AI 代理經濟挑戰互聯網的免費午餐模式

2026 年 4 月 29 日，Andrej Karpathy 在紅杉 AI Ascent 的爐邊對談中提出一個判斷：一個面向原生智能體（agent-native）的新經濟正在長出來，今天所有為人類寫的軟體、文檔和流程，都要被重寫為「為 Agent 而寫」。他談的是供給側的工程重構，卻留下了一個沒有回答的問題：如果一切都要重寫，這場重寫由誰付費，價值又如何分配。

智能體經濟課題正是從這個問題開始。第一篇《AI商業化的十字路口：為什麼廣告與訂閱都難以單獨走通？》探討 AI 如何變現，結論是廣告與訂閱都難以單獨走通，商業化的重心由「賣入口」向「賣結果」轉移。這一篇再往下追一層：商業模式為什麼必須變。答案要往成本結構裡找，互聯網「多服務一個用戶幾乎不額外花錢」的經驗正在失效，而圍繞這條經驗建立起來的利潤分配方式，也就到了重新計算的時候。過去二十年，互聯網公司最重要的商業信仰是：用戶越多，成本越低，利潤越厚。

搜尋引擎、社群媒體、短視頻、內容平台、電商平台，本質上都建立在同樣的前提之上：當基礎設施建好後，多服務一名用戶、多展示一次頁面、多分發一條內容，邊際成本幾乎為零。互聯網公司的真正瓶頸，往往不是「每一次服務是否虧錢」，而是能否獲得足夠多的用戶時長、數據、廣告主和交易場景。

廣告也正是在這個前提下，成為互聯網最重要的商業模式之一。

因為當內容和頁面可以近乎零成本地分發，平台就能將用戶的搜尋、瀏覽、點擊、停留和購買路徑，拆解成一個個可售賣的廣告位置。用戶旅程越長，平台可植入的商業觸點就越多；用戶比較得越久，廣告、推薦、品牌內容和搜尋排序的價值就越高。

但 AI Agent 正在動搖這個信仰。

AI Agent 不僅僅是在分發現有資訊，而是在為用戶執行任務。每一次對話、每一次推理、每一次文件讀取、每一次工具調用、每一次結果校驗，背後都對應真實的 GPU 算力、電力消耗、晶片折舊和系統調度成本。

更重要的是，AI 不僅改變了互聯網公司的成本結構，也改變了廣告賴以存在的用戶鏈路。過去，用戶需要在多個頁面、多個平台、多個品牌之間反覆搜索和比較；未來，用戶可能直接把需求交給 Agent，讓它篩選、判斷、排序、預約甚至完成交易。

這意味著，在 AI Agent 時代，免費用戶每次使用服務都可能虧損，而傳統廣告也會失去部分依賴的長鏈路變現空間。

如果互聯網經濟的關鍵詞是「流量」，那麼 AI Agent 經濟的關鍵詞就是「任務」。流量可以被低成本分發，但任務卻必須被真實執行。廣告過去賣的是用戶注意力經過哪裡，AI 時代更重要的問題則變成：任務由誰理解、由誰編排、由誰完成，以及哪些品牌能夠進入 Agent 的候選集和決策依據。

因此，AI Agent 經濟不是互聯網商業模式的自然延伸，而是對互聯網增長神話和廣告邏輯的一次反向修正。

互聯網（包括軟件）商業模式的底層邏輯，可以用經濟學最基礎的公式來理解：

TC = FC + MC × Q（總成本 = 固定成本 + 邊際成本 × 產量）

在傳統互聯網時代，無論是開發一款 App、寫一篇文章還是錄製一段視頻，主要成本都集中在前期的研發和製作階段，也就是較高的固定成本 FC。然而，一旦產品上線，服務第一個用戶和服務第一百萬個用戶，企業所增加的伺服器和頻寬成本往往微乎其微，MC 接近 0。

