每天 601 美元、约每月翻倍：AI 写代码的真实账单，第一次有了刻度

结论

Epoch AI 的一份报告给出了一个相当具体的数字：OpenAI 研究员的 编码智能体推理支出，按 API 牌价计算约每月翻倍。2026 年 1 月，中位数研究员的日支出还不到 1 美元；到 8 月中旬已经达到 601 美元，年化约 200 万美元 —— 大致持平甚至超过雇佣一名研究员的成本。报告同时提醒，这一增速难以持续（再翻一年将达到每人约 1.85 亿美元），且牌价数字并不反映 OpenAI 的实际支出。这组数字的价值不在"贵得吓人"，而在于它第一次给"AI 写代码到底值多少钱"提供了一个可比较的刻度。

三个要点

• 翻倍节奏意味着用量与成本同时失控。 半年多从不到 1 美元到 601 美元，是量级变化而非百分比变化。这背后是"让智能体长时间自动跑"这种用法在扩散 —— 它做的事更多，也更容易在无人看管时持续花钱。
• 牌价 ≠ 实际支出，但仍是有效参照。 大厂内部有折扣与自建算力，真实成本低于牌价。但对绝大多数用 API 的团队来说，牌价就是你面对的价格，这个刻度直接可迁移。
• "接近雇一个人的成本"是一个心理阈值。 当单位成本接近人力成本，比较对象就不再是"AI 便宜不便宜"，而是"这笔钱该给人还是给模型"。这会倒逼使用方式变精细：更短的任务、更明确的验收、更少的空转。

对你意味着什么

给智能体设硬上限。 按天、按任务、按会话设预算上限，超限就停。无人看管的自动任务最容易出现"跑了一夜、账单翻了十倍"的情况。

衡量单位成本，而不是总花费。 记录"每个合并的 PR 花了多少钱""每个修好的 bug 花了多少 token"。没有单位成本，就没法判断值得不值得。

优化长尾任务，收益最大。 简单任务用小模型、走缓存、限制上下文；把大模型留给真正需要推理的环节。成本结构里，长尾往往比峰值更容易优化。

把"值不值"的问题提前问清楚。 对每一个要上的自动化任务，先写下预期节省的人工时间，再乘以人力成本。算不出来，就先别全自动。

一句话：AI 的成本问题，从来不是"贵不贵"，而是"你知不知道自己在为什么付钱"。

参考来源

• Epoch AI 报告（经 X / Rohan Paul 转述）：OpenAI researchers' coding-agent inference spend doubles roughly every month

延伸阅读：每天 50 万美元查一次事故：Agent 安全的成本第一次有了锚点 · AI 伪造歌曲骗了 800 万美元版税，被判 18 个月：生成式侵权的「规模化」第一次被计价 · 罚金是投资额的 2.2 倍：对外投资规则第一次真的「收钱」了