开一家公司要付水费、电费、网费，这是谁都不会意外的固定支出。2026 年，很多公司的报表上多出了第四行，AI 的账单。它按月付，按量付，按人头付，名目各不相同，落点都是同一件事。用 AI 就要烧 token，烧 token 就要花钱。

10 月 10 日，刘润在自己的公众号上发了一篇文章，标题是《上班这件事，正在变成我们想象不到的样子》。这是他 11 月 28 日年度演讲的预热文。文章列了 8 个正在发生的变化，其中一条判断是，Token 费会成为水费、电费、网费之后的第四种基础设施费用。他还补了一句，这笔钱一定要公司承担，别让员工自己掏。

这句话读起来像是一种态度，其实是一笔可以算的账。

2026 年，这笔账已经在一些公司的报表上出现了。Uber 去年 12 月向约 5000 名工程师开放 AI 编程工具，今年 4 月就用完了全年的 AI 预算。Salesforce 的首席执行官公开表示，公司今年付给 Anthropic 的账单会到 3 亿美元左右。

下面要做的事情很简单，把「第四笔基础设施费」换算成一行具体的数字，看看它到底是多少。

八个变化，只有一个是账单

刘润那篇文章的 8 条变化，覆盖习惯、组织、职业三个层面，可以一次看完。

这 8 条指向同一个判断，AI 把「想法」到「结果」之间的距离压短了。但它们有一个共同点，没有单位。习惯改没改，技能会不会变成非遗，中层是不是真的会消失，这些判断既难证伪，也难计算。Token 费不一样。它的单位是元，或者美元。它可以按人算，按年算，按一家公司加起来算。它落在财务报表的一行上，可以被验算。

所以这 8 条里，真正能拉出来算一遍的，只有 Token 费这一条。

先把这笔钱拆成人均一年多少

不同机构给出的口径差得很远，需要先摆清楚。

这张表里最要紧的是这些数之间的距离。中位数公司一年不到 200 美元，头部 1% 企业的中位数是 7,400 美元，差 11.4 倍。换个口径看，美国公司平均 2,068 美元，中位数不到 200 美元，差 10.3 倍。

平均值是被少数重度用户拉起来的。这不是一句修辞，是这份数据最直接的含义。

20 人公司要付多少，对照办公室的硬成本

先把人均 8,804 元这个跨行业平均口径，落到一家 20 人公司上，是 17.6 万元一年。

再算同一家公司的办公室硬成本。按杭州 2026 年的行情，甲级写字楼租金中位水平 2.5 元/平方米/天，物业费 5 元/平方米/月，水电网络空调合计约 15 元/平方米/月，人均使用面积 8 平方米（含公摊）。

17.6 万对 18.5 万，差 5%。

刘润把 Token 费和水费、电费、网费并列，称它是「第四种」。但从 2026 年的账面上看，它已经不只是「第四种」，它和前三种加起来一样大。一家 20 人的公司按跨行业平均水平用 AI，这笔钱约等于再租一间同样面积的办公室。

如果按行业头部水平算，差距还会拉得更开。

人均 8,804 元，反推每天能说完多少话

钱是一面，量是另一面。这笔钱买到多少 token，值得反过来算一次。

按 2026 年 10 月的国内定价，输入与输出按 8 比 2 估计，人均 8,804 元能买到的量差别很大。

同一笔钱，选国产旗舰模型能买到的量，是用 Claude Sonnet 的 3 到 7 倍。这个差距本身就是 2026 年企业做模型选型时的第一道算术题。

再把 token 换成人和事的尺度。

按豆包口径，人均每天 3.26 M token。这个量换算成中文，1 个 token 大约对应 0.6 个汉字，3.26 M token 折合不到 200 万字。如果只用来做问答，一次对话平均按 5,000 token 计算，一天可以跑 652 次。如果用来跑 Agent 长任务，一次任务按 50 万 token 计算，一天只能跑 6.5 次。

这两个数字之间的差距，才是 Token 费这件事真正的变量。同样是 8,804 元，一个人可以用它跟 AI 聊一整天，也可以只拿它跑六个长任务。前一种用法几乎不改变工作方式，后一种会把工作方式整个换掉。

刘润在文章里说，越来越多的程序员把竖屏转回了横屏，创始人们开始沉迷写代码。这些场景烧的，就是后一种量级。

「每月一两千」的预算，落在行业什么位置

回到他那句建议。

他的原话是，一个月工资万八千的员工，让他每个月花一两千块钱去买最好的 AI 工具，他不愿意。所以这笔钱一定要公司出。

把「每月一两千」折成年，是 1.2 万到 2.4 万元。放回人均支出表里看。

按这个口径，他给的预算高于平均线。跨行业平均是 8,804 元，他说的下限定在 1.2 万元，已经高出三成。他说的上限 2.4 万元，接近专业与商业服务业的实际支出水平。

这个建议本身没有问题，但它有一个前提，公司得先确认员工会把这笔额度用掉。现实是另一回事。前文那张表里，头部 1% 企业的支出是前 10% 企业的 11.4 倍，说明钱并没有均匀地花在不同的人身上。

