新智元报道
2026 年 2 月 6 日，人类最后一次跑赢 AI。
那天，人类在 OpenRouter 上用掉的 token，第一次被智能体追平。
才半年时间，两条线已经拉开了 5 倍差距。
据 OpenRouter 统计，截至 8 月 10 日，Agent 类 token 用量从约 0.51 万亿涨到 7.3 万亿，14 倍；人类那条线也涨到了 1.4 万亿，但只有 2.8 倍。
如此大的落差，让 Peter 都有点恍惚：像是隔了 10 年，可 2 月 6 日，其实只是半年前。
不不看你是谁
只看你怎么用
先说清楚，这组数据打哪儿来、怎么算的。
OpenRouter 是全球最大的模型网关之一，一头接着约 70 家模型供应商，一头接着开发者，一周要处理 28 万亿 token。
按它的联合创始人兼 COO Chris Clark 估算，这大约是全球推理量的1%，其中一半来自美国。
这1% 的 token，又是怎么分出哪些是人、哪些是 Agent 的？
OpenRouter 不看你是谁，只看你怎么用，具体办法是按 API key 追踪行为：
工具调用得勤不勤，两次响应之间隔几秒，一轮对话来回几次，这样的信号一共 7 项，加权打个分，再把流量分成 Agentic、Mixed、Human 三档。
为什么看行为就能分出来？
道理很简单，人类用 AI 是问一句歇一会儿，中间要读、要想、要打字；Agent 则是一刻不停，工具连着调，回合循环跑，这节奏一看就不是碳基生物。
所以它是一套估算模型，但方向不会错。
一个人类目标，如今可能触发几十轮模型调用和工具调用。token 统计的不是有多少人在用 AI，而是 AI 替人干了多深的活。
一个 Agent 任务
顶一百次聊天
真正拉开人和 Agent 差距的，是双方用法的不同。
人类的请求长什么样？
打开对话框，敲一段提示词，等一段回答，复制走，关掉。
从头到尾，你和模型总共说了不到十句话，账面上撑死几千个 token。
但智能体的请求，完全是另一副样子。
你给它一个目标，它就自己往下走了：读文件、调工具、写结果、再读、再改，一圈一圈磨到任务收尾。
人类在起手那段提示词里塞满了目标、规范和上下文，之后模型就在这份上下文上不断增量读写。
当你还在一问一答时，Agent 已经能靠一句话跑一整天！
所以，同一个人，上午还在对话框里手动复制粘贴，下午挂上一个智能体去跑，token 账面立马就会换一个数量级。
Peter 的话一针见血：真正解锁量级的行为变化，是人们开始让智能体长时间自主运行。
再便宜的 token
也能烧穿预算
看到 14 倍，你的第一反应可能是烧钱。
确实是烧钱，但不是你想的那种烧法。
Peter 补充了一条：因为智能体天然是多轮的，平均一次智能体请求里，近 70% 的 token 来自缓存提示，而缓存的计价通常低得多。
道理不难懂。
Agent 做的是围绕同一个目标反复读写：第一次把那一大堆上下文（代码规范、操作手册、工具清单）灌进去，付一次全价；之后每一轮只做增量更新，命中缓存的部分只按正常输入价的一小部分收。
换句话说，那条陡峭的曲线里，有近七成是被反复复用的同一段上下文。
Agent 与人类的 token 构成对比，缓存 token 几乎贡献了全部增量。a16z 按总量口径写作 85% 以上，Peter 原帖按单次请求平均为近 70%。
这样单价确实降下来了，但架不住用量狂飙。
Uber CTO Praveen Neppalli Naga 今年早些时候透露，公司工程师只用四个月就烧完了全年的 Claude Code 预算。
据媒体转述，他本人一场两小时的演示，就花掉了 1200 美元。
单价打三折，用量涨 14 倍，这道乘法的结果并不难算。
EY 算过一笔更直观的账：同样一次客服交互，2023 年成本约 0.04 美元，到 2026 年涨到约 1.20 美元，30 倍。
不是模型变贵了。
以前是客户问一句、系统答一句，一条线走到底。
现在客户还是问那一句，但背后已经是查工单、调库存、翻记录，想一轮改一轮，折腾十几个回合才吐出一句回复。
相同的事，干法变了，价钱就变了。
高盛则估算，智能体 AI 可能把 2030 年的 token 消耗推高 24 倍。
任何一项成本半年涨 14 倍，人们都会开始细抠。Peter 说，这正是开放权重模型和低价 token 服务突然被人盯上的原因。
而且，缓存 token 虽然便宜，它可是要吃内存的。
智能体一跑好几个钟头，从头到尾不必重来一遍，靠的就是内存把那一整摊上下文托着。
高带宽内存最近为什么这么紧俏，这里也能找到一半答案。
分水岭不在你用哪个模型
那省钱的办法，是不是换个便宜点的模型？
真正的分水岭，不在你用哪个模型。
同一个模型，你拿它当搜索框用，一天几千 token；你把它接上自己的文件、工具和一条能连续跑下去的流程，一天几千万 token 也不稀奇。
差距不在模型，而在你有没有把它放进真正的活里。
这个鸿沟有多大，OpenAI 给出的一组可以当参照：
用得最深的 10% 的公司，每名活跃用户输出的 token，是典型公司的 8.3 倍。1 月份这个差距还只有 2.6 倍。
半年时间，差距扩大到原来的三倍以上。
拉开差距的不是模型，是配套。
同一批统计里，头部公司的活跃用户每周有 21% 在用插件，典型公司只有9%；技能的采用率是 19% 对3%。OpenAI 自己内部，这个数字是 95%。
把你常做的那几件事打包成一套可复用的技能，智能体就不必每次都从头摸索一遍。
少搜几次、少返工几次，省下的都是钱。
token 花了
谁来验收
不过，账算得再精，也不等于这活干得放心。
智能体流量暴涨，并不等于 AI 全在自主行动。大量任务仍然是人发起的，中间常常还卡着人工审批。
Peter 原帖评论区一位做服务业客户的开发者提到，他服务的那些老板，从来没想过撒手不管，采购、发送、签字，每一步都要绕回人。
但问题是，绕回来未必真的能找到人。
另一位从业者说，他们的智能体删掉了广告账户里的 18 个视频，整整一天之后才被人发现。
这不是模型犯了多离谱的错，而是根本没人去看那一步。
token 花销可以在半年里翻 14 倍，验收的人手却翻不了这么多。这大概是这轮增长里最容易被忽略、也最昂贵的一笔账。
分析、调研、初稿、方案，重复的执行动作往后都会过剩。
真正稀缺的，是验证、判断，以及决定什么才值得被做。
AI 已经成了 token 的主要消费方，可到今天为止，它还不能替你签字。
未来，真正的问题不再是你用不用 AI。
而是 AI 替你干完的那些活，谁来验收，谁来拍板下一步。
参考资料：
https://www.linkedin.com/posts/peterjameswalker_february-6th-2026-potentially-the-last-share-7493029881841344512-IK89/
https://the-decoder.com/ai-is-becoming-ais-biggest-customer-as-agentic-token-usage-jumps-14x-on-openrouter/
https://openai.com/signals/enterprise-data/
https://www.a16z.news/p/charts-of-the-week-winds-of-thematic
https://www.ey.com/en_us/insights/ai/agentic-ai-token-costs
编辑：元宇
