模型降价，企业隐性成本不降反增

本文来自微信公众号： 智能极限 ，作者：极限君

9月28日，Anthropic发布了新一代主力模型Sonnet 5.5，称因推理速度提升，调用成本最多下降30%。

10月7日，Anthropic上线最新款轻量模型Haiku 5.5，单价只有上一代Haiku 4.5的10%、新款Sonnet 5.5的5%。

AI能为个人节省时间、为企业压缩成本，这几乎已成共识。但拉长时间维度、算清全链路总账，这个结论还站得住脚吗？

专业用户的实际工时是否真的减少？企业整体成本是否实现实质性下降？持续累积的AI生成代码，当下由谁验收，后续又由谁承担长期维护责任？

01代码膨胀后，高效反而带来新烦恼

AI写第一版代码的速度越来越快，也让「把活交出去」显得更容易。

但企业需要的不是更多代码，而是能上线、能维护、能快速响应、能解决问题的组织系统。

这需要经验。Anthropic在一份内部调查中提到，AI的应用正在彻底改变软件开发人员的工作性质。

工程师们能够完成大量工作，变得更加「全能」，不仅能够胜任其专业领域之外的任务，学习和迭代速度也得到提升。

来源：Anthropic；依据原稿所引内部调查。

然而，工程师们发现，他们与同事的合作次数减少了；还有人担心，自己最终可能因为自动化而失去工作机会。

生产率跃升，他们却面临「高效的烦恼」：需要对Claude生成的代码开展更多调试与清理工作——「我跟着AI的思路写代码，最后陷入死胡同」。

来源：Anthropic；依据原稿所引内部调查。

由于代码并非自己编写，理解它们会带来更高的认知负担。还有人表示使用Claude让自己「坚持完成那些以前会直接放弃的任务」。

能够节省时间的工程师，通常给Claude划定可快速验证的任务范围；而耗时变多的工程师，则大多在调试AI生成的代码，或是疲于给AI提供引导信息。

工程师们对于是否将Claude「纳入自己的专业领域使用」存在分歧：

• 有些人将其用于「边缘性」领域，以节省实施时间；

  
  

• 而另一些人则喜欢用它处理那些他们已经熟悉的领域，这样可以更容易地验证结果——「我使用Claude的方式是，能够完全理解它的运作机制」。

  
  

大多数人表示，能完全委托给Claude处理的工作不足20%，仅少量任务不需要任何验证；在处理高风险任务时，必须主动监督与确认。

Claude曾给出「聪明但危险」的方案，只有具备经验和判断力的工程师才能看出问题。他们还得判断需求有没有说全、改动会不会破坏别的模块、测试是否覆盖边界场景……

02编程热潮降温，CS毕业生挣扎于低迷的就业市场

「人才梯队」是一笔企业没入账的长期成本：今天省下的初级工程师工资，是几年后用更贵的中层空缺去还的。

美联社近期报道，科技产业雇主们对新毕业生的期待不断上移。

应届生就业形势严峻，软件开发行业尤为突出：编程热潮鼎盛期，计算机专业在校生甚至无需投递简历就能拿到录用offer；如今，哲学、艺术史、民族研究等专业毕业生的就业率反而更高。

来源：美联社；数据来源：IPUMS USA。

入门级岗位愈发稀缺，学生与高校也在随之调整：各大高校正试点定向实习项目，并强化AI工具相关培训。虽然多数毕业生最终仍能找到工作，只是招聘主体不再是科技巨头，而是那些仍在探索AI落地应用的中小企业。

