从流量逻辑到任务逻辑，AI Agent正在终结互联网的免费午餐

【编者按】

2026 年 4 月 29 日，Andrej Karpathy 在红杉 AI Ascent 的炉边对谈中提出一个判断：一个面向原生智能体（agent-native）的新经济正在长出来，今天所有为人类写的软件、文档和流程，都要被重写为“为 Agent 而写”。他谈的是供给侧的工程重构，却留下了一个没有回答的问题：如果一切都要重写，这场重写由谁付费，价值又如何分配。 

智能体经济课题正是从这个问题开始。第一篇《AI商业化的十字路口：为什么广告与订阅都难以单独走通？》讨论 AI 如何变现，结论是广告与订阅都难以单独走通，商业化的重心由"卖入口"向"卖结果"转移。这一篇再往下追一层：商业模式为什么必须变。答案要往成本结构里找，互联网“多服务一个用户几乎不额外花钱”的经验正在失效，而围绕这条经验建立起来的利润分配方式，也就到了重新计算的时候。过去二十年，互联网公司最重要的商业信仰是：用户越多，成本越低，利润越厚。 

搜索引擎、社交媒体、短视频、内容平台、电商平台，本质上都建立在同一个前提之上：当基础设施建好以后，多服务一个用户、多展示一次页面、多分发一条内容，边际成本几乎为零。互联网公司的真正瓶颈，往往不是“每一次服务是否亏钱”，而是能否获得足够多的用户时长、数据、广告主和交易场景。 

广告也正是在这个前提下，成为互联网最重要的商业模式之一。 

因为当内容和页面可以被近乎零成本地分发，平台就可以把用户的搜索、浏览、点击、停留和购买路径，拆解成一个个可售卖的广告位置。用户旅程越长，平台可以植入商业的触点就越多；用户比较得越久，广告、推荐、品牌内容和搜索排序的价值就越高。 

但 AI Agent 正在动摇这个信仰。 

AI Agent 不是在简单分发已有信息，而是在替用户执行任务。每一次对话、每一次推理、每一次文件读取、每一次工具调用、每一次结果校验，背后都对应真实的 GPU 算力、电力消耗、芯片折旧和系统调度成本。 

更重要的是，AI 不只是改变了互联网公司的成本结构，也改变了广告赖以存在的用户链路。过去，用户需要在多个页面、多个平台、多个品牌之间反复搜索和比较；未来，用户可能直接把需求交给 Agent，让它筛选、判断、排序、预约甚至完成交易。 

这意味着，AI Agent 时代的免费用户，每服务一次可能都是亏钱的，，而传统广告也会失去一部分赖以变现的长链路空间。 

如果说互联网经济的关键词是“流量”，那么 AI Agent 经济的关键词就是“任务”。流量可以被廉价分发，任务却必须被真实执行。广告过去卖的是用户注意力经过哪里，AI 时代更重要的问题则变成：任务由谁理解、由谁编排、由谁完成，以及哪些品牌能够进入 Agent 的候选集和决策依据。 

因此，AI Agent 经济不是互联网商业模式的自然延伸，而是对互联网增长神话和广告逻辑的一次反向修正。 

互联网广告的前提：低边际成本

互联网（包 括软 件）商业模式的底层逻辑，可以用经济学最基础的公式来理解： 

TC = FC + MC × Q （总成本 = 固定成本 + 边际成本 × 产量） 

在传统互联网时代，无论是开发一款 App、写一篇文章还是录制一段视频，主要成本都集中在前期的研发和制作阶段，也就是较高的固定成本 FC。然而，一旦产品上线，服务第一个用户和服务第一百万个用户，企业所增加的服务器和带宽成本往往微乎其微，MC 接近 0。 

这种极低的边际成本，使相关商业模式天然具备极强的规模效应。数字产品的核心特征是可无限复制，且复制成本几乎为零。一旦软件开发完成、服务器部署到位，新增一个用户的边际成本几乎可以忽略不计，无非是多占用几 KB 存储空间、多消耗几 KB 带宽流量。 

这种特性使平台经济更容易形成规模优势：谁先达到规模临界点，新增收入就能够以更高比例转化为利润，从而形成强大的经营杠杆。 

在此基础上，互联网演化出了三大经典商业模式。 

订阅模式：软件复制成本极低，订阅用户增长直接对应收入增长。这也是为什么资本市场长期愿意给 SaaS 公司较高估值：一旦跨过盈亏平衡点，利润增长速度往往会远超收入增长速度。 

佣金模式：搭建交易、支付和履约基础设施，每多一笔交易抽取稳定佣金。 

广告模式：免费服务吸引海量用户，将注意力打包出售给广告主。以搜索广告为例，搜索算法和广告系统一旦部署完成，每多一次搜索请求增加的服务器成本相对有限，而每多一次广告点击都意味着增量收入。 

