企业花在人工智能上的钱，正在以一种让人很难再用“稳步增长”来形容的速度往上冲。风险投资机构 Menlo Ventures 在 2026 年 11 月 3 日发布的《2026 企业 AI 状况报告》显示，到 2026 年 9 月，企业 AI 部署支出已经达到 1768 亿美元，约合 1770 亿美元，而一年前这个数字还是 330 亿美元。一年 5.4 倍，而且增速还在加快——去年的增速是 3.9 倍。这不是一家公司的财报，而是一份覆盖近 400 家美国企业决策者的调查加自下而上模型估算的结果。它回答的问题很直接：钱到底去哪了，谁在赚钱，以及这场花钱竞赛对在美国的华人从业者和投资者意味着什么。
1770 亿美元是怎么算出来的：先把口径讲清楚
在讨论这笔钱之前，必须先把口径讲清楚，否则很容易被数字带偏。Menlo 报告里的 1768 亿美元，指的是企业 AI“部署支出”，也就是企业为了使用和运行人工智能而花的钱，不包括训练大模型本身的开支。训练模型的开发支出是另外一笔钱，报告估算为 1025 亿美元，同比增长 5.3 倍。两者加起来，企业 AI 相关的总盘子已经超过 2790 亿美元。
报告的样本基础是这样的：由 Morning Consult 在 2026 年 9 月 8 日至 26 日执行的调查，覆盖近 400 名负责企业 AI 采购的美国决策者，这些人管理的 AI 支出合计超过 40 亿美元。市场规模数字是 Menlo 根据调查回答、公开财报和第三方报告建立的自下而上模型估算值，并以年化运行率表达。换句话说，这 1770 亿美元是估算，不是审计过的收入总和，读的时候要带着这个前提。
还有一个细节值得注意：报告对去年的基数做了重述。Menlo 在 2025 年 12 月的报告中给出的 2025 年企业生成式 AI 支出是 370 亿美元，新报告把去年改成了 330 亿美元，原因是把数据标注等供应商重新归类了。基数下调会让今年的 5.4 倍显得更大一些，但即便按旧口径算，增速仍然惊人。更长的时间线是：2023 年 17 亿美元，2024 年 85 亿美元，2025 年 330 亿美元，2026 年 9 月 1768 亿美元，三年大约 100 倍。
报告还给了一个对照：企业 AI 部署支出如今已经相当于公开云计算收入的 30% 以上，而一年前这个比例只有 6%。一年时间，AI 从云计算账单里的一个零头，变成了三分之一体量的存在。这也是为什么这份报告一发布就引发了广泛讨论——它描述的不再是某个行业的热点，而是一次企业预算结构的整体位移。
钱去哪了：基建 995 亿美元，应用 773 亿美元
1768 亿美元的部署支出，大致可以分成两块：基础设施 995 亿美元，应用 773 亿美元。基础设施是算力、芯片、云资源和模型调用的费用，应用是企业直接买来用的 AI 软件和工具。两块都在高速增长，但结构的变化比总量更值得看。
应用市场里，集中度高得惊人。编程工具花了 340 亿美元，聊天机器人和 AI 助手花了 250 亿美元，两项合计占 773 亿美元应用市场的 76%。原因报告说得很直白：编程和聊天这两个场景，给智能体提供了可以行动的环境、可以学习的工作流和可以验证的结果。代码写得对不对，跑一下就知道；客服问题答得好不好，用户当场就能反馈。这种“结果可验证”的特性，是智能体最先站稳脚跟的地方。
其余的应用场景——销售、营销、法律、财务、人力资源等等——加起来只占应用市场的四分之一左右。这并不意味着这些场景没有价值，而是说明智能体目前的渗透仍然高度集中在少数几个“好下手”的领域。企业的钱先流向了回报最确定的地方，而不是平均分配。
基础设施这边的 995 亿美元，则流向了模型调用、算力和云服务。值得注意的是，报告指出，55% 的企业 AI 支出来自全新的预算，而不是从现有软件或人力预算里挪过来的。这意味着企业不是在“替换”旧开支，而是在为 AI 单独开辟新的预算科目。对供应商来说，这是增量市场；对企业财务来说，这也是新增的固定成本，一旦智能体深度嵌入工作流，这笔钱就很难再省回去。
