AI编程成本未来将超越人类开发者薪资水平
Gartner预测，到2028年AI编程总成本将超过普通开发者薪资，主因是Token涨价及计费从订阅转向按使用量付费。企业面临成本不确定、透明度低等挑战，超四分之三高管无法掌握AI运营成本。建议构建Token经济模型，严密追踪各环节消耗。
Gartner周三发布了一份最新报告，直接揭示了一个让众多技术负责人感到压力的趋势——到2028年，AI编程的总成本极可能超过雇佣一名普通开发者的薪资。背后的核心推手，归根结底是Token价格持续上涨，以及计费模式正从以往的订阅制悄然转向按使用量付费。
这种转变带来的第一个直接后果是：AI支出变成了一个高度不确定的变量。过去购买订阅，预算清晰可算；如今按Token消耗计费，技术负责人想要提前预测成本，难度直接上升了一个台阶。更棘手的是，各大厂商在Token如何计算、如何计费方面普遍缺乏透明度。你花出去的每一分钱，究竟购买了多少算力，心中没有底数。
Gartner的高级首席分析师尼提什·泰亚吉说得相当直白：现在企业自身还在为如何让AI项目真正落地、如何衡量业务价值而头疼，结果成本结构这边已经开始剧烈变化。“以Token为单位的AI支出越来越难以获得预算批准，而且资金往往比预期消耗得更快，软件开发工程那边的负责人承受着巨大的压力。”
其实，将AI融入开发工作流，在行业内已经算是默认做法。程序员花在写代码上的时间越来越少，更多精力需要用在管理AI生成的输出上。这听起来很美好，但随之而来的问题是——成本正在疯狂攀升。Gartner的研究数据非常直接：随着AI在企业中大规模铺开，成本持续飙升，工程部门首当其冲。
Token为什么会超支？根源在于管理方式。许多团队在工作流中部署了大量缺乏治理的自主智能体，这些“小东西”在后台疯狂消耗Token，而负责人可能完全没有察觉。泰亚吉的判断是：“基础设施投入持续加大，模型定价随之走高，AI编程成本只会不断上升。再加上更多轻度用户会快速成长为重度用户，依赖度和熟悉度一旦提升，Token消耗量和总支出的增长就难以遏制。”
Altimetrik今年4月发布的数据印证了一个尴尬的现实：真正为AI项目制定了清晰战略、明确目标和预期成果的企业少之又少。但即便如此，绝大多数企业仍选择硬着头皮往前冲，害怕错过这波机遇。毕马威周三的报告则直接把问题摆在了台面上——只有略超四分之一的企业C级管理者能实时、全面地掌握AI系统的运营成本。也就是说，超过四分之三的高管，其实对资金流向何处、花费多少，心里完全没有数。
毕马威AI企业转型负责人拉尚·希尔斯在给CIO Dive的邮件里说得更加直白：很可能有大量智能体在后台持续运行了好几天，管理层对此一无所知，也从未进行过审计。“首席财务官看不到这些成本，首席信息官可能也一样。这就是当前企业AI经济的现实——成本在无人充分监测的工作流里，悄悄地、持续地累积。”
那么问题来了，该如何管控？希尔斯的建议是：首席信息官必须将使用情况整合起来，严密追踪。无论是云平台、智能助手、智能体框架、编程工具、业务工作流，还是团队级实验——所有环节的消耗都必须盯紧。企业应该构建一套“Token经济语义模型”，把使用量与成本挂钩，再将成本对应到具体的归属主体，最终将AI归属映射到业务价值、工作负载、行为模式和风险维度上。
超支固然是一个代价高昂的失误，但希尔斯提醒，更严峻的风险其实是“无法掌握AI系统运营状况”。一旦服务商降低某项能力，或者成本突然飙升，技术负责人可能完全察觉不到。他建议首席信息官尽快排查：哪些智能体需要限速？哪些框架正在高端模型上运行非必要的循环任务？哪些工作流才是真正关键的业务？
“如果缺乏这种可见性，企业就相当于在没有任何监测手段、也没有应急预案的情况下，管理一支智能体舰队。”希尔斯这个比喻，非常值得每位技术负责人细细品味。
Q&A
为什么AI编程成本会超过人类开发者薪资？
根据Gartner报告，核心原因有两个：一是Token价格持续上涨，基础设施投入加大和盈利压力促使模型定价不断提高；二是计费模式从订阅制转向按消耗量付费，随着更多开发者从轻度用户转变为主流用户，整体Token消耗量只会越来越大。预计到2028年，AI编程总成本就会超过一名普通开发者的薪资水平。
企业在管控AI成本方面面临哪些挑战？
主要挑战有三个：第一，厂商对Token消耗的计算和计费方式缺乏透明度，支出难以预测；第二，很多企业在工作流中使用了未受有效治理的自主智能体，这些智能体可能在后台持续运行数日而无人知晓；第三，调查显示超过四分之三的企业C级管理者无法实时、全面地掌握AI系统的运营成本，信息盲区非常严重。
企业应该如何有效控制AI的Token超支问题？
可以从几个方面入手：首席信息官应整合并追踪云平台、智能体框架、编程工具等各环节的使用情况；企业需要构建Token经济语义模型，把使用量与成本及业务价值关联起来；同时还要排查哪些智能体可以限速、哪些工作流属于关键业务，建立完善的监测体系和应急预案。别等到成本失控了才想起来去管，那就被动了。
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：AI编程成本未来将超越人类开发者薪资水平要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点传统企业RAG项目最难的骨头是数据处理，包括数据整合、清洗和知识提取，沟通与技术成本极高。其次检索模块要求精细打磨分块策略、Embedding选择及混合检索，生成部分需控制上下文长度、防止幻觉并固定输出格式。
二零二五年五月，人工智能公司Anthropic发布Claude4系列（Opus4与Sonnet4），在SWE-bench编程测试中超越Gemini2 5Pro。其智能体基础设施四大改进：扩展思维与工具使用、记忆能力、指令遵循，奖励黑客行为减少百分之八十。Sonnet4成本仅为Opus4的五分之一，是日常编程首选模型。
SLAM技术主流采用传统特征提取方法，因其算力成本低、可在CPU实时运行，且多数场景下精度已满足需求。深度学习特征在长时定位、光照剧变等极端场景更具优势，但受限于GPU成本和泛化性，目前落地较少。两者将在不同场景中并行发展。
基于深度学习的边缘检测技术可在OpenCV中通过DNN模块实现，采用整体嵌套边缘检测（HED）模型，利用卷积神经网络融合多尺度特征，比经典Canny检测器更精确，需OpenCV3 4 3及以上版本，并正确配置blobFromImage参数与均值。
- 日榜
- 周榜
- 月榜
热点快看