這種極低的邊際成本，使相關商業模式天然具備極強的規模效應。數位產品的核心特徵是可無限複製，且複製成本幾乎為零。一旦軟體開發完成、伺服器部署到位，新增一個使用者的邊際成本幾乎可以忽略不計，無非是多佔用幾 KB 儲存空間、多消耗幾 KB 帶寬流量。

這種特性使平台經濟更容易形成規模優勢：誰先達到規模臨界點，新增收入就能以更高比例轉化為利潤，從而形成強大的經營槓桿。

在此基礎上，互聯網演化出了三大經典商業模式。

訂閱模式：軟體的複製成本極低，訂閱用戶的增長直接對應收入的增長。這也是為何資本市場長期願意給予 SaaS 公司較高估值：一旦跨越盈虧平衡點，利潤的增長速度往往遠超收入的增長速度。

佣金模式：建立交易、支付和履約基礎設施，每增加一筆交易即收取穩定佣金。

廣告模式：透過免費服務吸引大量用戶，並將注意力打包售予廣告主。以搜尋廣告為例，一旦搜尋演算法和廣告系統部署完成，每次額外的搜尋請求所增加的伺服器成本相對有限，而每次額外的廣告點擊都代表增量收入。

廣告模式之所以能長期成立，不僅僅是因為用戶數多，更因為用戶旅程足夠長。一個用戶從產生需求到完成購買，往往會經歷搜尋、瀏覽、比較、收藏、諮詢、跳轉、下單等多個環節。平台可以在搜尋結果頁投放廣告，可以在資訊流中進行種草，可以在詳情頁強化轉化，也可以在再行銷環節繼續影響用戶決策。廣告的價值，本質上來自於對用戶旅程的層層介入。

平台無需為每一次用戶決策承擔完整的服務成本。搜索引擎將用戶導向某個網頁，社交平台將用戶導向某個品牌賬號，短視頻平台將用戶導向某個直播間，電商平台將用戶導向某個商品詳情頁。平台更多是在「撮合資訊與注意力」。

The internet distributes existing information, while AI generates information in real time. This qualitative shift from “copying” to “generating” brings about entirely different cost structures and business models.

首先，AI 推理成本是顯性的，AI 使用的邊際成本顯著大於零（MC > 0）。

每輸入或輸出一個 Token，GPU 都在高速運轉，消耗著實實在在的電力和晶片折舊費用。模型參數越大、上下文越長、任務越複雜，單次推理成本就越高。一次簡單問答、一次 Deep Research、一次代碼開發、一次跨軟體操作，成本可能相差幾十倍甚至上百倍。AI Agent 經濟不僅存在非零邊際成本，而且邊際成本本身高度異質。

儘管單個 Token 的價格正在快速下降，但這並不意味著邊際成本會持續趨近於零：隨著 Agent 能力升級，單項任務消耗的 Token 量正從數百快速攀升至數十萬——規劃、調用工具、讀取文件、自我校驗、失敗重試都會消耗大量算力。單個 Token 在通縮，單項任務在通脹，這兩條曲線的剪刀差構成了 AI 經濟學的核心：Token 越便宜，大家越敢讓 AI 做更重的任務，總賬單反而更大，這正是 AI 領域的「傑文斯悖論（Jevons Paradox）」。

單一 Token 的降價並非單向下行。摩根士丹利統計顯示，2026 年第二季度國產大模型平均 API 輸出價格，較 2025 年第一季度上漲約 80%，行業正從價格戰轉向價值定價。價格本身也在分層，商品化模型持續走低，前沿模型反而上調。前沿智能按價值定價，其成本並不會隨商品化同步下降。

雖然可以透過批次處理提升 GPU 利用率、KV 緩存、自建推理叢集、自研晶片等方式壓低單位成本，但邊際成本的下降幅度遠不及網際網路經濟，且會被使用深度的增長所抵消。這也是為什麼 ChatGPT 在用戶量爆發後迅速推出付費訂閱版的核心原因。