智能体改写了付费逻辑：80% 的算力消耗来自机器而非人类
这份报告最核心的判断是：自主智能体改变了企业为 AI 付费的方式。过去，企业按用户数、按座位为软件付费；现在，越来越多的支出与智能体实际完成的工作量挂钩，而工作量是用 token 消耗来衡量的。
报告引用的 OpenRouter 平台数据显示，智能体如今产生了该平台 80% 的 token 消耗，每周约 130.9 万亿个 token，大约是人类驱动使用量的 7 倍。智能体流量在 2026 年 2 月超过人类流量，此后增长了 37 倍，而同期人类驱动的使用量只增长了 5 倍。2 月这个时间点也值得注意：智能体流量是在 Anthropic 的 Opus 4.6 和 OpenAI 的 GPT-5.3-Codex 发布之后实现反超的，新模型的能力跃升直接转化为了使用量的跃升。
这种变化对企业的成本结构有直接影响。按 token 计费意味着，AI 的账单不再取决于有多少员工在用，而取决于智能体替员工干了多少活。活干得越多，账单越大——但如果智能体干的活确实替代了人力或创造了收入，企业也愿意付。报告给出的一个数字是：今年投入模型开发的每一美元，正在产生 1.70 美元的部署收入。模型开发的巨额投入，开始通过部署端收回来了，至少在 Menlo 的模型里是这样。
对普通员工来说，这个转变的感受是双面的。一方面，编程、客服、文档处理这些工作里，越来越多重复性任务被智能体接手；另一方面，能够设计、监督和验证智能体工作的人，变得比以往更值钱。钱流向智能体的同时，对“会用智能体的人”的需求也在上升。
谁在赚钱：三家公司拿走 69%，Anthropic 占到 55%
钱花出去了，谁收到了？答案是高度集中。前沿模型厂商——Anthropic、OpenAI 和谷歌——如今拿走了企业 AI 部署支出的 69%，高于去年的 50%。也就是说，企业 AI 的钱，有将近七成最终流向了三家模型公司。
细分来看，在企业大语言模型 API 支出中，Anthropic 的份额从去年的 40% 上升到 55%，OpenAI 从 27% 上升到 31%，谷歌则从 21% 跌到了 9%。Anthropic 和 OpenAI 两家合计占到 86%，高于去年的 67%。开源模型的情况形成鲜明对照：开源模型处理了约 19% 的 token 使用量，却只拿到 4% 的支出。便宜、好用，但赚不到钱——这是开源模型在企业市场的真实处境。
这里需要加一个提醒：Menlo Ventures 本身是 Anthropic 和 OpenRouter 的投资方，报告中对投资组合公司有标注。这一点不等于数据不可信，但读者在引用“Anthropic 份额大涨”这类结论时，应当知道报告方与被评估对象之间存在利益关联。报告的方法论是公开的，样本和模型口径也写在报告里，交叉印证比单一来源更可靠。
集中度这么高，意味着企业 AI 市场目前更像是一个“赢家通吃”的格局。模型能力每上一个台阶，支出就向头部进一步集中。对中小模型厂商和 AI 应用创业公司来说，机会更多在垂直场景和具体工作流里，而不是在通用模型本身。
财报交叉印证：芯片和软件两端都在兑现
Menlo 的数字是估算，上市公司财报是审计过的数字，两者对得上，结论才站得住脚。2026 年 11 月 3 日同一天，AMD 也发布了三季报，数据中心业务营收 85 亿美元，同比增长 97%，接近翻倍，占公司总营收的 64%，高于一年前的 47%。公司当季总营收 134 亿美元，同比增长 45%，创下纪录。AMD 首席执行官苏姿丰在财报中表示，数据中心销售额接近翻倍，需求来自 EPYC 服务器处理器和 Instinct 系列 AI 芯片。服务器云业务和企业业务的销售额都增长了一倍以上。芯片这端，钱是真实到账的。
