2026年4月，在一场关于AI与未来工作的讨论中，Nvidia应用深度学习副总裁Bryan Catanzaro说了一句话，让整个对话停顿了一下：

“对我的团队来说，算力成本远远超出了员工成本。”

这句话出现在Fortune的一篇报道里，夹在Meta裁员8000人和Microsoft提出自愿买断方案的新闻之间。没有太多人专门提到它，媒体的注意力都集中在那些更戏剧化的标题上：又一家巨头宣布裁员，又一轮AI资本支出创下历史新高。

但Catanzaro说的这句话，实际上是对整个2026年科技产业主流叙事框架的一次悄悄戳破。

过去18个月里，关于AI与劳动力的主流叙事是这样的：AI工具越来越便宜，越来越强大，企业用AI替代人工是不可避免的趋势，大规模结构性失业正在到来，没有准备的工人将被时代抛弃。这个叙事简洁有力，每隔几周就被一条新闻再次强化——一家公司裁员并在备忘录里提到AI，另一家公司发布了一个声称能替代特定职位的AI工具。

但Catanzaro的话指向了一个更复杂、更不舒适的现实：在2026年，对绝大多数企业和绝大多数工作场景来说，AI实际上比雇人更贵。

一份被埋没的研究，2年后被证实

2024年，MIT计算机科学与人工智能实验室（CSAIL）发布了一份题为《重新思考AI的影响：MIT CSAIL研究揭示工作自动化的经济限制》的报告。

这份研究的方法论非常扎实。研究团队分析了执行特定工作所需的AI模型技术要求，包括模型推理成本、所需硬件配置、部署和维护费用，然后与雇用人类完成同等工作的成本进行系统性的直接对比。这不是问卷调查，不是专家访谈，而是在真实成本数字上做的计算。

研究结论让很多人意外：在视觉相关工作中——这是当时AI能力最强的应用领域之一——AI自动化只在23%的岗位上具有经济可行性。 也就是说，在其余77%的情况下，让人类继续完成这份工作，在纯经济意义上更合理。

注意这个时间点：2024年，不是2018年。这是在GPT-4发布之后、在Midjourney和Stable Diffusion已经普及、在AI工具已经进入主流企业工具链之后做出的评估。AI已经相当成熟了，但还是只有23%。

这份报告出来后，没有引发多少讨论。它的结论太反叙事了——一个人人都在谈论”AI将自动化绝大多数工作”的时代，不太喜欢听到”77%的情况下人类更便宜”这样的数据。

两年后，Bryan Catanzaro出来证实了这份研究没有出错。

7400亿美元与9.2万裁员，无法闭合的等式

理解2026年科技行业的真实状态，你需要同时盯着两组数字，然后问自己：这两件事能同时为真吗？

第一组数字：Big Tech今年已宣布7400亿美元资本支出。

这是Morgan Stanley的统计数据，同比增长69%。这笔钱的绝大部分目标是AI基础设施：数据中心建设、GPU集群采购、能源系统扩容、液冷和光纤网络。Microsoft、Google、Amazon、Meta，每一家都在以前所未有的规模砸钱。这四家公司合计宣布的AI基础设施支出，在过去12个月内已经超过了2000亿美元。

第二组数字：2026年迄今，科技行业已裁员超9.2万人。

这是Layoffs.fyi的实时追踪数据。Meta宣布裁员8000人，同时取消6000个计划中的招聘岗位，CEO扎克伯格在内部备忘录中写到要”更高效地运营公司”。Microsoft向员工提出了公司历史上规模最大的自愿买断方案。IBM、SAP、Snap、Salesforce也都在做类似的事情。

如果你接受那个主流叙事——”企业用AI替代人力，这是降本增效的必然选择”——那么这两组数字应该形成一个漂亮的闭环：裁员省下人力成本，省下来的钱投入AI，AI继续提升效率，形成良性循环，未来的账单越来越小。

但现实中，这个等式根本没有闭合。

Uber首席技术官Praveen Neppalli Naga在接受The Information采访时坦言，Uber引入包括Anthropic Claude Code在内的AI编程工具之后，预算已经”被吹跑了”——”我原来估计的预算早就被超出了，我得重新从头开始规划。” 这是一个技术高管在对行业媒体说，AI工具让他们的成本预算失控了，而不是降低了。

