当AI开始谈节俭：真正稀缺的不是算力，而是价值密度
导语
巴黎的凡尔赛宫里，香槟、礼服和烟花照旧；但今年AI行业谈论最多的，却不是如何把模型做得更大，而是怎样让它更便宜。
7月8日至9日，超过8000名AI创业者、芯片厂商和投资人聚集在巴黎参加RAISE Summit。路透社对现场的描述很有意味：会场外是AI产业最华丽的资本叙事，会场内讨论的却是芯片效率、数据中心成本、推理耗电，以及如何避免把昂贵的token浪费在重复任务上。会议期间，巴黎热浪下的临时停电还一度切断麦克风和网络，让这场关于AI能耗的讨论获得了某种意外的象征性。
这可能是一个值得记录的变化：AI没有降温，但它开始谈节俭了。
过去两年，行业的核心问题是“模型还能不能更强”；接下来，企业真正面对的问题会变成“这么强的模型，究竟值不值得用在这里”。当技术从稀缺走向充裕，竞争的重点就会从能力上限，转向单位成本能够创造多少真实价值。
一、AI正在遭遇自己的“供强需弱”
几乎在同一时间，中国人民银行在第二季度货币政策委员会例会后指出，当前经济仍面临“供强需弱”的矛盾。世界银行7月7日发布的《中国经济简报》也认为，2026年初中国经济受到高技术投资和出口支撑，但内需仍偏弱，增长再平衡需要更长时间。
这组宏观判断，放到AI行业同样成立。
今天我们并不缺模型。模型能力快速提升，价格持续下降，开源选择越来越多，云厂商、软件公司和创业团队都在提供智能体、知识库、自动化工作流。企业内部也不缺试点：写材料、做纪要、查制度、生成代码、辅助客服、分析客户，几乎每个部门都能列出一批场景。
真正稀缺的是稳定需求：谁愿意持续为它付钱？谁能把试点变成日常流程？谁能证明它带来的不是演示效果，而是经营结果？
AI的供给扩张得很快，但组织吸收技术的速度没有那么快。很多企业已经拥有了足够多的工具，却没有足够清楚的任务定义；拥有了越来越长的功能清单，却没有形成收入、成本、风险和人才上的闭环。
这就是企业内部的“供强需弱”：技术能力供给很强，真正有预算、有责任人、有流程承接的业务需求仍然不足。
二、最贵的浪费，不是token，而是错误配置
企业谈AI成本，最容易看到的是模型调用费、算力费和软件订阅费。但这些往往不是最大的成本。
更大的浪费，是把高成本能力配置给低价值任务。
有人用最强模型改写一封普通邮件；有人让AI生成大量无人阅读的周报；有人为了证明部门“拥抱AI”，把原本三步能完成的流程改造成十几个智能体相互调用；还有人节省了半小时写作时间，却增加了一小时核对、修改和重新排版。
表面上看，AI提高了单个环节的速度；放到完整任务链条里，净效率可能并没有提高。
这和组织管理中的一个常见问题很像：资源从来不是越多越好，关键在于是否配置到真正的约束点上。一家公司缺少客户需求时，继续增加产能不会带来增长；一个流程的问题出在决策迟缓时，继续提高文档生成速度也不会改善结果。
所以，AI管理不能只看“用了多少”，而要看“用在了哪里”。真正成熟的组织，不会要求所有任务都调用最强模型，而是为不同任务匹配足够好的能力：
低风险、重复性高的任务，追求低成本和高稳定；
专业性强、需要判断的任务，追求信息质量和可核验；
涉及客户权益、资金和合规的任务，重点不是速度，而是授权、留痕和责任边界。
所谓AI降本，不是简单寻找更便宜的模型，而是避免让昂贵能力参与没有必要的工作。
三、管理者需要建立“任务经济学”
过去企业采购软件，通常按账号付费；AI进入组织后，成本越来越像水电：每一次调用、每一段上下文、每一个自动化流程都在消耗资源。更重要的是，AI还会消耗员工的注意力、验证时间和组织协调成本。
这要求管理者建立一种新的“任务经济学”。
第一，要核算完整任务，而不是局部动作。
不能只统计AI把初稿时间从两小时缩短到二十分钟，还要计算后续审核、修改、沟通和返工。真正有意义的指标不是“生成速度”，而是从任务发起到结果被采用的总周期，以及最终质量是否提高。
第二，要区分效率价值与增长价值。
