关于诱导需求、裁员，以及我们尚不会使用的 AI 的真实成本
如果你在 X（原推特）上关注过公共交通话题，你一定见过这个梗。
「再加一条车道，兄弟。」
一个蜡笔画风的公路工程师站在高速路旁，指着他想要新增的车道，因为路太堵了。他的表情很真诚。这次他要把问题解决。只要再多一条车道，拥堵就会消失。
拥堵几乎从来不会消失太久。
新车道带来新出行。新增容量创造新增需求。经济学家称之为诱导需求。德州的 Katy 高速被扩建成世界上最宽的高速之一。洛杉矶的 405 高速花了 10 亿美元扩建。几十年间的高速扩建都在重复同样的模式：容量增加，使用量随之填满，拥堵重新出现。
梗图里的工程师还是会一遍又一遍地要求「再多一条车道」。
现在，在 AI 数据中心上，我们来到了同样的时刻。
「正确基础设施」的推销话术
每个季度，超大规模云厂商都会再发一则公告。又一个百亿级项目。又一座园区。又一座变电站。又一份电力协议。又一场水资源之争。又一个被告知「这就是进步代价」的乡郡。
理由永远相同。
AI 需求在爆炸式增长。我们需要更多算力。如果不建，美国就会落后于中国。企业拿不到所需的容量。开发者会被束缚。创新会放缓。
再建一个数据中心。
再建一个千兆瓦园区。
再圈一块 2,700 英亩的地。
再做一次电网升级。
然后，我们就够用了。
不过是同一个工程师，换了一张蓝图。
这是一场世代级的基础设施豪赌，而且相当一部分已经签约落地。
这不是在说 AI 不需要基础设施。某些新的容量是必要的。
问题在于：在迫使买方证明他们在聪明地使用现有容量之前，我们是否应该继续以现在这样的速度承诺新增容量？
眼下，那些爆炸式增长的需求，有一部分是真正的新增生产力。还有一部分，是完全可以避免的消耗——由糟糕的默认配置、失控的重试、过期却仍然有效的凭证、性能远超所需的模型，以及从未被要求证明其成本合理性的工作负载所制造出来的。
被诱导出来的需求
算力并不存在一条固定的需求曲线。它会向所有可用的供给弯曲过去。
把前沿模型廉价地交到开发者手中，很多工作负载就会默认跑在前沿模型上。给智能体一个大预算，很多智能体就会把预算花光。给团队不受限的 API Key，账单就会一路涨，直到有人注意到。
等到有人注意到时，这个工作负载早就上线了。
一个创始人，在客服流水线的每一个步骤都调用昂贵模型，只因为工程师当时为了快速上线，默认就选了那个模型。流水线能跑。账单开始变得刺痛。后来才有人发现，这个工作负载里有大半其实可以跑在更便宜的模型上，几乎没有任何可测量的质量损失。
这不是离谱的边角案例。这往往就是快速迭代的 AI 开发的常态。
默认是错的。浪费是隐形的。账单来得很晚。
同样的事情到处在发生。
一个检索系统把重复内容都做了嵌入。一个客服智能体在重试里死循环。一个写代码的智能体拿最贵的模型处理最琐碎的修改。外包方的 Key 在合同结束后继续有效。离职员工的 Key 在离岗后依然能用。一个生产环境的 Key 最后出现在某个人的笔记本电脑里。
他们未必是恶意的。只是系统根本没人管。
当 AI 行业说需求在爆炸时，其中一部分确实是真实的生产力。还有一大部分，是坏默认、过期凭证、缺失的预算控制，以及无人监管的机器劳作。
增加算力并不能解决这个问题，它只会喂养这个问题。连像亚马逊这样的公司都在报告这一点。
这就是诱导需求。这就是那条高速公路。
「人出、机进」的心态
在员工人数下降、AI 预算上升的背景下，这两者常常被明确地绑在一起。微软已经明说，它的裁员并不等同于单纯用 AI 来替代。Sam Altman 也承认，对某些裁员把原因归因到 AI 上，是他所谓的「AI 洗白」：用 AI 作为借口，为本来无论如何都会发生的裁员辩护。CEO 们的调研也在显示，他们不得不基于 AI 来规划调整。