这不是Uber的特殊情况。从云端AI API的费用，到支持大规模推理的GPU租赁，再到有能力理解AI工具能力边界的专业工程师薪资，企业的AI账单正在成为一个令CFO头疼的新变量。

那7400亿美元的资本支出，相当大一部分不是”节省下来的人力成本再投资”，而是一种独立的前向押注：押注AI的价值将在未来三到五年内兑现，押注先行者能建立足够高的护城河，押注算力成本会继续快速下降，押注竞争对手的动作会比自己更慢。

77%和23%的分界线究竟在哪里

那么，在那23%”AI自动化具有经济可行性”的场景里，到底是什么样的工作？MIT研究的框架提供了一个相对清晰的画像。

经济可行的AI自动化，通常同时具备以下几个特征：

特征一：高度标准化，任务边界极为清晰。 每次处理的输入输出逻辑基本相同，不依赖模糊的判断标准。比如标准化的文件分类，固定格式的数据从文档中提取，特定模式的制造业质量检测。人类之所以贵，部分原因是人类的时间成本不随重复次数降低；AI模型的边际推理成本则接近于零（排除基础设施成本的前提下）。

特征二：规模效应非常显著。 同样的任务需要每天执行数千次甚至数百万次。在这个量级下，即使单次AI推理的成本高于雇佣一名人工的理论时间成本，总成本仍然可能更低——因为人类无法无限扩展，而AI在物理意义上可以横向扩展。

特征三：对精确度的要求可以通过系统设计来控制。 任务有清晰可验证的输出标准，允许建立人工抽检或后置验证机制，错误的后果相对可控，不会引发严重的连锁反应。医疗影像的初步筛查（辅助，不是最终诊断），合同文本的初步分类（路由，不是条款解读），都是这类场景。

特征四：不需要深度的组织内部上下文。 任务可以在相对封闭的信息空间内完成，不需要调用大量只存在于组织内部的隐性知识，不需要对复杂的利益相关方关系做判断，不需要理解公司的历史沿革和政治生态。

这四个特征组合起来，描述的是一类相当具体的工作：大规模、高度重复、可验证输出、低组织上下文依赖的任务。 医疗影像的初步筛查不是最终诊断，客服工单的分类路由不是复杂问题的处理，代码的样板生成不是架构决策，大批量文件的摘要不是战略性内容的创作。

反过来，在哪里AI替代人工几乎必然遇到强阻力？

需要深度专业判断的工作： 律师的合同谈判与条款解读，不只是文字理解，还涉及对客户商业目标、行业惯例、法律细节的综合判断。AI工具可以帮助快速检索，可以提示相关条款，但替代判断本身是另一回事。外科医生的复杂手术决策，财务审计师对企业异常的识别，同样如此。

需要建立和维护信任关系的工作： 医患关系、高价值销售关系、管理辅导，本质上是人与人之间的信任构建过程。AI可以辅助准备材料，辅助跟进，但信任关系本身是一个需要人类在场的事情。特别是在高风险、高价值的决策场景里，”这件事是AI告诉我的”往往不够用。

高度依赖内部上下文的工作： 企业内部的组织决策、技术方向选择、危机处理，需要调用大量只存在于组织内部的隐性知识——谁在支持这个方案，为什么这个决策在三年前曾经被否决，竞争对手上周刚做了什么。这些知识无法完全文档化，更无法完整地喂给一个模型。

创造性探索类工作： 真正的创新不是在已知选项中选择最优解，而是重新定义什么是值得追求的问题。AI非常善于在给定问题框架内优化，不善于颠覆框架本身。一个能写出精彩营销文案的AI，无法告诉你什么产品值得被营销。

裁员的另一面：没有出现的”替代数据”

这里有一个被主流叙事系统性忽视的数据来源：耶鲁大学Budget Lab在2026年发布的劳动力市场报告。

他们的结论是：目前没有广泛的数据支持AI正在大规模取代工作岗位的论断。

这个结论之所以重要，是因为耶鲁Budget Lab的研究方法是扎扎实实的宏观数据分析——失业率的走向，岗位空缺率的变化，工资增速的分布，特定行业就业人数的长期趋势——而不是基于个案研究或专家访谈和问卷。