广告模式之所以能长期成立，并不只是因为用户多，更因为用户旅程足够长。一个用户从产生需求到完成购买，往往会经历搜索、浏览、比较、收藏、咨询、跳转、下单等多个环节。平台可以在搜索结果页卖广告，可以在信息流里做种草，可以在详情页强化转化，也可以在再营销环节继续影响用户决策。广告的价值，本质上来自对用户旅程的层层介入。 

平台不需要为每一次用户决策承担完整服务成本。搜索引擎把用户导向某个网页，社交平台把用户导向某个品牌账号，短视频平台把用户导向某个直播间，电商平台把用户导向某个商品详情页。平台更多是在“撮合信息与注意力”。 

AI Agent 经济的困境：边际成本+训练成本

互联网是在分发已有信息，而 AI 是在实时生成信息。这种从 “复制” 到 “生成” 的质变，带来了完全不同的成本结构与商业逻辑。 

首先，AI推理成本是显性的，AI使用的边际成本显著大于零 （MC > 0） 。 

大模型每输入/出一个 Token （词元） ，GPU 都在高速运转，消耗着实打实的电力和芯片折旧费。模型参数越大、上下文越长、任务越复杂，单次推理成本就越高。一次简单问答、一次Deep Research、一次代码开发、一次跨软件操作，成本可能差几十倍甚至上百倍。AI Agent 经济不仅存在非零边际成本，而且边际成本本身高度异质。 

尽管单 Token 价格正在快速下降，但这并不意味着边际成本会持续趋近于零：伴随 Agent 能力升级，单任务消耗的 Token 量级正从数百快速攀升至数十万 —— 规划、调工具、读文件、自我校验、失败重试都会消耗大量算力。单 Token 在通缩，单任务在通胀，两条曲线的剪刀差构成了 AI 经济学的核心：Token 越便宜，大家越敢让 AI 干更重的活，总账单反而更大，这正是 AI 领域的“杰文斯悖论 （ J evons Paradox） ”。 

单 Token 的降价并非单向下行。摩根士丹利统计显示，2026 年二季度国产大模型平均 API 输出价格，较2025年一季度上涨约 80%，行业正从价格战转向价值定价。价格本身也在分层，商品化模型继续走低，前沿模型反向上调。前沿智能按价值定价，其成本并不随商品化同步下降。 

虽然可以通过批处理提高GPU利用率、KV缓存、自建推理集群、自研芯片等方式压低单位成本，但边际成本的下降幅度远不如互联网经济，且会被使用深度增长抵消。这也是为什么 ChatGPT 在用户量爆发后迅速推出付费订阅版的核心原因。 

同时，固定成本从 “一次性” 变为 “永续性”。训练成本不再是一次性的固定投入，而是每半年到一年就要迭代新一代模型的永续资本开支。大模型变成了“保质期”6-12个月的“易耗资产”，不重训跟进就会快速淘汰，而单次训练成本可达数千万甚至上亿美元。以OpenAI为例，2025年收入130.7亿美元，毛利率约43%（这一口径仅扣除推理算力，最贵的训练算力另计入研发支出），但其研发支出高达191.8亿美元，其中约 106 亿美元用于支付微软的训练算力，也是其亏损的主要原因。 

因此，AI Agent 经济呈现这样的特点：推理成本 （可变成本） 随使用量线性增长，且高度差异化；基础设施与人才成本 （半固定成本） 随用户规模“台阶式”跃升 —— 当用户量突破某个阈值，就必须新增一批 GPU 服务器；同时，研发成本 （即模型训练成本） 数额巨大。这些成本层层叠加，使得 AI 公司始终处在利润全量再投入的轨道上，不存在互联网那种 “越过盈亏平衡点后利润指数级增长” 的甜蜜点。 

这种成本逻辑也重塑了行业的护城河来源：互联网的核心壁垒是网络效应，用户越多产品越好用；Agent的壁垒类型则发生切换，由关系链网络效应转向数据飞轮与转换成本，新的壁垒来自沉淀的上下文 —— 用户的记忆、偏好、文件、工作流与授权数据。使用越久，Agent 对用户的适配度就越高，更换服务商的迁移成本也就越大。互联网锁住的是用户的关系链，Agent 锁住的是用户的工作上下文，这也是行业争相布局入口的核心原因：抢的不只是流量，更是上下文的原始积累。 

AI Agent 经济的底层逻辑：从注意力变现到价值交付

显然，我们需要换一种逻辑来看待AI Agent 经济：互联网平台争夺的是"用户入口"，AI Agent平台争夺的是"任务入口"。 

如果说互联网经济的基本单位是"曝光/点击"，那么AI Agent 经济的基本单位就是"任务"。点击只代表用户进入某个页面，任务则代表用户委托AI完成某个目标 —— Agent需要理解目标、拆解任务、调用工具、读取文件、操作软件、反复校验结果，必要时还要向用户请求授权。这使得AI Agent的成本结构更接近"数字员工"，而不是"数字媒体"。 

