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