Fortune在2026年2月的一篇报道也独立得出了类似的结论：没有充分证据证明AI工具提升了宏观意义上的生产率。 这不是一个小媒体的边缘观点，而是基于经济学家常用的劳动生产率统计数据做出的判断。

那么，那些正在发生的、以万计算的裁员，驱动力究竟是什么？

不能否认，部分裁员确实与AI工具的引入存在关联。一些企业确实在某些具体工作中用AI工具减少了对人力的需求——内容创作岗位、初级数据分析、基础代码维护的某些部分。这是真实的，不能否认。

但更重要的背景驱动因素包括：2022-2023年激进扩张期过度招聘的修正，宏观经济压力下投资者对利润率更严苛的要求，利率持续维持在较高水平导致”通过增长来稀释亏损”的策略不再可行，以及部分公司在错误的方向上进行了过度资本配置。

AI是一个极其方便的叙事工具，可以让裁员决策听起来不像是对上一轮管理失误的纠正，而像是”面向未来的战略主动重组”。备忘录里写着AI，不等于AI是裁员的主要原因。把这两件事混同，是2026年最流行的认知偏误之一。

Nvidia的两面性：卖铲子的人说挖金子没那么容易

回到Catanzaro那句话，有一个细节值得停下来想一想：说这句话的人是Nvidia的高管。

Nvidia是整个AI算力基础设施链条上最直接的受益者之一。2026年，Nvidia的股价和市值在经历数轮震荡之后，依然维持在全球最高估值公司的序列里。AI资本支出的每一美元，有相当比例直接或间接地流向了Nvidia的GPU产品线。

从利益角度来说，如果有谁应该不遗余力地强调AI的成本效益——强调AI投资的快速回报，强调AI替代人工的经济合理性，强调现在就加大投资的紧迫性——那个人应该是Nvidia，或者至少不应该是Nvidia的高管在Fortune的采访里说出”算力成本远超员工成本”这样的话。

但Catanzaro说了。他说的方式是陈述一个他每天都在经历的事实，不是警告，不是例外情况，不是学术保留意见，只是一个现实观察。

这提醒我们一件事：在AI行业里真正工作的人，往往比报道这个行业的媒体人更清楚AI的局限。他们每天在用，他们看真实的账单，他们知道什么场景下AI确实快得多更好，什么场景下AI是一个有趣的演示但实际上解决不了问题。

这种内部人的清醒，与外部叙事的狂热，之间存在一个越来越大的鸿沟。

算力成本的历史：降得很快，但还不够快

公平地说，算力成本确实在持续而显著地下降。这是一个有大量历史数据支撑的长期趋势，不应该被忽视。

从2020年到2025年，大模型推理成本下降了大约100倍以上。这不是夸张：一次GPT-4级别的推理，2023年初需要付出的API费用，到2025年底已经降低到原来的不到1/50，甚至1/100。这个下降速度是真实的，是非常显著的。如果未来五年延续这个趋势，那个MIT研究里的23%可能会扩大到40%、50%乃至更高。

但这里有一个关键问题需要同时回答：成本的下降，能跑赢使用量的增长吗？

这不是一个修辞性的问题。每一次算力成本显著下降，都会解锁新的使用场景，导致总用量的大幅增加。这在计算经济学中有个对应概念，被称为”Jevons paradox”（杰文斯悖论）：资源效率的提升，往往导致总消耗量的增加，而不是减少。煤炭蒸汽机变得更高效，人们就用更多煤炭。AI推理成本下降，人们就开发更多AI应用，总账单未必降低。

Uber的例子再次有说明力：Claude Code的调用成本可能比2023年低了很多，但Uber使用它的方式和频率也完全不同了——这是一个被全公司工程师高频调用的编程辅助工具，不是偶尔使用的实验功能。于是CTO发现，降价的AI + 扩大的使用量 = 比预期高得多的总账单。