数据真正清晰地展示出的，是优先级的重新分配。Challenger 描述说，科技公司正在围绕 AI 重组，自动化某些岗位，并把预算重新分配到新的能力上。具体的某个员工和具体的某块 GPU 并不需要一一对应，这种资本迁移依然是真实存在的。
这反而让那个不舒服的问题变得更尖锐，而不是更柔和。
如果这场交易不是用人换 AI 生产力，也不是完全用人换一无所获，那么机器这一侧的账本到底是什么？没人能给出有力的答案，因为 AI 开支正在变成人工成本，却完全没有用接近管理工资的严谨度来管理它。
人类员工有管理者、有预算、有权限控制、有公司卡、有门禁卡、有离职流程、有绩效评估和审计回溯。
机器员工，往往只有一个 API Key。
我们正在把预算，从人类工资转移到机器工资，然后却把机器工资当作一堆密码来管理。没有所有者。没有管理者。没有有效期。没有消费政策。没有「凭条」。没有「每个有用结果的成本」。没有证明机器劳作的价值足以配得上机器的成本。
API Key 是新的公司卡
一家公司绝不会说：「有个前员工的公司卡一直没收回，没人知道它在刷什么，我们几个月后才发现。」这会被视为显而易见的运营失败。但在 API 这一层面，这种事天天都在发生。
一个模型服务商的 Key 能制造开支。一个云厂商的 Key 能创建基础设施。一个 Stripe 的 Key 能移动资金。一个 GitHub 的 Key 能把代码推到线上。一个数据服务商的 Key 能访问付费数据集。一个广告平台的 Key 能烧掉广告预算。一个交易所的 Key 能交易资产。
它们不只是秘密信息。它们是经济权力。
太多 API Key 仍然被当成密码在对待。它们需要被当成机器用的公司卡来管理。
外包团队、开发商、营销代理、审计机构、兼职团队、员工和智能体，都需要对这些资源拥有此起彼伏的访问权限。今天，公司要么授予过度访问，要么把一切拖慢。项目结束了，访问仍然存在，开支继续流出。
这不仅是安全问题。这也是会计问题，是治理问题，也是基础设施问题。
当地人很清楚
公众对数据中心的反弹不只是「别建在我家后院」的排斥（NIMBYism）。人们能感受到那种矛盾。盖洛普的一项民调最近发现，十个美国人中有七个会反对在自己城市建设 AI 数据中心。
数据中心消耗巨量电力。取决于冷却设计和地点，它们也可能消耗大量水和土地。它们带来真实的热量、噪音、电网输送之争，以及地方政治压力。好处常常显得遥远、私有、或带着高度不确定性。代价却是本地的。
基础设施负担被集中压在乡郡。经济收益却被摊薄，并且往往被别处攫取。好处被承诺在未来。代价却先一步到来。
这是政治上不稳定的。到 2026 年，它不再只是预测。
行业不应该对数据中心变成全国性的政治斗争感到惊讶。如果 AI 基础设施向社区索要土地、电力、水和耐心，这个行业就应该有能力证明，这些算力被用得很值。
而现在，很多买方做不到。
用人换不计量的机器，是错的
把这些层面叠在一起看。
一个 CFO 看了 AI 投资论，批准了扩建，裁员为此腾出预算，然后向董事会保证账算得过来。算力被预配好了。工作负载上线了。默认配置是错的。Key 没人管。昂贵模型被严重滥用。智能体重试过多。旧凭证继续有效。账单涨得比预期快得多。
董事会问为什么。回来的答案是：AI 需求在爆炸，我们需要更多容量。于是 CFO 签下下一份合同。循环重演。
与此同时，被取代的员工看着公司在 AI 系统上大笔花钱，而这些系统能否真正带来承诺的生产力，却未必说得清。一位县委员要接到关于电力、水资源、土地和噪音的愤怒来电。电网运营方试图让账面平衡。一位当地居民被告知，这就是未来。