给每个人配一个账号，和给每个人配一份真正被用掉的额度，是两件事。

省下一个中层，够不够付这笔钱

刘润在文章里还有一条判断，公司的中层会批量消失。理由是过去由中层承担的上传下达，AI 已经接过了信息的加工与传递环节。

这两条放在一起，会得到一个很自然的推论。省下中层的薪酬，正好用来付 Token 费。

这个推论可以验算。一个部门经理，税前年薪按 40 万元，加社保公积金约 25%，公司一年在他身上的支出约 50 万元。

结论分两半。

如果公司按跨行业平均水平用 AI，砍掉一个中层省下的钱，够全公司 20 人用 2.84 年，这笔置换是划算的。但如果公司里已经有一半人像刘润描述的那样，每天跑 Agent 长任务，按头部 1% 的口径算，一个中层的年薪只够撑 0.48 年，不到半年。

也就是说，中层消失省下来的钱，只有在前一种用法下才够用。换成后一种用法，省下来的还不够花出去。

这不是一个反对中层精简的结论。它说明的是，这两笔账对冲不了。中层薪酬是一次性的、可预期的固定成本。Token 费随使用强度浮动，上限目前看不清楚。

单价降了 280 倍，账单为什么还在涨

最后回到产业这一层。

过去两年，同等性能的 AI 推理成本下降了约 280 倍。按常理，价格跌成这样，企业的账单应该跟着缩水。

2026 年的实际数据是反的。全球企业 AI 支出预计达到 4,070 亿美元，同比增长 34.8%，其中推理占 85%。高盛预计 2026 到 2030 年，全球 token 消耗量将增长 24 倍，达到每月 120 千万亿 token。

单价降了，用量涨得更快。

机制不复杂。Agent 跑一个任务，要反复调模型十几次到二十几次，推理、自查、调工具、再评估。同一件事，聊天机器人问一轮够，Agent 要问十几轮。有测算认为，Agent 决策周期的单次成本在 0.1 到 1 美元之间，比传统的单次问答高出两个数量级。

账单涨的另一个原因是看不见。KPMG 今年第二季度的调查显示，只有 26% 的企业能实时看到 AI 运营成本，62% 的组织无法准确预测月度支出。FinOps 基金会 2026 年的报告里，73% 的企业承认 AI 成本超出了原先的预算。

还有一部分花在了有治理要求的地方。风险评估、合规监控、审计留痕、人工复核，这些工作在 2026 年占企业 AI 预算的 8% 到 12%，两年前是 3% 到 5%。

把这几条放在一起，被称作「第四笔基础设施费」的这笔钱，目前还不太像水费电费。水费电费可测、可预测、有历史均值。Token 费这三样都不具备，它比前三笔更难管。

上一轮类似的争议，是怎么结束的

企业软件的定价方式一直是按人头。一个席位多少钱，年初就能把一年的预算算清楚。Token 费换了计价方式，它按用量走。

G2 的首席创新官 Tim Sanders 在 7 月的一次访谈里，讲了二十多年前的同类场景。那时候企业要不要给员工铺 T1 专线和宽带，内部同样争论过投资回报。争论结束得很快，因为大家发现这是公用设施。他的说法是，如果不信，把服务器关掉，看所有人怎么停工。后来的结果是，公司不再核算 WiFi 和笔记本的投入产出，因为它们是基础配置。

这段话和今天有相似的地方，也有不相似的地方。相似的是「基础配置」这个判断。不相似的是上限。一间办公室的电费不会因为某个员工特别勤奋就涨十倍，Token 费会。Sanders 自己的公司 2026 年 AI token 支出超过 127 万美元，折合 970 亿 token，其中 Claude Code 和另一款工具的占比，1 月是 17%，7 月是 79%。

半年时间，一款工具从不足两成涨到接近八成。这种结构变化的速度，是水费电费账单上不会出现的。

我们怎么看

回到开头那个数字。17.6 万对 18.5 万。

这个对比真正说明问题的地方，是它出现的位置。它是 2026 年企业新增支出里，第一条可以直接对标办公硬成本的科目。水、电、网这三样，从来没有在一家公司的成本结构里占到这个位置。

我们的判断有三条。

第一，这笔费用的分布会继续极端化。中位数公司和头部公司之间 10 倍以上的差距，未来一年大概率继续拉大，而不是收敛。少数重度用户吃掉大部分额度，会是常态。

第二，预算科目会调整。多数企业现在把 AI 支出记在 IT 预算或软件订阅里。改成按用量计价之后，它更像生产成本，应该和生产、人力放在一起看。IDC 的数据是，AI 已经占到企业 IT 预算的 18%，两年前是 11%，这个比例还会往上走。

第三，模型选型的权重会变。同一笔钱在国产旗舰和 Claude 之间差的 3 到 7 倍，这个差距比模型能力评分的差距，更能决定一家公司的 AI 普及速度。

要跟踪的指标不复杂。企业人均 AI 支出的中位数变化、Agent 工作流占 token 消耗的比例、模型降价节奏，以及 AI 成本可见性能不能做起来。这四样，比任何一条模型跑分都更能提前说话。

刘润那篇文章的核心判断，是 AI 把「想法」到「结果」之间的距离压短了，这一点没什么可争的。但距离压短之后，成本落在了哪里，是一道还没有人算清楚的题。他把 Token 费当成一笔基础设施开销单独拎出来，方向是对的。

其余七条讲的是习惯、组织和职业。只有这一条，是要写进预算表的。