一定固定成本，但重度用户通常不会把平台的利润率彻底吃掉。

AI不一样。

一个用户可能只是偶尔问几个问题。另一个用户可能上传大量文档，让模型分析、重写、检索、生成PPT。一个程序员可能要求模型通读整个代码库，调用工具，反复测试。两者支付同样的月费，但后台成本可能相差数十倍。

更麻烦的是，大语言模型的工作过程并不稳定。

它可能一次成功，也可能反复出错。它可能准确理解需求，也可能在幻觉里绕圈。用户在订阅制下不会感知每一次失败的成本，因为失败只是“再问一次”。但如果按token计费，每一次模型卡住、误解、胡编、重跑，都会变成真实支出。

这就是作者反复强调的地方：AI公司刻意用“消息数”“请求数”“5小时限制”“百分比进度条”来替代真实token成本。用户知道自己被限流了，却不知道自己到底烧了多少钱。媒体知道某个产品每月20美元，却不知道这个产品背后实际消耗了多少算力。

所以，AI产品看起来便宜，是因为真实价格没有显示在用户面前。

文章用了一个极端但有效的比喻：如果Uber每月20美元让用户坐100次车，每次不超过100英里，同时汽油每加仑150美元，且由Uber承担油费，那么用户当然会觉得这是一项伟大发明。但有一天Uber告诉用户，月费照收，汽油另算，用户就会觉得自己被背叛。

生成式AI正在发生的，正是这个过程。

用户第一次接近真实价格。

三、token成本没有自然下降，反而被“推理模型”重新抬高

AI行业过去有一个隐含假设：模型使用成本会随着技术进步快速下降。

这也是资本市场愿意给AI基础设施高估值的一个前提。今天烧钱没关系，明天模型更便宜、芯片更强、推理效率更高，单位成本会被技术进步压下去。只要用户规模足够大，未来利润自然会出现。

作者认为，这个假设至少到目前为止并没有兑现。

原因在于，模型不是静态产品。旧模型可能变便宜，但新模型更复杂。尤其是所谓“推理模型”，会在后台消耗更多token，进行更多中间步骤，调用更多工具。用户看到的是回答更聪明，企业承担的是推理成本更高。

这意味着，AI能力提升并不自动带来成本下降。相反，越强的模型可能越贵，越复杂的任务可能越烧钱。

从投资角度看，这一点很关键。

AI行业过去的叙事是：需求爆发，成本下降，规模效应出现，利润释放。

而这篇文章提出的反向假设是：需求爆发，使用复杂度上升，推理成本同步上升，利润迟迟不出现。

如果这个判断成立，那么AI行业的问题就不是“短期亏损换长期垄断”，而是“每一次产品变强，都可能让成本曲线更陡”，变得更加商业模式破产。

四、企业ROI会成为下一轮压力测试

个人用户对价格敏感，但真正危险的是企业用户。

过去一年，很多公司推动员工尽可能多地使用AI。工程师用Claude Code，销售用Perplexity，咨询公司用ChatGPT，产品团队用各种AI Agent。管理层希望用AI提高效率，资本市场也乐于相信AI能提升生产率。

但文章追问了一个更朴素的问题：到底省了多少钱？

如果一个企业在AI token上的支出已经接近人力成本的10%，甚至未来可能更高，那么它必须证明这笔钱带来了对应的收入增长或成本下降。否则，AI支出就会从“创新预算”变成“利润表压力”。

作者引用了 Claude Code 的成本变化。

Anthropic早期文档曾称，Claude Code 用户平均每天成本约6美元，90%用户每天低于12美元。后来文档改为：企业部署中，平均每名开发者每个活跃日成本约13美元，每月150至250美元，90%用户低于每天30美元。

按每月21个工作日计算，平均每天13美元，意味着每名开发者每月约273美元，一年3276美元；如果每天30美元，就是每月630美元，一年7560美元。

这只是单人。

如果是10人开发团队，每人每天30美元，仅按工作日计算，一年就是75600美元。如果部分月份升到每天50美元、100美元，成本会继续抬升。如果每天300美元，10人团队一年token支出可达756000美元。

这时，问题就变得非常现实：企业愿不愿意为“可能提高效率”支付这样的账单？

在补贴阶段，答案容易被掩盖。因为每人每月100美元或200美元，看起来只是一个软件订阅。但当真实token账单暴露出来，企业就必须开始算ROI。

而ROI是AI叙事里最不好算的一件事。

工程师是否真的写代码更快？快了多少？减少了多少人力？提高了多少收入？降低了多少错误？如果模型生成了错误代码，后续调试成本由谁承担？如果模型在复杂任务中反复失败，token费用和时间成本算谁的？