对普通企业的具体建议

如果你不是Nvidia、Google或Microsoft，而是一个试图在AI浪潮中找到真实价值的中型企业，这些数字对你意味着什么？有几个具体的操作建议。

第一：在大规模推广之前，先量化真实的单次推理成本。 不是供应商演示文稿里的数字，而是在你自己的业务流程里，处理一个典型任务实际花了多少钱，与雇佣一名员工完成同等工作的时间成本相比。这个比较需要包括模型API费用、工程师部署和维护时间、以及出错时的后置处理成本。

第二：先找到你的”23%”。 不要问”我们能用AI做什么”——这个问题太宽了，AI能做的事情很多，能做并不等于经济上合算。先问：我们有哪些工作同时满足以下四个条件：高度标准化、大量重复、可验证输出、低内部上下文依赖？这些才是真正有经济可行性的起点。

第三：区分”替代”与”扩展”两种使用模式。 在很多场景里，AI最有价值的不是替代原本由人完成的工作，而是让企业能做以前因为太贵或太慢而没有做的事情——大规模内容个性化、细粒度客户行为分析、实时风险监控。这些”扩展类”应用往往比”替代类”有更清晰的增量ROI，因为你不需要扣除被替代的人力成本。

第四：警惕”效率感”与”效率”的混淆。 很多AI工具的引入，会带来个人层面的强烈效率感：感觉工作更快了，感觉做了更多事情。这种主观体验是真实的，有价值的。但如果不能转化为系统性的成本降低或产出提升——例如，员工用AI更快写完了报告，但报告的数量和质量并没有因此改变——这是真实的体验改善，不是可以量化的商业价值。

第五：把AI工具的成本放进标准财务模型，不要单独管理。 很多企业目前的问题是，AI工具的支出分散在各个部门的小预算里，没有被纳入统一的成本核算体系。这让过度使用和成本失控变得非常容易。Uber CTO的例子说明，即使是世界最顶级的科技公司，也会在AI工具成本管控上出现预算被”吹跑”的情况。建立清晰的AI支出追踪机制，是一个被低估的管理动作。

当”投资未来”变成”找理由不算ROI”

在整个2026年AI叙事里，有一个越来越普遍的模式值得警惕：企业用”未来价值”来跳过”当前ROI”的计算。

逻辑是这样的：AI的价值是战略性的，是面向未来的，是难以量化的。因此，我们不能用今天的成本效益来衡量它，我们需要看长远。

这个逻辑听起来合理，但它有一个严重的问题：它使得任何AI投资都变得不可证伪。任何时候你质疑一个具体的AI工具”这个钱花得值吗”，都可以用”你看不到长远”来堵回去。

2000年互联网泡沫破裂之前，同样的逻辑被大规模使用。”互联网公司不能用传统的PE估值来衡量”，”用户增长才是未来，盈利不重要”，”先占领流量，商业模式以后再想”。这些话在1999年说，听起来富有远见。在2001年说，变成了反面教材。

这不是说AI会重复互联网泡沫的崩溃路径——AI基础设施与互联网基础设施有本质的不同，AI的应用场景也更为广泛和深入。但它确实提醒我们：当一个行业开始用”这是面向未来的战略投资”来系统性地回避ROI计算时，这是一个值得认真对待的信号。

Catanzaro的那句话，在这个背景下，是一种难能可贵的清醒：不是说”算力成本很高但未来会证明它值得”，而是直接说”现在就是比人贵，这是事实”。

一个更细粒度的观察：不同规模的企业，面对的是完全不同的方程式

在讨论”AI是否比人贵”时，有一个维度经常被忽略：公司规模和AI使用方式的不同，导致成本方程式完全不同。

对超大型科技公司（hyperscaler）来说，他们拥有自建的AI基础设施，有专门的AI工程团队，对模型进行了深度优化和定制。他们的单次推理成本，可能远低于公开API价格。他们使用AI的规模效应，也足以摊薄固定投入。在他们那里，AI对某些特定任务确实已经跑通了经济方程式。

对中大型企业来说，他们通常通过云API接入AI服务，不自己训练模型，但有足够的IT和工程能力来集成和优化。他们能从AI中获得真实的效率提升，但成本控制往往是一个持续的挑战。Uber就在这个区间——世界级的工程能力，但依然出现了AI成本失控的问题。

