人工智能支出排名前 1%的企业中，7 月份每位员工的人工智能支出环比增长了 49%。

前 10%的企业中，支出增长了 25%。中位数企业中，增幅为 9%

那些已经在人工智能上投入巨资的企业，其支出增长速度远快于其他企业。而这并非仅仅是一个月的现象。自2023年10月以来，排名前1%的企业每月人均人工智能支出增加了6,542美元。同期，中位数企业的增幅仅为9.63美元

分布也正变得越来越不均衡。第 90 百分位企业与中位数企业之间的人均 AI 支出比率，已从 2023 年 10 月的 27 倍翻倍至如今的 54 倍。

解读这些数字有一个有趣的角度。在 AI 采用曲线上走得最远的企业，对智能的需求弹性似乎要高得多。换句话说，随着 AI 变得更便宜，它们并不会简单地减少支出以完成同样的工作量，而是会找到更多的事情来利用它。

这对我们如何看待 AI 采用具有重大意义。迄今为止，大部分讨论都集中在可及性上：有多少公司采用了 ChatGPT 或 Copilot，有多少员工拥有 AI 许可证，或者有多少企业报告使用了生成式 AI。

这些衡量标准能告诉我们一些关于 扩散 的信息。但渐渐地，它们对经济影响的揭示可能越来越少。

两家公司可以让每位员工使用同一个前沿模型，却得到截然不同的结果。一家可能偶尔用它来总结文档、起草邮件。另一家则可能将模型整合到软件开发、研究、客户服务和内部工作流程中，将其连接到专有数据，并部署能够持续执行任务的智能体。

两者都算作 AI 采用者。但它们对智能的实际消耗完全不同。

这正是支出分布日益分化变得尤为有趣的地方。它表明，稀缺资源可能正逐渐从获取智能转向 运用智能的组织能力 。

企业需要识别正确的工作流程，重组业务流程，将模型与数据和系统连接起来，建立治理机制，培训员工，并且至关重要的是，通过实验学习，了解人工智能究竟在哪些方面能够产生回报。

一旦这样的基础设施建立起来，人工智能成本的下降就会产生截然不同的效果。

一项在 10 美元成本下不经济的工作，在 1 美元时就会变得有吸引力。一个原本每周运行一次就值得的工作流程，或许值得持续运行。一家为 AI 智能体找到高效用途的公司，可能会部署成百上千个这样的智能体。

这当然是技术进步中一个熟悉的模式。过去几十年间，计算成本大幅下降，但计算方面的支出并未消失。恰恰相反，更便宜的计算让我们发现了更多值得计算的事情。

AI 可能会走上类似的道路。因此，重要的变量或许不在于每个token的价格，而在于随着智能的有效价格下降，有多少经济上有用的任务变得可行。

再补充一个不那么明显的含义：人们通常预期更便宜的 AI 会 democratize 获取渠道并缩小企业之间的差距。在获取层面（例如拥有 Copilot），这或许确实如此。前沿能力迅速扩散，模型价格也在下降。

但上述支出数据同时指向另一股力量。 如果那些已经懂得如何运用 AI 的企业拥有最强劲的需求响应，价格下跌实际上可能拉大企业之间的差距。

那些已经懂得如何“消费”智能的企业，正在智能价格下降时做出最强烈的反应。如果这一趋势持续下去，企业采用 AI 的分水岭可能不再是有 AI 的公司与没有 AI 的公司之间的区别。它可能仅仅是那些已经想清楚如何利用廉价智能的公司——与那些仍在摸索中的公司之间的区别。