同時，固定成本從「一次性」變為「永續性」。訓練成本不再是一次性的固定投入，而是每半年到一年就要迭代新一代模型的永續資本開支。大模型變成了「保質期」6–12 個月的「易耗資產」，不重訓跟進就會快速淘汰，而單次訓練成本可達數千萬甚至上億美元。以 OpenAI 為例，2025 年收入 130.7 億美元，毛利潤率約 43%（此計算方式僅扣除推理算力，最昂貴的訓練算力另計入研發支出），但其研發支出高達 191.8 億美元，其中約 106 億美元用於支付微軟的訓練算力，也是其虧損的主要原因。

因此，AI Agent 經濟呈現以下特點：推理成本（可變成本）隨使用量線性增長，且差異化程度高；基礎設施與人才成本（半固定成本）隨用戶規模「台階式」躍升——當用戶量突破某個閾值，就必須新增一批 GPU 伺服器；同時，研發成本（即模型訓練成本）數額巨大。這些成本層層疊加，使得 AI 公司始終處於利潤全額再投入的軌道上，不存在互聯網那種「越過盈虧平衡點後利潤指數級增長」的甜蜜點。

這種成本邏輯也重塑了行業的護城河來源：互聯網的核心壁壘是網絡效應，用戶越多產品越好用；Agent 的壁壘類型則發生轉換，由關係鏈網絡效應轉向數據飛輪與轉換成本，新的壁壘來自沉澱的上下文——用戶的記憶、偏好、文件、工作流程與授權數據。使用越久，Agent 對用戶的適配度就越高，更換服務商的遷移成本也就越大。互聯網鎖住的是用戶的關係鏈，Agent 鎖住的是用戶的工作上下文，這也是行業爭相佈局入口的核心原因：搶的不只是流量，更是上下文的原始積累。

顯然，我們需要以不同的邏輯來看待 AI Agent 經濟：互聯網平台爭奪的是「用戶入口」，AI Agent 平台爭奪的是「任務入口」。

如果互聯網經濟的基本單位是「曝光/點擊」，那麼 AI Agent 經濟的基本單位就是「任務」。點擊僅代表用戶進入某個頁面，而任務則代表用戶委託 AI 完成某個目標——Agent 需要理解目標、拆解任務、調用工具、讀取文件、操作軟體、反覆校驗結果，必要時還需向用戶請求授權。這使得 AI Agent 的成本結構更接近「數字員工」，而非「數字媒體」。

過去，用戶打開搜索引擎詢問「哪家裝修公司好」，搜索引擎會返回網頁、廣告和地圖結果；現在，用戶可能直接對 Agent 說：「幫我篩選三家靠譜的裝修公司，比較報價、口碑和施工保障，並幫我預約溝通。」前者的商業價值來自曝光與點擊，後者的商業價值來自任務完成與決策代理。廣告不再只是出現在頁面上的資訊，而會變成 Agent 決策過程中的候選項、數據來源、可信信源或交易接口，並協助用戶最終完成任務。

模型公司不僅提供底層能力，更將成為新一代任務操作系統。無論是AI原生廠商，還是綜合型大廠，都在從「大模型」向「Agent平台」演進，並相繼推出Claude Cowork、Codex、Workbuddy等一系列產品——誰能掌握用戶的任務入口，誰就能決定工具調用順序、數據源優先級、商業推薦邏輯和交易閉環。

「明知單位經濟為負，也要燒錢搶入口」正是當前行業最核心的戰略賭局，也是估值爭議的來源。因為入口背後不只是用戶量，也不只是對話次數，而是未來任務分發、商業推薦和交易閉環的控制權。

這種邏輯的轉變，也必定帶來另一個趨勢：分層。

互聯網產品追求極致的標準化，一套代碼服務所有用戶，才能最大化零邊際成本的優勢。AI Agent 則天然適合分層化供給——不同複雜度的任務成本差異巨大，簡單問答與複雜推理的成本可能相差幾十上百倍。因此 AI 公司會推出不同等級的產品：免費版使用小模型、限制使用量；基礎付費版使用中等模型；高級版使用最強模型；企業定製版提供專屬部署與優化。

