AI的“时薪”，正在超越“打工人”的身价

文 | 大模型之家

10月24日，月之暗面推出Kimi K3.1 Pro。作为一款拥有3万亿级参数、支持100万Token上下文的旗舰模型，它在编程、长程智能体等任务上的能力引发关注。但新模型上线没多久，用户讨论的重点就从性能如何，转而吐槽月之暗面提供的K3.1 Pro额度过低。

面对用户反馈，10月26日凌晨，Kimi公开致歉，宣布为所有有效期内的订阅会员补偿相当于月度总额度25%的用量，同时调整配置，减少不必要的子Agent调用和输出长度。

这也把一个新的问题摆在了AI企业面前：模型不仅要努力证明自己有多聪明，还得开始研究怎么让它少干点活、省点Token。

过去几年，AI行业一直在讲能力进步。如今，随着模型开始承担更复杂、更长周期的任务，一个新问题也跟着来了：AI不光要比人聪明，还得让企业用得起。

尤其当一些顶级模型的API价格摆出来时，老板发现原本想让AI替员工干活，结果有些AI的使用成本，已经不能不和员工工资放在一起算账了。打工人上班拿工资，AI上班烧Token。以前老板怕员工摸鱼，现在老板还得盯着AI的账单。

01 AI的定价，开始超越打工人的身价

大模型之家注意到，当下一些国内外的顶级模型，其API价格确实远大于人类员工的“时薪”。

这里选择OpenAI的GPT-6 Astra、Anthropic的Claude Fable 5.1，以及月之暗面的Kimi K3.1 Pro进行比较。三者代表了不同厂商对高端模型的定价策略。

想要搞清楚AI现在有多贵，让咱们先算笔账。

以GPT-6 Astra为例，处理100万Token输入、生成100万Token输出，按标准价格计算，需要60美元。Claude Fable 5.1也是同样的价格。Kimi K3.1 Pro按人民币计价，完成同样规模的输入和输出，费用为81元；如果使用高速版，更是高达162元！

当然，100万Token并不等于100万字，更不意味着一次普通对话就会花掉这么多钱。但对需要处理长文档、编写代码、反复调用工具的Agent来说，输入、输出和中间推理消耗的Token都可能累积起来。

对于对话式任务，AI单次调用可能花不了多少钱，但随着企业规模化使用，让它进入业务流程每天处理几千份报告，效率是上去了，但成本也会相当得爆炸。

那么，这些模型究竟为什么这么贵？

首先，这些模型卖的不只是一个答案，而是处理复杂任务的能力。简单问答可以交给价格更低的模型，但如果任务涉及大型代码库、长文档分析、多轮推理、工具调用和连续执行，企业通常更关注模型能不能把事情做完，而不是能不能给出一句漂亮的回答。

其次，推理过程本身也会产生成本。一个模型回答得越复杂，并不意味着它一定更贵；但在需要长时间推理、反复调用工具的任务中，Token消耗可能明显增加。因此，模型越是被用于复杂工作，企业越不能只看每百万Token的标价，还要看完成任务究竟用了多少Token。

最后，模型厂商也需要为训练、推理基础设施和服务能力投入成本。顶级模型的定价，既反映了它试图提供的能力，也反映了厂商对高价值任务的商业判断。

面对高企的AI API定价，AI厂商觉得自己的能力值这个价，企业却未必觉得每一项工作都值得花这个价。毕竟，老板买的是生产力，不是模型排行榜上的名次。

凭“薪”而论，顶级AI的“时薪”确实已经贵到超越了不少“打工人”。国家统计局数据显示，2025年全国城镇私营单位就业人员年平均工资为7.16万元，折合每小时约34元；规模以上企业专业技术人员的年平均工资也不过15.55万元，折合每小时约75元。

以部分顶级模型的标准API价格计算，处理100万Token输入、生成100万Token输出，单次费用就可能达到数十美元，相当于普通员工数十小时的平均工资。

虽然模型费用不等于人类工时成本，但当AI开始承担长链条、高消耗的复杂任务，企业自然会追问一句：这笔钱花出去，到底能换回多少生产力？

说到底，企业虽然不怕为能力付费，但怕的是花了大价钱，最后发现这活其实没必要用这么贵的模型。

02 老板想让AI上班，AI却要先付账单

以前老板招一个员工，要支付对应的工资；现在老板养一个AI，也要付钱。区别只是前者的成本通常按月结算，后者可能随着任务复杂度不断变化。

以前老板担心员工上班摸鱼，现在老板却反而担心AI上班太“认真”。

员工开会开久了，老板还能让员工“说重点”，降低时间成本。而AI要是没控制好任务范围，却可能把检索、推理、调用工具、反复修改全走一遍。最后报告写得怎么样先不说，Token的开销可能直接就Double（翻倍）了。

有人甚至把它写成了网络段子，说是：AI过上了打工人梦想的生活，上级必须指令明确，工作出错了领导全权负责，钱到位再上班，少一分晚一秒都罢工。

AI走进千行百业，让企业第一次有机会把一部分知识工作拆成可调用、可计量的服务。以前，企业支付工资，买的是员工在一定时间内的劳动；现在，企业调用模型，买的是一段段具体的能力。