过去用户打开搜索引擎问"哪家装修公司好"，搜索引擎返回网页、广告和地图结果；现在用户可能直接对Agent说："帮我筛选三家靠谱装修公司，比较报价、口碑、施工保障，并帮我预约沟通。"前者的商业价值来自曝光和点击，后者的商业价值来自任务完成和决策代理。广告不再只是出现在页面上的信息，而会变成Agent决策过程中的候选项、数据源、可信信源或交易接口，并帮助用户最终完成任务。 

模型公司不只是提供底层能力，而会成为新一代任务操作系统。无论是AI原生厂商 ，还是综合型大厂 ，都在从"大模型"向"Agent平台"演进，进而纷纷推出Claude Cowork、Codex、Workbuddy等一系列产品 —— 谁能掌握用户的任务入口，谁就能决定工具调用顺序、数据源优先级、商业推荐逻辑和交易闭环。 

"明知单位经济为负，也要烧钱抢入口"正是当前行业最核心的战略赌局，也是估值争议的来源。因为入口背后不只是用户量，也不只是对话次数，而是未来任务分发、商业推荐和交易闭环的控制权。 

这种逻辑的转变，也必定带来另一个趋势：分层。

互联网产品追求极致的标准化，一套代码服务所有用户，这样才能最大化零边际成本的优势。AI Agent则天然适合分层化供给——不同复杂度的任务成本差异巨大，简单问答与复杂推理的成本可能相差几十上百倍。因此AI公司会推出不同级别的产品：免费版用小模型、限制使用量；基础付费版用中等模型；高级版用最强模型；企业定制版提供专属部署与优化。 

这种分层定价本质上是按成本分级、按价值收费，价值与成本正相关。用户获得的能力越强，付出的成本越高。因此，AI Agent生态将会演化出一种“双速经济”：落后半代的智能价格极低 （开源+大厂补贴，变成像水电煤一样的基础设施） ，而前沿智能永远昂贵 (最强模型永远在成本曲线的最贵端) 。免费的是“昨天”的智能，收费的是“今天”的智能。 

AI Agent 经济的“冲击效应”

AI Agent 经济对传统经济最深的冲击，并不是市场上多出了一类AI产品，而是原本分散在网站、App和软件中的用户入口，正在被一批新的任务代理层重新争夺。手机厂商、超级App 等各自都在做自己的 Agent，入口尚未统一，反而更碎片化。过去互联网的利润池围绕“流量经过哪里”形成，未来则更可能围绕“任务由谁编排、由谁完成”重新分配。 

首先被改写的是入口与分发权。 

互联网时代，搜索引擎、应用商店、内容平台和超级App掌握入口，企业争夺的是排名、推荐位和用户时长。但Agent出现后，用户未必还需要逐个打开应用：订机票、找供应商、分析数据、回复邮件，都可以从同一个任务入口发起。网站和App不会消失，却可能越来越多地变成Agent背后的数据源、工具和履约接口。 

这意味着新的平台权力不再只是“把用户导向哪里”，而是决定任务如何被完成：调用哪个模型、哪个软件、哪家商户、哪套数据。过去由搜索引擎、应用商店和流量平台掌握的部分“分发税”，可能逐渐转移到Agent平台手中。 

这里有一个不易察觉但至关重要的影响：AI Agent正在大幅度缩减客户旅程，进而压缩广告业务的空间。

过去，用户需要搜索十次、比较多个网页和平台，才会进入成交环节；而在 AI 场景下，用户可能只需要连续提问3-5次，就已经完成信息筛选、方案比较和购买决策。越是高意图、强决策、重比较的行业，越容易被 AI 改写分发逻辑。用户不再需要反复穿梭于搜索结果、内容页面和商家主页之间，而是直接把决策任务交给 AI 完成。此时，广告能够介入的节点会变少，传统广告的影响力也会被削弱。 

真正困难的是，AI 回答中的广告必须高度显性化。过去，广告可以在搜索排序、信息流原生、网红推荐、品牌内容等多种场景中嵌入用户旅程，而在 AI 回答中，任何软性、隐形或未明确标识的商业推荐，都会直接冲击用户对平台客观性的信任。AI 越像一个替用户做判断的代理人，用户就越不能容忍它在不透明的情况下被商业利益影响。 

第二层冲击将很快发生在平台和中介经济。

购物、旅游、外卖、本地生活等交易类平台，本质是帮助用户搜索、比较和撮合成交，而这些正是Agent最容易自动化的环节。单纯提供“信息列表”的中间层会被压缩，真正难以绕开的会变成独家供给、支付、信用、物流、售后和线下履约。 