有些AI应用可以减少重复劳动，有些可以提高专业质量，还有些能创造过去无法提供的新产品和新服务。三者的投入逻辑不同。若把所有场景都用“节省了多少工时”评价，就容易低估创新型应用，也容易高估那些只是制造更多内容的工具。
第三，要把使用成本和治理成本放在一起。
智能体越自主，越需要身份、权限、日志和人工控制。7月9日，国际电信联盟宣布成立新的焦点组，研究人类与自主AI智能体之间的身份和信任框架，原因正是AI开始代表人执行交易、调用系统和作出决定。企业采用智能体时，不能只计算模型价格，还要计算安全审查、权限管理、异常处置和责任追踪的成本。
第四，要允许“足够好”取代“能力崇拜”。
许多企业的任务并不需要最昂贵、最聪明的模型。真正专业的AI架构，不是把所有问题交给同一个大模型，而是根据任务难度、时效、敏感程度和错误代价进行路由。技术上叫模型路由，管理上其实就是资源配置。
四、对组织而言，真正的AI能力是“价值密度”
过去谈人才效能，常用人均收入、人均利润和人均管理规模。AI时代，组织还需要关注另一个指标：单位注意力、单位算力和单位流程成本，究竟产生了多少可被采用的价值。
这可以称为价值密度。
一份材料生成得很快，却没有帮助决策，价值密度很低；一个智能体调用十个系统，却仍然需要人工从头核对，价值密度也很低。反过来，一个并不复杂的模型，如果能稳定减少客户等待、缩短审批周期、发现风险线索，价值密度就很高。
这对HR也提出了新的问题。
未来评价员工是否善用AI，不能看他调用了多少工具、生成了多少内容，而要看他是否能够：
把模糊问题定义成清晰任务；
判断哪些环节可以交给机器；
发现AI输出中的错误和盲点；
把个人方法沉淀成团队流程；
最终让节省出来的时间流向客户、创新和更高质量的判断。
AI素养的核心不是提示词技巧，而是资源配置和结果负责。真正被AI放大的员工，不是产出内容最多的人，而是能够用更少资源解决更重要问题的人。
五、今日观察：AI竞争从“智能密度”转向“价值密度”
巴黎峰会上的节俭讨论说明，AI产业正在进入新的阶段。
第一阶段，竞争的是获得能力。谁能最早接入模型、拥有算力和数据，谁就有先发优势。
第二阶段，竞争的是嵌入流程。谁能把AI放进实际工作，而不是停留在聊天窗口，谁就能获得效率红利。
第三阶段，竞争的是形成经济闭环。谁能用可控成本持续创造收入、效率和更好的决策，谁才真正拥有AI能力。
现在，越来越多企业正从第二阶段走向第三阶段。这个阶段不再奖励最热闹的试点，而会淘汰没有明确价值、无法长期承担成本的应用。
这并不是AI热潮结束，而是AI开始进入经营常识。
当一种技术足够重要，它最终都会离开展示厅，进入预算表、流程图、岗位说明书和责任清单。管理者也必须从“鼓励大家多用AI”，转向几个更具体的问题：
这项任务值得花多少智能成本？
它替代了什么，又增加了什么？
节省出来的时间流向了哪里？
错误发生时，谁有能力发现，谁承担责任？
真正稀缺的从来不是算力本身，而是把资源集中到高价值问题上的判断力。
所以，今天的结论是：AI的下一轮竞争，不是谁拥有最强的模型，而是谁能建立最高的价值密度。
能够用较小模型解决明确问题，用较少调用完成完整任务，用清晰边界控制风险，并把效率转化为客户价值和经营结果的组织，才会真正穿越AI投入的高成本阶段。
AI开始谈节俭，并不意味着想象力变小了。恰恰相反，它意味着这项技术终于要接受商业世界最严格、也最公平的检验：投入之后，究竟留下了什么。
参考来源：
- Reuters Breakingviews，2026年7月10日，《AI cost-savers preach thrift — in
Parisian palaces》 - 世界银行，2026年7月7日，《Rebalancing Growth: China Economic Update》
- 路透社，2026年7月8日，中国人民银行二季度货币政策委员会例会相关报道
- 国际电信联盟（ITU），2026年7月9日，关于成立“人类与智能体AI信任和身份”焦点组的新闻稿