对中小企业来说，情况更加微妙。他们通常通过SaaS订阅形式使用AI功能（嵌入在Notion、Salesforce、Slack等产品里），或者使用面向消费者的AI助手（ChatGPT Plus、Claude Pro）。这些工具的单位成本相对稳定，不会出现规模失控的问题，但能解决的业务问题也更有限——主要是个人效率辅助，而非系统性业务流程自动化。

MIT那个”23%经济可行”的数字，实际上是一个市场平均数。它模糊了这三个层次之间的巨大差异。对超大型科技公司，这个数字可能更高；对缺乏AI工程能力的中小企业，可能更低。

这意味着什么？意味着在讨论AI的成本效益时，”公司规模”和”AI能力成熟度”是两个必须先确定的前提条件。没有这两个前提，所有关于”AI是否值得投资”的讨论都是在悬空比较。

那句话的完整含义

Catanzaro那句”算力成本远超员工成本”，在那篇Fortune报道里只是一个引用，不到30个英文单词。但它指向的东西远比这30个单词要大得多。

它说的是：在2026年，在一个全职专注于AI应用开发的顶级工程团队里，每天产生的GPU算力账单，已经超过了整个团队的人力薪资支出。

这不是一个关于未来的预测。这是一个今天正在发生的现实。

而如果在Nvidia的AI应用团队里都是这样，在一个更典型的普通企业里——没有专门的AI基础设施，没有深度优化的推理管道，没有大规模使用带来的单位成本摊薄——成本的比例只会更加悬殊。

AI的未来是降本的，这个判断不会错。但那个降本的未来，还没有完全到来。

这里还有一个常被忽视的结构性因素：AI成本的下降往往带来使用量的更大幅增长，从而使净成本并不如预期降低。 这是计算经济学中反复出现的Jevons悖论——蒸汽机效率提升了，煤炭的总消耗量反而上涨；AI推理成本降了，各团队的AI调用总量快速增加，云账单依然高企。Uber的例子再次印证：单次推理的价格下降了，但他们的工程师开始把Claude Code用在了前所未有的规模和深度上，总账单超出预算。

还有一个角度值得提出：对于那些正在享受”AI替代人工”叙事红利的公司来说，这个叙事本身是有成本的。向投资者讲述”我们用AI减少了员工”的故事，可以获得更高的估值倍数；向员工讲述”AI让我们更高效”，可以合理化更高的绩效要求。但如果AI的实际成本效益没有在账本上体现出来，这个叙事迟早需要兑现。OpenAI在同一周被报道营收增长未达内部预期，与这些公司宣称AI效益的时间线是一个有趣的对照——整个生态链的估值，都建立在AI需求会持续爆炸式增长的预设之上。

2026年的现实是：裁员的浪潮在继续，但它的驱动力比媒体描述的更复杂，与AI的直接因果关系比人们想象的更弱；AI的投资在加速，但它的逻辑是一种结构性的前向押注，而不是对已经验证的商业案例的追加；在绝大多数工作场景中，今天让一个有经验的人来做，在经济上仍然比让AI来做更合理。

MIT那份2024年的研究，77%对23%，在Nvidia高管亲口确认之后，可能才开始被更多人认真对待。

7400亿美元的资本支出是真的。9.2万人的裁员是真的。这两件事都是真的。

但”AI已经把替代人工的经济方程式跑通了”——这件事，在2026年4月，还不是真的。

参考资料

  1. Nvidia executive: The cost of AI tools is ‘far beyond’ the cost of human workers — Fortune, 2026-04-28
    来源：fortune.com

  2. Rethinking AI’s Impact: MIT CSAIL Study Reveals Economic Limits of Job Automation — MIT CSAIL, 2024
    来源：csail.mit.edu

  3. Meta and Microsoft announce major layoffs — Fortune, 2026-04-23
    来源：fortune.com

  4. Big Tech AI Capex 2026: $740 Billion — Morgan Stanley Insights, 2026
    来源：morganstanley.com

  5. Tracking the Impact of AI on the Labor Market — Yale Budget Lab, 2026
    来源：budgetlab.yale.edu

  6. Tech Layoffs Tracker 2026 — Layoffs.fyi
    来源：layoffs.fyi