这些问题一旦进入CFO视野，AI的使用逻辑就会变化。

过去是“尽可能多用AI”。

未来可能变成“哪些任务值得用AI，哪些模型可以用便宜版本，哪些场景必须限制使用”。

这对AI行业是根本变化。因为一旦客户从狂热使用进入预算管理，需求曲线就不再是线性外推。

五、AI基建订单的终点，是OpenAI和Anthropic的支付能力

文章最有杀伤力的部分，是把AI数据中心的繁荣重新拉回现金流。

资本市场现在喜欢看AI基建订单。GPU、电力、液冷、光模块、变压器、数据中心，所有短缺环节都被视为确定性最强的资产。逻辑很顺：大模型需求爆发，云厂商资本开支上升，数据中心扩张，硬件订单兑现。

但作者认为，这条链条少问了一个问题：最终谁为这些算力付钱？

数据中心并不是抽象的基础设施。它是极端昂贵、重资产、高折旧、强融资依赖的生意。

文章引用TD Cowen的估算：AI数据中心每兆瓦关键IT设备成本约3000万美元，数据中心容量成本约1400万美元。换句话说，每100MW约对应44亿美元总成本，其中相当部分流向英伟达GPU。

一个100MW数据中心，实际可计费关键IT负载可能只有85MW。按每兆瓦年收入1250万美元计算，年收入约10.63亿美元。看起来不错，但成本开始吞噬利润。

电费约5540万美元，维护、人力和设备替换等运营成本按收入12%估算约1.28亿美元，托管费约1.33亿美元。再加上31.26亿美元IT设备按六年折旧，每年折旧约5.21亿美元。这样算下来，在100%出租、100%正常运营的完美状态下，年利润约1.686亿美元，毛利率约16.7%。

这已经不是一个特别好的生意。

如果数据中心延迟一个月投入运营，就会产生约1.02亿美元无法收回的成本，毛利率降至约6.6%。

如果建设和GPU采购使用债务，情况更糟。假设用80%贷款、6%利率，第一年只付息也要约1.68亿美元。第一年毛利率可能降至约5.19%。一旦开始还本金，每年偿债约6.49亿美元，毛利率可能转为负40%。

这套推演的关键是揭示一个事实：AI数据中心不是天然印钞机。它要求极高的利用率、稳定租户、准时付款、低融资成本、设备不过快过时。任何一个环节出问题，经济账都会迅速恶化。

而最大的问题在于，租户是谁。

大量AI算力需求最终指向 OpenAI 和 Anthropic。它们本身仍在亏损，且未来几年还需要持续融资。如果这些公司无法持续融资、无法实现收入高速增长、无法把用户转化为足够高的付费能力，那么它们就无法支撑已经签下的算力合同。

这就是AI基建订单最脆弱的地方：它看起来是硬件公司的确定收入，实质上依赖少数亏损AI公司的未来融资能力。

六、Oracle与Stargate：AI资本开支的极端样本

文章用Oracle的Stargate Abilene项目作为极端案例。

Stargate Abilene 是一个8栋楼、总规模1.2GW、关键IT负载约824MW的数据中心园区，目标客户是OpenAI。作者估算其总成本约528亿美元。Oracle预计该项目每年可产生约100亿美元收入。

如果项目完全按计划推进，OpenAI准时付款，容量快速投产，模型里可以得到约37%的毛利率。这个数字看起来比前面的100MW数据中心好得多。

但问题在于，所有前提都必须同时成立。

项目进度已经落后。原本市场预期更快投产，但截至文章所述时点，只有两栋楼真正运营并产生收入，第三栋楼设备尚未完全到位。Oracle称200MW已经运营，但这距离整个1.2GW园区还有很长距离。

更大的问题是，Oracle的未来现金流高度依赖OpenAI付款能力。

文章进一步推演：OpenAI要支付包括Oracle、Microsoft、Amazon、Google、CoreWeave等合作伙伴在内的算力合同，未来四年需要通过收入、融资和债务筹集约8520亿美元。这要求它的业务以极高速度增长，到2030年大致增长十倍，并最终走向现金流转正。

而OpenAI的收入预测本身极其激进。按照泄露预测，到2030年前，OpenAI累计收入可能达到6730亿美元，同时仍需要烧掉巨额资金。作者讽刺地指出，这意味着OpenAI未来几年要达到接近台积电、Meta、微软级别的收入规模。

这不是一般的增长假设。

这是一个宏大的资本闭环：Oracle借钱建设数据中心，OpenAI承诺购买算力，OpenAI再依靠未来收入和融资支付Oracle，投资者继续相信AI需求会爆发，于是给OpenAI和相关基础设施融资。

只要信念存在，链条可以继续。

一旦OpenAI增长低于预期，或者融资环境收紧，或者企业客户不愿承担真实token成本，这个闭环就会出现断点。

作者最担心的，正是这个断点。

七、AI算力供给的真正问题，谁来消化

文章还给出了一个更宏观的数字。

据称到2028年底将建设114GW数据中心容量，但真正处于建设状态的只有15.2GW。即便只看这15.2GW，假设PUE为1.35，对应关键IT负载约11.2GW。按每兆瓦年收入1400万美元计算，需要约1568亿美元年度GPU租赁收入，才能支撑这些数据中心的经济性。

如果看全部114GW，所需年度算力收入将达到1.18万亿美元。