這種分層定價本質上是按成本分級、按價值收費，價值與成本正相關。用戶獲得的能力越強，付出的成本越高。因此，AI Agent 生態將會演化出一種「雙速經濟」：落後半代的智能價格極低（開源＋大廠補貼，變成像水電煤一樣的基礎設施），而前沿智能永遠昂貴（最強模型永遠在成本曲線的最貴端）。免費的是「昨天」的智能，收費的是「今天」的智能。

AI Agent 經濟對傳統經濟最深的衝擊，並不是市場上多出了一類 AI 產品，而是原本分散在網站、App 和軟體中的用戶入口，正在被一批新的任務代理層重新爭奪。手機廠商、超級 App 等各自都在做自己的 Agent，入口尚未統一，反而更碎片化。過去互聯網的利潤池圍繞「流量經過哪裡」形成，未來則更可能圍繞「任務由誰編排、由誰完成」重新分配。

首先被改寫的是入口與分發權。

在互聯網時代，搜索引擎、應用商店、內容平台和超級App掌握入口，企業爭奪的是排名、推薦位和用戶時長。但Agent出現後，用戶未必還需要逐個打開應用：訂機票、找供應商、分析數據、回覆郵件，都可以從同一個任務入口發起。網站和App不會消失，卻可能越來越多地變成Agent背後的數據源、工具和履約接口。

這意味著新的平台權力不再只是「把用戶導向哪裡」，而是決定任務如何被完成：調用哪個模型、哪個軟體、哪家商戶、哪套數據。過去由搜尋引擎、應用商店和流量平台掌握的部分「分發稅」，可能逐漸轉移到 Agent 平台手中。

這裡有一個不易察覺但至關重要的影響：AI Agent 正在大幅縮短客戶旅程，進而壓縮廣告業務的空間。

過去，用戶需要搜索十次、比較多個網頁和平台，才會進入成交環節；而在 AI 場景下，用戶可能只需要連續提問 3-5 次，就已經完成資訊篩選、方案比較和購買決策。越是高意圖、強決策、重比較的行業，越容易被 AI 改寫分發邏輯。用戶不再需要反覆穿梭於搜索結果、內容頁面和商家主頁之間，而是直接把決策任務交給 AI 完成。此時，廣告能夠介入的節點會變少，傳統廣告的影響力也會被削弱。

真正困難的是，AI 回答中的廣告必須高度顯性化。過去，廣告可以在搜尋排序、資訊流原生、網紅推薦、品牌內容等多種情境中嵌入用戶旅程，而在 AI 回答中，任何軟性、隱形或未明確標識的商業推薦，都會直接衝擊用戶對平台客觀性的信任。AI 越像一個替用戶做判斷的代理人，用戶就越不能容忍它在不透明的情況下被商業利益影響。

第二層衝擊將很快發生在平台和中介經濟。

購物、旅遊、外賣、本地生活等交易類平台，本質是幫助用戶搜索、比較和撮合成交，而這些正是 Agent 最容易自動化的環節。單純提供「資訊列表」的中間層會被壓縮，真正難以繞開的會變成獨家供給、支付、信用、物流、售後和線下履約。

交易平台的護城河將從「我擁有多少流量」轉向「我掌握多少 Agent 無法替代的真實供給與執行能力」。

對於擁有閉環成交鏈路的大廠而言，AI 在短期內確實會對現有的廣告和交易業務造成衝擊，但從長遠來看，AI Agent 的參與將成為新的商業放大器。平台既掌握用戶需求，又掌握商家供應、交易、支付、履約和售後服務，便能以全局一盤棋的方式重新組織商業價值：商家在電商平台投放廣告 → 帶來更高的 GMV → AI 在推薦層面優先呈現 GMV 高、好評高、履約穩定的品牌 → 品牌在 AI 場景中獲得交易閉環 → 平台也因此同時提升廣告價值、交易價值和 AI 分發價值。

