ksxz
AI硅谷数据

硅谷大厂，员工人均月花 5 万养 AI

华卫（InfoQ）··原文链接
收录于 2026/6/20 21:27:52

文章正文

核心要点

  • Ramp AI Index 最新数据：AI 采用度前 1% 的美国公司，每月每位员工在 AI 工具上花费 7500 美元（约 50807 元人民币），Ramp 称之为 "AI-pilled"（AI 上头）公司。
  • 仅过去一个月，这一群体的人均 AI 支出就增长 14.1%。
  • 但这些公司目前在 AI 上花得仍少于人力：美国软件工程师月薪约 16000 美元，是 7500 美元的两倍多——尚未跨越"AI 成本超过人力成本"的门槛。
  • 关键问题：7500 美元是天花板，还是几年后的中位数？

详细数据（Ramp AI Index）

采用率分层

层级月人均 AI 支出
前 1%（AI-pilled）7500 美元
前 10%611 美元
中位数公司11.38 美元
前 1% vs 中位数差距680 倍

样本：超过 7 万家美国企业、数十亿美元的企业支出（基于 Ramp 企业信用卡与账单平台追踪）。

模型供应商市占

  • Anthropic：覆盖 41% 的美国付费 AI 企业用户，企业端采用率第一
  • OpenAI：基本持平
  • DeepSeek：2026 年 6 月趋势厂商榜中位居第一
  • 头部用户普遍走"混合策略"，在 Anthropic / OpenAI 前沿模型与 Fireworks AI、fal AI、DeepInfra 上的开源模型（含 DeepSeek）之间切换。

token 经济学反转

  • GPT-4 同等性能成本：2022 年底 20 美元 / 百万 token → 现今 0.40 美元，下降 98%。
  • 但企业 AI 总账单 上涨约 320%。
  • 企业平均 AI 预算：2024 年 120 万美元/年 → 2026 年 700 万美元/年。
  • 单次智能体交互成本：2023 年线性流程 0.04 美元 → 2026 年编排良好的智能体系统 1.20 美元，增加约 30 倍。
  • 过去 9 个月，每位开发者 token 消耗增长 18.6 倍（Jellyfish）。重度用户产出是轻度用户 2 倍，但 token 消耗是 10 倍。

Ramp 内部数据

  • 团队 AI 用量同比增长 6300%
  • 99.5% 的人在使用 AI 工具，84% 每周使用编程代理
  • 6 周内 800 多名"构建者"上线 1500 多个应用
  • 非工程师发起的代码 PR 已占 12%（自研编程代理 Ramp Inspect）

典型案例

  • Uber：今年 4 月就花光了 2026 年全年 AI 编程预算
  • 微软：内部部分工程师月 token 支出 500–2000 美元；为开发者开通 Claude Code 六个月后回收许可
  • 某公司因忘记设上限，单月跑出 5 亿美元 Claude 账单
  • Priceline：Cursor 续约价格上涨 4–5 倍，已开始对部分团队设 token 上限
  • Mercor（市值 100 亿美元）：内部智能体 token 开销已超过员工人力成本
  • 高盛预测：到 2030 年全球 token 使用量增长 24 倍

趋势 / 观察

  1. 从"试验"到"构建"：头部公司不再"评估能不能用"，而是把 AI 嵌入工作流、积累专有数据、训练团队使用尚未列预算的工具。
  2. 采购端反转：六个月前的对话是"它够不够好？"，现在变成"我们花太多钱了，能给点可视化和 token 控制手段吗？"（OpenAI 企业业务负责人 Alexander Embiricos）
  3. "可卡因成瘾"叙事：Priceline IT 财务高级总监把无限量订阅比作"先免费试用让你上瘾，再让你离不开"。
  4. 短期错配：瑞士人工智能研究院教授 Keith Lee 称当前是"短期错配"——理论上 AI 在很多任务上仍比人贵，但企业仍在大举投入，赌的是"规模化条件下既更便宜又更可预测"。

我的看法

  1. "人均 5 万元"的样本只是顶端的尾巴：这是 Ramp 7 万家企业里 AI 采用度前 1%（即约 700 家）公司的数据，且仅基于 Ramp 信用卡/账单平台追踪到的支出。中位数公司每月仅 11.38 美元——把头部数字当行业基线传播是典型的"幸存者+异常值"叠加偏差，标题党的味道很浓。

  2. Ramp 数据来源天然有偏：Ramp 是企业财务管理 SaaS，能看到的支出是"通过 Ramp 信用卡或账单平台付的钱"。大量企业用 Azure / AWS / GCP 直接结算 AI 算力、用企业合同直接走采购、或用免费工具——这部分都被低估或漏算。Ara Kharazian 自己也承认"可能低估"，但低估方向并不一定指向"前 1% 更高"，也可能让中位数被严重低估，从而夸大 680 倍这个戏剧性比值。

  3. 7500 美元是"花费"不是"价值"：5 亿美元 Claude 账单、忘记设上限、Cursor 涨价 4–5 倍——这些故事更像是"FinOps 失控 + 厂商定价权扩张"的副作用，而不是"AI 创造了等额价值"。Jellyfish 的数据已经直接说"大多数公司目前还无法衡量代码产出的商业价值"。把支出当采用强度的代理变量，本身就是一种循环论证。

  4. token 通缩 vs 总账单膨胀的悖论：单价跌 98%，账单涨 320%，这是经典的杰文斯悖论（Jevons paradox）。但文章没追问的是：这种"用量膨胀"里有多少是真业务需求，有多少是智能体的循环调用、上下文重复、调试浪费？目前业界对智能体的"有效 token / 总 token"比率几乎没有公开数据。

  5. 中国团队不可直接对标：5 万元月人均 AI 支出对应的是 16000 美元月薪的美国软件工程师——AI 成本是人力成本的 47%。在中国，工程师月薪中位数约 1.5–3 万元，要达到"AI 成本/人力成本"同样比例，月人均 AI 支出只需 7000–14000 元；要复制 7500 美元的绝对值则毫无经济意义。把"硅谷人均花 5 万养 AI"翻译成"我们也该花 5 万"是典型的购买力平价错觉。真正可比的指标应该是 AI 支出占工资包的比例，以及 AI 支出 / 营收。

返回首页