谁在用词元？

周一早晨，一位消费品公司市场负责人接到紧急任务：需在48小时内出具一份竞品分析报告，涵盖五个品牌在三个渠道的定价、促销策略及用户反馈。以往完成这类报告，从搜集行业资料、制作对比表格到撰写分析结论，通常需要整整两天。这次，她将二十份行业报告和电商数据导入AI分析工具，用自然语言描述分析框架，两小时后便获得了一份条理清晰的初稿。她再用半天时间修改判断、补充内部数据、调整结论措辞，当天下午就提交了报告。系统账单显示：本次分析消耗约50万词元。

第三章已经阐述了这50万词元的来源——模型、算力、数据、平台和安全治理共同构成了供给链。但对这位市场经理和她的上级而言，真正关键的问题不在供给端，而在需求端：这些词元完成了什么任务，节省了多少劳动，最终创造了什么价值？如果没有需求侧的价值转化，词元仅仅是一串账单数字。 一次闲聊可以消耗词元，一次合同审查、工业故障分析或金融风控同样可以消耗词元。数量相近，但价值可能截然不同。

过去二十多年，数字经济的核心衡量指标是流量：用户点击了多少次、观看了多久、转发多少、转化多少。词元经济的衡量对象则发生了变化：它关注的已不仅仅是人们获取了多少信息，而是智能系统完成了多少认知任务、生成了多少可用结果、节省了多少专业劳动。

换言之，如果说流量经济衡量的是注意力，那么词元经济关注的是智能系统完成了多少认知任务、产出了多少可用结果。

从流量经济到词元经济：需求侧新增的一层逻辑

要理解词元需求，必须先理解数字经济的旧有逻辑。很长一段时间里，互联网平台的核心资源并非内容本身，而是人的注意力。赫伯特·西蒙早在1971年就指出，信息的丰富会导致另一种东西的稀缺，即信息接收者的注意力。此后，搜索、社交、短视频和电商平台都围绕注意力展开竞争：谁能吸引用户停留，谁就具备商业化能力。日活、点击率、停留时长、转化率、复购率，成为流量经济中最常见的指标。

词元经济并非在流量经济之上简单地添加一个AI工具，而是改变了需求侧的基本单位。在流量经济中，用户是“观看者”、“点击者”和“浏览者”；在词元经济中，用户首先是“任务发起者”。他打开AI工具，不再只是为了浏览内容，而是为了完成一项认知任务：解释材料、生成文字、修改方案、分析数据、翻译合同、编写代码、整理会议，或者让智能体连续处理一个复杂流程。用户表面上是在与模型对话，实质上是在将一部分认知劳动交给智能系统。

这带来了四个变化。第一，需求不再主要由内容消费驱动，而是由任务完成驱动。一次短视频播放的价值取决于是否被观看、点赞或转化；一次AI调用的价值取决于输出能否被使用。第二，需求不再仅来自人类主动点击，也来自软件和智能体的自动调用。客服系统、代码智能体、企业运营系统，都可能在后台持续消耗词元。第三，数字经济的关注点，也从“占用了多少注意力时间”转向“完成了多少任务”。一个高质量AI系统可能用十秒钟完成过去两小时的工作；一个低质量系统即使让用户停留很久，也未必创造价值。第四，需求从“获取信息”走向“获得能力”，搜索引擎返回网页，生成式AI则参与写、改、算、画、编程、分析、比较、规划和执行。

麦肯锡估计，生成式AI每年可能创造2.6万亿至4.4万亿美元的经济价值，且在客户运营、营销销售、软件工程、研发等知识工作密集领域具有较大潜力。Anthropic基于数百万次Claude对话的研究也显示，AI使用高度集中在软件开发和写作等任务上，且既包括增强人类能力，也包括自动化完成请求。这些研究共同说明：词元需求正在围绕“任务”而不是“内容”展开。

需要说明的是，两套逻辑并非互斥替代：AI应用仍可能依赖流量与注意力，流量平台也在嵌入任务型服务，二者更多是叠加与融合。流量经济不会消失。人仍然会浏览内容，平台仍然会争夺注意力，广告和交易仍然重要。但词元经济会形成另一套增长逻辑：个人把AI作为能力延伸，企业把词元嵌入组织流程，智能体在后台自动消耗词元。下一节将进一步讨论这些需求主体。