交易类平台的护城河将从“我拥有多少流量”，转向“我掌握多少Agent无法替代的真实供给与执行能力”。

对拥有闭环成交链路的大厂来说，AI 短期内确实会对现有的广告、交易业务产生冲击，但长远来看，AI Agent的参与将会成为新的商业放大器。平台既掌握用户需求，又掌握商家供给、交易、支付、履约和售后，就可以用全局一盘棋的方式重新组织商业价值：商家在电商平台投广告 → 带来更高 GMV → AI 在推荐层面优先呈现 GMV 高、好评高、履约稳定的品牌 → 品牌在AI场景获得交易闭环 → 平台也因此同时提升广告价值、交易价值和 AI 分发价值。 

这里的关键边界是，AI 不能像传统广告平台那样收取过高广告费。AI 一旦收钱太重，就会损害自身最核心的资产：客观性与用户信任。更合理的方式，是收取一定比例的技术服务费，费率与行业水平持平即可，通常在 1%-10% 之间，主要用于覆盖算力、调用和服务成本。 

第三层，也是更加深远的变化，是软件经济与服务经济的边界开始模糊。

传统SaaS （包括软件） 本质上仍然是工具。Salesforce提供CRM系统，但真正维护客户关系的是销售人员；Adobe提供设计软件，但真正完成设计的是设计师；财务软件负责记录数据，但分析和决策仍由人完成。因此SaaS的商业模式长期围绕“坐席 （Seat） ”展开：企业有多少员工使用软件，就购买多少账号。近年来按用量计费正在兴起，混合计费已成主流，但坐席模式在协作类软件中依然普遍。 

AI Agent改变的是这个前提。 

当软件开始能够自己读取数据、判断下一步动作并执行工作，企业购买的就不再只是“一个员工使用的软件”，而可能是一项直接完成任务的能力。一个AI Agent可以同时操作CRM、ERP、BI、邮件和客服系统，过去需要多人在不同软件之间完成的流程，被压缩成一次任务调用。此时，“员工越多，Seat越多，SaaS收入越高”的增长逻辑就会受到挑战。 

更重要的是，SaaS本身可能发生分层：底层是保存客户、订单、财务、库存等核心数据的“系统” （System of Record） ；上层则出现负责理解需求、调用系统并完成任务的“能力” （System of Action）  。 

过去，两者被封装在同一个软件界面中，未来却可能分离。掌握核心数据、权限、合规与业务规则的软件仍然具有很强壁垒；而那些主要价值来自界面、流程和功能封装的软件，则面临巨大的风险，一旦Agent接管交互层，它们就可能从用户每天打开的软件，退化为Agent后台调用的接口。 

反过来，这也会让软件市场第一次大规模侵入传统服务业。过去软件公司争夺的是企业IT预算，未来AI Agent公司则会瞄准更庞大的人工成本、外包预算和专业服务预算。客服、基础研究、销售运营、招聘筛选、财务处理甚至部分咨询工作，都可能从“购买人的时间”转向“购买机器完成的任务”。软件的市场边界因此从过去的“数字化预算 （Software Spend） ”，开始向“人力预算 （Labor Spend） ”侵蚀。 

结语

过去二十年的互联网经济：更多用户意味着更多流量，更多流量意味着更多广告、交易和订阅收入，而新增用户带来的成本却增长得并不显著。“先做大用户规模，再寻找变现方式”成为互联网时代最经典的增长公式。 

AI Agent正在结束这种简单的线性关系。

因为AI Agent提供的已经不再只是信息，而是在真实地消耗计算资源、调用外部工具并完成任务。用户越多，不一定意味着利润越高；任务越复杂，甚至可能意味着成本增长得更快。企业真正需要计算的，也不再只是DAU、留存率和用户时长，而是一个任务需要花多少钱完成、用户愿意为这个结果支付多少钱，以及平台能够从中保留多少价值。 

AI时代真正稀缺的东西正在发生变化。

互联网时代稀缺的是流量，所以企业争夺用户的眼球；AI Agent时代真正稀缺的可能是高价值任务，以及完成这些任务所需要的数据、权限、工具和执行能力。 

AI Agent并不是互联网的下一个产品形态，而是在改变数字经济最基础的交易单位。Agent出售的，是完成任务的能力。 

当经济的基本单位从“点击”变成“任务”，从“使用工具”变成“交付结果”，过去二十年围绕流量建立起来的商业模式、平台权力和利润分配，也就必然迎来一次重新洗牌。

本文来自微信公众号 “腾讯研究院”（ID：cyberlawrc），作者：AI经济研究小组，36氪经授权发布。