太多时候，这场交易并不是用人换生产力，而是用人换不计量的机器
劳作。用人换坏默认。用人换混乱。等到这些混乱变得昂贵，行业给出的答案不是自律，而是再建一个
数据中心。再来一个，兄弟。
真正的答案
真正的答案不只是多建数据中心。
真正的答案，是聪明地使用我们已经有的数据中心。
这对行业来说是句不太好说出口的话，因为激励并不完全一致。服务商往往是在消费上涨时赚钱。买方则是在有用结果增加时获胜。这两条曲线并不相同。
买方的利益是具体的。
买方想要的是：能完成任务的最小模型。能解决问题的最少调用。在项目结束时自动失效的 Key。只在正确设备上才生效的凭证。一旦智能体偏离策略就会被切断的执行。只有在商业论证真实可信时才获批的例外。
这些都不需要新建数据中心。它需要的，是对我们已经拥有的算力进行智能的配置。
通往解决方案的道路很无聊
把工作负载与模型大小匹配到合适的程度。能批处理的就批处理。能缓存的就缓存。该约束的就约束。该授权超标的就明确授权。运行在错误配置上的，就直接拒绝。 credential，从错误的设备、由错误的持有者、用于错误的工作。按“有用结果”计量成本。自动过期访问权限。终止失控的循环。将低风险工作路由到低成本模型。只有在质量确有需要时才升级到更贵的模型。生成凭证 / 回执。
市场已经开始注意到这一点。今夏起，CFO 和董事会开始收紧那些远超预算的 AI 账单。模型路由从论文概念走进董事会的词汇表，各团队开始寻找办法，把例行工作交给更便宜的模型，同时不牺牲质量。模型提供商自己也开始推出管理开支上限，因为客户要求能有办法控制账单。
很好，这一波是真实且姗姗来迟的。提供商现在支持会在触达额度时直接拒绝调用的硬性支出上限、按用户限额，以及审批流程。
但请注意这一波的边界。这些控制手段只管到单一提供商、单一项目或单一应用内部的消耗。路由能选一个更便宜的模型，上限能拦住失控的账单，但两者都没有回答更大的“权限”问题：到底是哪台机器、从哪个运行环境、代表谁、为了什么目的、访问了哪些外部资源，以及事后有什么可携带的证明。成本控制不等于可编程、可验证的权限管理。
AI 需要的是完整的规范约束，而不仅是“成本”这一半。不是因为 AI 有多坏，而是因为 AI 正在变成“劳动力”。而劳动力需要管理。
AI Agent 所缺失的那一层
这就是我们认为 AI 正在缺失的那一层，它刻意要比整个 FinOps 堆栈更窄。
经济权限应当在执行之前被治理：谁和什么可以花钱、从哪个设备和运行环境、为哪类工作负载、在什么限制之下。并且在最后要有一份真实的人可以核验的回执。
数据中心的扩建有一部分确实是必要的。AI 是真的，而真实的事物需要基础设施。但如果需求是失管的，那么所需的建设规模会更大、更快、更难被证明其合理性。正确的道路不是账单出来之后再看一个更漂亮的仪表盘，而是在“凭证”层面加上控制，在花钱发生之前就加以约束。
朝正确的方向前进
再建一个数据中心，哥们。
我们保证这次一定奏效。算力马上就要上线了。浪费率马上就要降下来了。利润率马上就要显现了。工作负载马上就要变得高效了。当地居民马上就要接受了。电网马上就能扛住了。那一万亿美元的租约马上就会显得保守。董事会马上就要看到生产率的提升。
就再来一个。
也许其中一部分产能是必须的。但在整个行业再次向社区索要更多土地、更多水、更多电力和更多耐心之前，买方应该先能回答一个更简单的问题。
我们是否已经在很好地使用现有的算力？不是在一页 PPT 或一份政策备忘录里。
而是在回执里：用了哪个模型。哪个工作负载需要它。哪个密钥授权了它。这才是下一场 AI 基础设施之战的焦点。不是“要不要算力”，而是“有治理的算力”对“浪费的算力”。
别再盲目建设。先把手里的用好。