谁在消耗词元：个人、企业与智能体

需要先区分两个层面：个人、企业、系统软件与智能体这三类主体并不在同一层级——个人和企业是承担付费、决策与责任的最终需求主体，政府、教育、医疗等机构也归入这一类，开发者通常依附于个人或企业；系统软件与智能体则是代表它们自动消耗词元的调用触发主体。本节先看最终主体，再看触发机制。从表面看，词元的消费者是不同类型的用户——个人打开聊天机器人，企业接入模型API，开发者调用模型接口，智能体在后台执行任务，都会产生词元消耗。但进一步看，这些使用者背后的经济逻辑并不完全相同。个人消耗词元，是为了延伸能力；企业消耗词元，是为了重组效率；智能体消耗词元，则意味着词元需求从“人类触发”扩展到“机器触发”。

（一）个人用户：从信息获取到能力延伸

个人用户是词元经济最早、最直观的需求方。在搜索时代，个人主要通过关键词寻找网页；在移动互联网时代，个人主要通过推荐系统消费内容；在生成式AI时代，个人开始把任务交给模型——写邮件、改文字、解释论文、生成图片、辅导数学题、规划旅行、翻译材料、解读体检报告，都可能是一次词元消耗。

以一位独立撰稿人为例。她为多家企业撰写公众号文章和产品手册，过去每篇三千字的稿件需要查阅资料、拟定提纲、写初稿、反复修改，通常花一整天。现在，她把客户提供的产品资料和竞品信息交给AI，让模型生成结构化提纲和初稿段落，自己集中精力调整观点、打磨文风和核实细节，同样的工作，时间压缩到半天以内。更重要的变化是，她开始承接以前不敢接的技术类稿件——不是因为她突然懂了芯片工艺或云计算架构，而是模型帮她快速消化技术材料，她只需要把技术语言转化为读者能理解的表达。一个人加一个模型，让她能更快消化陌生领域的材料；但专业判断的准确性，仍需要她自己核实把关。

这种变化的关键，不是个人多了一个“问答工具”，而是普通人可以低成本调用过去只有专业人士、组织或昂贵软件才能提供的认知能力。一个非程序员可以让模型解释代码，一个家长可以让模型设计孩子的学习计划，一个自由职业者可以让模型辅助写方案，一个创业者可以让模型生成市场调研框架。词元在个人端的价值，首先体现为能力延伸。

这种能力延伸包括三个方面：降低知识获取门槛，提高表达和生产能力，扩大个体行动半径。所谓“一人公司”“超级个体”之所以在大模型时代被反复讨论，正是因为个人可以通过模型和工具，把写作、设计、调研、客服、营销、编程等能力临时组织起来。但个人端通常仍处在“增强”而非“完全自动化”阶段。模型生成内容之后，人需要判断、修改、整合和承担责任。Anthropic研究显示，AI使用中约57%更接近增强人类能力，约43%更接近自动化完成请求。

（二）企业用户：从工具试用到流程重组

如果个人用户代表词元经济的普及面，企业用户则决定词元经济的规模和深度。企业不是为了“尝鲜”而消耗词元，而是因为组织内部存在大量知识工作：客服要回答问题，销售要写方案，法务要审合同，财务要看报表，人力要筛简历，研发要写代码，管理层要看经营分析。这些工作信息量大、重复性高、格式化程度较强，又需要一定理解、判断和表达能力。

词元进入企业，最先改造的往往不是最复杂的战略决策，而是会议纪要、文档摘要、客服辅助、销售话术、代码补全、知识库问答等高频环节。微软与LinkedIn发布的2024年Work Trend Index显示，75%的知识工作者已经在工作中使用AI；与此同时，许多领导者认为AI对竞争力至关重要，但组织缺乏清晰实施愿景和计划。这说明，员工层面的工具使用往往快于组织层面的流程改造。

企业词元消费通常经历三个阶段：第一，个人效率工具化，员工自发使用AI完成写作、总结、翻译、资料搜索和代码辅助；第二，部门流程嵌入，客服、销售、研发、法务、人力、财务等部门把模型接入具体系统；第三，组织级智能化，企业重新设计工作流，把任务拆解为人类判断、模型生成、工具调用、数据检索、系统执行和人工审核等环节。到第三阶段，词元就成为组织运行中的新型投入品，进入预算、审计、投资回报率（Return on Investment，ROI）和风险管理。需要说明的是，三个阶段并非严格线性：不同企业可能并行推进，也可能长期停留在某一阶段。

企业与个人最大的不同在于可控性。个人使用AI，如果回答不好，最多重问一次；企业如果把错误输出放进合同、授信、代码、客户沟通或医疗建议中，就可能带来真实损失。因此，企业级词元需求不会简单由“模型越便宜越好”驱动。低价模型适合低风险任务，高价值任务则需要更强模型、更好数据、更严格权限和更完整审核。

