当 AI 成本高于工程师时

成本比较中的缺陷

• 许多人认为这篇文章是“垃圾”，因为它把 AI 训练 成本（模型实验室的支出）和普通公司的 推理 及工具使用混在了一起。
• 用 Anthropic 的人均算力开销来作为“每位工程师的 AI 支出”基准，被认为是自相矛盾的：他们的算力是产品的原材料，而不是给员工用的工具。
• 批评者说，这就像把 Shell 的石油开采算作“燃料支出”，或者把建筑公司的混凝土算作“电动工具”。

谁来为训练和算力买单

• 有人说，所有训练成本最终都必须转嫁给客户，因此它们 确实 重要。
• 也有人指出不确定性：摊销周期未知；实验室可能破产；投资者或收购方也许会承担其中大部分成本。
• 还有人强调，AI 实验室是资本支出密集型的工业企业，不是那种由薪资主导的典型软件公司。

类比与经济框架

• 许多类比（锤子 vs 拳头、瓶装水、汽车制造商的零部件 vs 人力）被用来说明：把 AI 实验室的算力支出与普通公司里的 AI 工具支出相比较是误导性的。
• 也有人反驳说，真正的成本—收益分析 应该 包括完整工具链成本，而不只是边际使用成本。

AI 支出 vs 工程师生产力

• 文章引用的最高端数字（AI 约为资深工程师成本的 40%）被认为值得注意，但远不到“比工程师更贵”。
• 有人认为，即便在 AI 上花费相当于工程师工资的 2 倍，只要真能带来 10 倍生产力，那也合理。
• 也有人怀疑会有这种收益，并预计公司会引入与 AI 成本挂钩的“token 预算”和绩效管理。

真实世界中的开发者体验

• 许多人把 LLM 看作能力很强但容易出错的初级开发者：很适合样板代码、映射、修 bug、解释和 POC，但需要仔细审查。
• 据称的生产力提升大多集中在“也许是 2 倍，不是 3.3 倍”，而现在花在规格说明和审查上的时间也很多。
• 有些人感受到“最后一公里问题”：AI 已经完成了 90%，最后 10% 的成本却很高；另一些人则说，更好的提示和更清晰的范围界定基本能解决这个问题。

更便宜 / 开源模型与成本控制

• 有人预计开源权重模型会以大约 1/10 的成本提供类似价值，尤其是在常见任务上。
• 也有人反驳说，前沿模型在高影响的边缘案例中仍然重要，因为哪怕小幅性能提升也价值数百万。
• 对发展轨迹存在分歧：一方称模型改进正在放缓；另一方则强烈反对这一说法。

组织与战略层面

• 许多人认为当前的 AI 支出受炒作驱动，是在追逐“ shiny object ”，而且往往由额度或 VC 资金补贴。
• 有人怀疑昂贵的 agentic 工作流（例如自动修复工单）在免费额度结束、真实云成本和 token 成本显现后是否还能存活。
• 还出现了一些对高管决策、以 AI 为理由裁员，以及围绕自动化的过度承诺的普遍批评。