這裡的關鍵邊界是，AI 不能像傳統廣告平台那樣收取過高廣告費。AI 一旦收錢太重，就會損害自身最核心的資產：客觀性與用戶信任。更合理的方式，是收取一定比例的技術服務費，費率與行業水平持平即可，通常在 1%-10% 之間，主要用於覆蓋算力、調用和服務成本。

第 3 級，也是更為深遠的變化，是軟體經濟與服務經濟的邊界開始模糊。

傳統 SaaS（包括軟體）本質上仍然是工具。Salesforce 提供 CRM 系統，但真正維護客戶關係的是銷售人員；Adobe 提供設計軟體，但真正完成設計的是設計師；財務軟體負責記錄數據，但分析和決策仍由人完成。因此 SaaS 的商業模式長期圍繞「坐席（Seat）」展開：企業有多少員工使用軟體，就購買多少帳號。近年來按用量計費正在興起，混合計費已成主流，但坐席模式在協作類軟體中依然普遍。

AI Agent 改變的是這個前提。

當軟體開始能夠自行讀取數據、判斷下一步動作並執行任務時，企業購買的就不僅僅是「一個員工使用的軟體」，而可能是一項直接完成任務的能力。一個 AI Agent 可同時操作 CRM、ERP、BI、郵件和客服系統，過去需要多人在不同軟體之間完成的流程，被壓縮為一次任務調用。此時，「員工越多，Seat 越多，SaaS 收入越高」的增長邏輯將受到挑戰。

更重要的是，SaaS 本身可能發生分層：底層是保存客戶、訂單、財務、庫存等核心數據的「系統」（System of Record）；上層則出現負責理解需求、調用系統並完成任務的「能力」（System of Action）。

過去，兩者被封裝在同一個軟體介面中，未來卻可能分離。掌握核心數據、權限、合規與業務規則的軟體仍然具有很強壁壘；而那些主要價值來自介面、流程和功能封裝的軟體，則面臨巨大的風險，一旦 Agent 接管交互層，它們就可能從用戶每天打開的軟體，退化為 Agent 後台調用的接口。

相反，這也將使軟體市場首次大規模滲入傳統服務業。過去軟體公司爭奪的是企業的IT預算，未來AI Agent公司則會瞄準更龐大的人力成本、外包預算和專業服務預算。客服、基礎研究、銷售運營、招聘篩選、財務處理，甚至部分諮詢工作，都可能從「購買人的時間」轉向「購買機器完成的任務」。軟體的市場邊界因此從過去的「數位化預算（Software Spend）」，開始向「人力預算（Labor Spend）」侵蝕。

過去二十年的互聯網經濟：更多用戶意味著更多流量，更多流量意味著更多廣告、交易和訂閱收入，而新增用戶帶來的成本卻增長得並不顯著。「先做大用戶規模，再尋找變現方式」成為互聯網時代最經典的增長公式。

AI Agent 正在終結這種簡單的線性關係。

因為 AI Agent 提供的已不再只是資訊，而是在真實地消耗計算資源、調用外部工具並完成任務。用戶越多，不一定意味著利潤越高；任務越複雜，甚至可能意味著成本增長得更快。企業真正需要計算的，也不再只是 DAU、留存率和用戶時長，而是一個任務需要花多少錢完成、用戶願意為這個結果支付多少錢，以及平台能夠從中保留多少價值。

AI 時代真正稀缺的東西正在發生變化。

在互聯網時代，稀缺的是流量，因此企業爭奪用戶的注意力；在 AI Agent 時代，真正稀缺的可能是高價值任務，以及完成這些任務所需的數據、權限、工具和執行能力。

AI Agent 並非互聯網的下一個產品形態，而是在改變數字經濟最基礎的交易單位。Agent 出售的，是完成任務的能力。

當經濟的基本單位從「點擊」變成「任務」，從「使用工具」變成「交付結果」，過去二十年圍繞流量建立起來的商業模式、平台權力和利潤分配，也就必然迎來一次重新洗牌。

本文來自微信公眾號「騰訊研究院」（ID：cyberlawrc），作者：AI經濟研究小組