（三）系统软件与智能体：词元的自动化消耗者

第三类需求主体，是系统软件和智能体。早期大模型应用中，词元消耗通常由人直接触发；随着API、插件、工具调用和智能体框架发展，越来越多词元消耗开始由软件触发。开发者把模型能力嵌入产品和流程，一个系统软件接入模型API，就可能让成千上万用户间接消耗词元；一个企业系统集成模型，就可能让多个部门持续产生词元需求。

编程场景是目前典型的高频词元消费场景之一。GitHub Copilot相关实验证据显示，在一项让开发者实现HTTP服务器的受控实验中，使用AI编程助手的实验组完成任务速度比对照组快55.8%。这一结果不能简单推广到所有软件开发场景，但说明模型嵌入开发工具后，词元不只是生成文本，更是在参与软件生产。

智能体进一步放大这种趋势。一个智能体不是只回答一次问题，而是围绕目标连续调用模型和工具：理解任务、制订计划、搜索资料、读取文件、调用代码环境、检查结果、修正输出。Anthropic后续关于Claude使用的研究发现，用户将任务委托给Claude的比例在数月内上升，企业API场景也呈现更强的自动化和专业化特征。词元需求的增长不只来自聊天次数增加，也来自系统把更多任务交给模型连续执行。

（四）三类主体在两个层面上的共同逻辑

个人、企业和智能体看似不同，但共同点是：词元消费的本质不是“使用AI工具”，而是“调用智能能力”。个人把模型当作能力延伸，企业把模型嵌入组织流程，智能体把模型变成任务执行部件。三者共同推动词元需求从低频问答走向高频工作流，从人类主动输入走向系统自动触发，从内容生成走向任务完成。

本节的结论是：词元需求侧不是一个单一市场，而是由个人能力延伸、企业效率重组和智能体自动化执行共同组成的复合市场。大体上，个人需求影响普及速度，企业需求影响价值深度，智能体的自动调用则可能主导未来的消耗强度；此外，政府、教育、医疗等公共部门也是不可忽视的需求来源。

词元的价值体现在哪里：效率、收入、能力、组织与知识发现

词元本身不是价值。企业账单上可以看到消耗了多少输入词元、输出词元、缓存词元和工具调用，但这些数字本身并不直接等同于经济价值。一个部门消耗大量词元，可能是因为工作流程更智能，也可能是因为提示词低效、反复返工、模型选择不当，甚至是智能体无效循环。判断词元经济是否成立，不能只看消耗量，而要看价值转化机制。

从需求侧看，词元价值大致通过五类路径实现：效率提升、收入增长、能力扩展、组织形态变化和知识发现。效率提升回答“省了什么”；收入增长回答“新增了什么”；能力扩展回答“过去做不了的事情现在能不能做”；组织形态变化回答“工作如何重新分工”；知识发现则回答“能不能发现以前发现不了的东西”。

（一）效率提升：节省时间和降低成本

词元最容易被观察到的价值，是效率提升。在许多知识工作中，真正占用时间的不是创造性灵感，而是阅读、整理、归纳、改写、查找、分类和格式化。会议纪要、客服回复、合同初审、代码补全、测试生成等环节，都包含大量高频、重复、半结构化的认知劳动。生成式AI进入这些环节后，词元首先压缩的就是这些任务片段。

已有实证研究提供了早期证据。Noy和Zhang在Science发表的实验研究中，让453名受过大学教育的专业人士完成职业相关写作任务，并随机让一部分人使用ChatGPT。结果显示，使用ChatGPT的实验组完成任务的平均时间下降40%，输出质量提高18%。客服领域也呈现类似趋势。Brynjolfsson、Li和Raymond基于5179名客服人员数据研究生成式AI对工作效率的影响，发现AI助手使每小时解决的问题数量平均提高14%，且新手和低技能员工改善幅度更大。

但效率提升不是无条件发生的。Dell’Acqua等人与波士顿咨询公司合作开展的实验提出“锯齿状技术前沿”概念：在AI能力边界内的任务中，使用GPT-4的咨询顾问完成任务更多、速度更快、质量更高；但在被设计为超出AI能力边界的复杂管理任务中，使用AI的人反而更不容易给出正确解法。因此，效率路径的关键不是“所有任务都用AI”，而是识别哪些任务处在模型能力边界内，哪些任务必须保留人类判断。换言之，在能力边界外的任务上，消耗的词元不仅没有产生价值，反而带来了错误和返工成本。