这类岗位要求毕业生能快速上手，在前沿领域开展工作。行业变动极为剧烈，不断有人被裁或离职，当下整体给人一种「高度动荡的狂热感」。

计算机专业院系不断收到企业反馈，希望毕业生训练得更扎实，能够承担接近中层管理者的工作，而不只是开发任务。

一组很反直觉的数据是，ChatGPT发布后，年轻软件开发者的数量反而一直在下降。

来源：美联社；数据来源：斯坦福数字经济实验室、ADP研究组。

美国计算研究协会警告称，已主动联系行业领军企业，呼吁加大对初级岗位人才的投入培养。

如果企业不改变当前的招聘模式，几年后就会面临中层技术人才断层。

2026年，计算机与信息科学专业的入学人数首次回落，该领域持续十余年的增长态势迎来拐点。

来源：美联社；数据来源：全国学生信息交流中心。

一些毕业生投递了数百份简历，只拿到寥寥几场面试，其中大部分还是AI机器人面试；另一部分毕业生则因找不到工作，转而创办了自己的软件公司。

裁撤初级岗位的后果是：几年后，企业内部或许没人能真正接手那些由AI生成、却没人理解的复杂系统。

这是一笔延迟支付的成本。

03市场环境剧变，企业的短期账与长期账该怎么算？

短期成本：算清三笔账

第一，别只看模型账单，要算全流程成本。

模型调用只是成本之一，企业还要计入派发任务、审查纠错的人工，数据与工具接入、权限管理、培训和运维，以及故障损失。

自部署模型还要算硬件、能耗和运维人员成本。

第二，省下来的时间去了哪里？

AI节省的工时，是被重新投入工程任务，还是转向审查输出，甚至流向非工作场景？这决定「降本」是否真正转化为产出。

否则，释放的只是空出的时间，不是利润。

第三，效率上来了，价值却在缩水。

AI提高全行业生产和研发效率，也意味着单位产出与边际创新的价值持续下降。

如果投入端的降本速度追不上产出端的贬值速度，企业就可能被淘汰。

长期成本：回应三种变化

第一，RSI与监督成本。

Anthropic近日首次披露：Claude已能在人的监督下主导约26%的AI研发工作——今年3月这个数字还不到1%。

RSI（递归式自我改进）大火后，人的纠偏与批准会变成「常设成本」。

今年8月，Anthropic内部审计系统审查了超10亿次AI执行决策，拦截了约0.002%（每4.7万次执行拦截1次），每周还有约50起高优先级案例升级到人工复核。

AI的自我纠错能力仍然存疑：一项覆盖30万条AI提交记录、6299个GitHub仓库的研究发现，在被识别并追踪的代码缺陷中，经AI纠错后，仍有22.7%的问题遗留在最新版本里。

因AI参与研发积累的「技术债务」可能会越滚越大。

第二，人才梯队与维护责任。

代码越容易生成，越需要有人看懂改动、追查故障，并判断系统能否安全运行。

在Anthropic的内部调查中，一些工程师担心，初级员工少了自己排错的机会，可能失去建立系统判断力的过程；也有人观察到，年轻同事向资深同事请教变少。

如果新人长期只让AI生成代码，他们无法积累高级工程师所需的系统经验。代码可以交给AI生成，而长期维护责任一旦悬空，后续处置代价巨大。

第三，信任成本与供应商依赖。

信任虽然是一笔「算不清的账」，但企业必须清醒地认识到：当各行业都搭建在大模型基座上，企业经营风险会与模型厂商的动作深度绑定。

越来越多的代码正进入真实系统，复杂性也沿着两条线扩散：

• 一条是训练基础模型所依赖的底层系统，由头部科技公司研发和维护；

  
  

• 另一条是企业将模型接入业务后，智能体生成、修改的应用系统，由企业内部工程师验收和维护。

  
  

前者定义技术路线、服务稳定性和数据边界；后者则直接嵌入企业流程。

这两大系统彼此独立，却都在变得更加复杂。

AI在赋能千行百业的同时，也将新的不确定性引入整个社会。

企业应关注的，远不止接入AI后直接节省的账面成本，更要明确：如何化解技术债务，谁来承担维护责任，怎样管控依赖关系，何以保障经营安全。

参考资料

[1]Anthropic.Introducing Claude Sonnet 5.5.2026-09-28.

[2]Anthropic.Introducing Claude Haiku 5.5.2026-10-07.

[3]Anthropic.How AI is transforming work at Anthropic.2025-12-02.

[4]美联社.As the coding boom fades,computer science grads focus on AI skills in choppy job market.2026-09-24.

[5]Yue Liu et al.Debt Behind the AI Boom:A Large-Scale Empirical Study of AI-Generated Code in the Wild.2026-03-30.