听起来很先进，但落到企业，却还是那个老生常谈的话题：花了多少钱，办了多少事？

尤其对中小企业来说，预算往往没有那么宽裕。一个高端模型偶尔用用，可能并不心疼；但如果把它接进客服、编程、营销、研究等业务流程，每天成百上千次调用，成本就不能再靠感觉判断了。

这时候，老板最想要的可能不是一个什么都会的AI，而是一个知道什么时候该认真、什么时候没必要过度思考的AI。简单任务别上满配，复杂任务也别为了省钱把事情办砸。否则，老板原本想找一个不需要休息的数字员工，最后却发现自己多养了一支不知疲倦、但每次开工都要计费的团队。

03 企业需要更多“大肥鱼”

最近，AI圈里最忙的，可能不是哪家大模型公司的CEO，而是一条蓝色大肥鱼（DeepSeek的拟人化形象）。

它顶着“鲸鱼娘”的形象，出现在表情包、同人漫画和桌面宠物里；有人给它做动画，有人把它养在电脑桌面上，甚至还有开发者把它做成可以互动的桌面宠物。到了B站，这条鱼的存在感更是越来越强，相关二创从AI圈一路游进了二次元社区。

更有意思的是，这条鱼不光长得可爱，人设也相当接地气：爱吃白饭，偶尔犯傻，干活干到一半还惦记着休息。它不像一个无所不能的超级智能，倒像一个能力不错、脾气有点怪、但养起来不算贵的员工。难怪不少AI爱好者愿意给它画图、写段子，甚至把它做成桌面上的宠物。

这条鱼为什么能火？表面看是网友玩梗玩出了感情；往深一层看，是大家终于给一个抽象的大模型找到了具体的性格。

DeepSeek并不总是最聪明、最稳定的那个模型，有时候甚至会显得笨笨的。但它足够便宜，在不少任务上又确实能干活。

于是，模型的局限被网友编成了段子，低成本的优势则被浓缩成了“好养活”三个字。大肥鱼看起来是在卖萌，实际上替用户表达了一种很现实的偏好：不必事事满分，但别太贵，关键时刻还得顶得上。

这也是“大肥鱼”这个形象容易让人记住的原因。如果说顶级模型解决的是“能不能把复杂工作做好”，那么DeepSeek吸引企业的地方，还包括另一个问题：能不能用更低的成本，把足够多的工作做好。

这种形象背后，其实是企业采购逻辑的一次变化。

过去，企业选择大模型，往往会先看能力排名。谁的模型更强，谁就更容易进入候选名单。但随着AI从试用走向生产环境，企业开始更加关心另一组问题：完成一项任务需要多少Token？每天运行几千次，一个月要花多少钱？如果把任务量扩大十倍，成本会不会也跟着失控？

DeepSeek的低价策略，恰好让这些问题变得更加具体。

以DeepSeek V4.1 Flash为例，公开价格显示，其非高峰时段每百万Token的输入价格为0.15美元，输出价格为0.60美元；高峰时段则分别为0.30美元和1.20美元。这与前面几款高端模型的标准价格相比，形成了明显的价差。

这并不意味着DeepSeek在所有任务上都能替代顶级模型，也不代表低价就必然带来更低的实际成本。不同模型完成同一任务时，Token消耗量、成功率和工具调用次数都可能不同。但它至少提供了一种新的选择：企业不必为了每一项工作，都支付顶级模型的价格。

据OpenRouter最新数据测算，上周（10月19日至25日）全球AI大模型总调用量为188万亿Token，环比增长14.63%。其中，上榜的AI大模型中，中国AI大模型周调用量达93.54万亿Token，同期美国AI大模型周调用量为22.47万亿Token，中国大模型周调用量连续二十六周超过美国，稳居全球首位。

其中，全球调用量排名前五均为中国AI大模型。其中，DeepSeek V4.1-Flash-1017位居第一，周调用量达33.6万亿Token，环比增长801%。

这也是“DeepSeek斩杀线”之所以成立的原因：价格相近的模型没有它性能强大；同等性能的其他模型，价格又远贵于它。

当有一个价格更低、能力又足够接近的选项出现，企业就不得不考虑更换模型这件事。

之所以“大肥鱼”能够得到广泛青睐，并不是因为它性能拔尖，而是因为它足够便宜，能吃苦耐劳，还不必每次都动用最昂贵的能力。对企业而言，这种模型未必能赢得所有排行榜，却可能在真实业务中获得大量使用机会。

04 AI的工资单，最后还是要由生产力买单

模型越来越贵，不代表员工就更安全；模型越来越便宜，也不意味着员工明天就要走人。企业真正要算的，是AI能不能以可控的成本，把事情稳定做好。

毕竟当企业开始认真计算模型成本时，它迟早也会认真计算人力成本。

而对普通打工人来说，最值得关注的也不是哪款模型又涨价了，或者哪款模型突然降价了，而是自己每天做的工作，究竟有多少可以被拆解、标准化，再交给AI完成。

AI按Token计费，员工按月领工资，但最终都会被放进企业的经营账本里。老板要的不是最聪明的AI，而是能把钱花出效果的生产力。至于这份工作最后交给模型还是员工，答案不在排行榜上，而在成本与产出的比较里。