（二）收入增长：提供新产品和新服务

词元实现价值转化的第二条路径是收入增长。如果说效率提升主要体现为“少花钱、少花时间”，收入增长则体现为“做出新产品、服务新客户、打开新市场”。许多AI应用的价值，不只是让原有流程更快，而是让过去无法规模化提供的服务变得可行。

教育机构可以用模型生成个性化讲解和练习题，文旅企业可以根据用户偏好生成路线和导览内容，金融机构可以为长尾客户提供初步投资教育和产品解释，设计平台可以让普通用户快速生成视觉素材，软件公司可以把代码生成、测试生成、文档生成集成到开发流程中。这些场景共同说明：词元把原本高度依赖人工的服务拆成可被模型参与的任务，使服务能够以更低边际成本覆盖更多用户。

收入增长还来自产品形态变化。传统软件销售功能，AI原生产品往往销售结果。用户购买的不是一个文本编辑器，而是“帮我写好一封邮件”；不是一个搜索框，而是“帮我完成调研”；不是一个客服系统，而是“帮我解决客户问题”。当产品从功能导向转向任务导向，词元就成为新产品的底层成本单位和价值实现单位。需要区分的是，这更多是产品的价值主张；在实际收费上，多数AI产品仍采用账号订阅、功能套餐或API用量计费，纯粹按结果付费目前只出现在部分服务中。

（三）能力扩展：让非专业者获得专业支持

第三条路径是能力扩展。过去，很多专业能力被绑定在特定人群、机构和软件系统中。会写代码的人才能开发工具，懂设计的人才能做视觉方案，懂法律的人才能审合同，懂财务的人才能读报表。生成式AI没有消除专业差异，但降低了初步调用专业能力的门槛。

一个普通员工可以让模型解释财务指标，一个小企业主可以让模型起草合同条款，一个学生可以让模型拆解复杂概念，一个个体创业者可以让模型生成营销方案。模型输出未必能直接作为最终答案，但可以成为草稿、框架、解释器和陪练者。前述客服研究显示，AI助手对新手和低技能员工帮助更大。这说明AI可能起到“经验扩散器”的作用，把高绩效员工的部分做法传递给低经验员工。

能力扩展既包括横向扩展，也包括纵向扩展。横向扩展是个人或组织进入原本不熟悉的领域，完成初步探索；纵向扩展是专业人士利用模型放大自身能力，把低价值环节交给模型，把精力集中在判断、责任和创造性问题上。词元可以降低进入门槛，但不能取消责任门槛。需要强调，这种扩展停留在初步理解和辅助准备的层面；真正进入专业决策，仍需专业人员核验并承担责任。

（四）组织形态变化：从岗位分工到任务编排

第四条路径是组织形态变化。当词元只是个人偶尔用于写作和问答时，它只是工具；当词元持续嵌入企业流程时，组织结构就会受到影响。企业原本围绕岗位分工运行：客服回答问题，法务审合同，研发写代码，管理层做决策。大模型进入后，许多工作被拆成任务片段：检索、总结、生成、校验、判断、执行。

这会推动企业从“岗位分工”走向“任务编排”。以合同审查为例，系统可以先读取合同、提取条款、匹配模板、标记风险、生成修改建议；法务人员再判断风险是否真实、建议是否可行、谈判策略如何安排。以客服为例，模型识别意图、检索知识库、生成答复，人工客服处理复杂情绪、特殊权限和高风险问题。在这种结构中，人的角色从单纯执行者，转向任务设计者、模型使用者、结果审核者和责任承担者。

2025年关于宝洁公司776名专业人士的现场实验显示，AI不仅影响个体效率，也可能重塑团队协作：使用AI的个人表现可接近未使用AI的双人团队，同时AI、有助于打破研发和商业人员之间的功能壁垒。这说明，AI并不只是加速个人工作，还可能改变团队中知识如何流动、专业如何互补、协作如何组织。

（五）知识发现：让AI参与科学探索

第五条路径是知识发现。前四条路径主要是把已有的人类工作做得更快、更省、更广；知识发现则指向另一种价值——借助AI发现以前难以发现的东西。在科学研究中，模型可以从海量文献、实验数据和分子结构中提出假设、筛选方案、加速实验设计，所谓“AI for science”正在材料、生物医药、化学等领域展开。这类任务消耗的词元，价值不在于省下多少工时，而在于能否撬动新的发现：单位词元的潜在回报可能极高，但也高度依赖数据质量、专业判断和反复验证。

这几条路径都不是自动发生的。词元能否真正转化为价值，既取决于任务适配、质量控制与人机分工，也取决于数据质量、系统集成、组织能力与预算治理，后者将在第四节展开。