软件这端同样有印证。Palantir 的三季报营收同比增长 96%，本站此前已有报道。芯片商和软件商同时交出接近翻倍的增长，说明这轮支出不是只停留在采购意向或试点预算里，而是已经转化成了供应商的实际收入。Menlo 报告里“部署支出 5.4 倍”的估算，与财报里“数据中心营收增长 97%”“软件营收增长 96%”的数字，方向是一致的。
当然，财报和报告衡量的不是同一口径。AMD 的数据中心营收包括所有服务器芯片销售，不只是 AI；Palantir 的增长有其自身的产品周期。交叉印证能做的是确认趋势的方向和量级，而不是把 1770 亿美元这个数字逐项对上财报。读者在引用时应当保留这个区分。
对华人从业者意味着什么：编程仍是主战场，验证能力正在升值
对在美国的华人从业者来说，这份报告最值得关注的不是总盘子，而是钱集中在哪里。编程工具 340 亿美元，是应用市场里最大的一块，而且报告指出，编程领域的 AI 应用有 96% 来自 AI 原生公司。这意味着，软件工程师的工作方式正在被快速重塑：写代码这件事本身，越来越多由智能体完成初稿，人类工程师的工作重心向需求拆解、架构设计、代码审查和结果验证移动。
这对求职和职业发展有两层含义。第一层是机会：会用 AI 编程工具、能驾驭智能体完成复杂任务的工程师，在招聘市场上仍然抢手，企业愿意为这类能力付费。第二层是压力：只做重复性编码、缺乏系统设计和业务理解的岗位，被替代的风险在上升。报告里“智能体产生 80% token”这个数字，换到职场语境里就是：机器干的活越来越多，人干的活必须往机器干不了的方向走。
非技术岗位同样受到影响。客服、运营、数据分析这些岗位里，聊天机器人和 AI 助手已经是第二大支出类别。华人从业者如果在这些领域工作，值得问自己一个问题：我现在做的事，是在“使用 AI 工具”，还是在“管理 AI 完成的工作”？这两者的市场价值正在拉开差距。
还有一层是创业和副业的机会。AI 原生公司在编程等新品类里占据 96% 的份额，说明新进入者仍有窗口，但窗口集中在具体的垂直场景，而不是通用工具。结合自身行业经验做垂直 AI 应用，比从零做一个通用聊天机器人更现实。
对投资者意味着什么：高增长与高集中度并存
对投资者来说，1770 亿美元这个数字同时传递了两个信号：增长是真实的，集中度也是真实的。增长真实，是因为财报端已经兑现，AMD、Palantir 等公司的收入增速与报告的支出增速相互印证；集中度真实，是因为 69% 的部署支出流向三家模型公司，86% 的 API 支出流向两家。
这种结构意味着，押注 AI 主题的投资者面临一个选择：买头部模型和芯片公司，是在分享最确定的蛋糕；买中小应用公司，是在赌垂直场景的突破。前者的估值已经反映了很高的增长预期，后者的不确定性更大。最近纳斯达克指数跌入调整区间，市场对 AI 估值的分歧正在加大，波动本身就是信号的一部分。
另外值得注意的是，伯克希尔三季报显示公司回购了 96 亿美元股票，创年内新高。巴菲特的接班人阿贝尔治下的伯克希尔在大手笔回购自家股票，而不是追逐 AI 热潮。这个对照提醒投资者：即便 AI 支出在高速增长，也不等于所有 AI 相关资产都值得任何价格买入。现金流、估值和买入价格，仍然是绕不开的问题。
不确定性与泡沫争议：两面的声音都要听
任何一份描绘 5.4 倍增长的报告，都会引来泡沫的质疑。这份报告也不例外，两面的声音都值得摆出来。
看多的一面认为，支出增长有真实的使用量支撑。智能体 token 消耗增长 37 倍、编程和客服场景的付费意愿、企业新增预算占比 55%，这些都不是单纯的情绪指标。而且模型开发投入正在产生 1.70 倍的部署收入回报，说明商业模式开始闭环。支持者认为，现在的 AI 支出更像 1990 年代末互联网基础设施建设的早期阶段，而不是纯粹的投机。
看空的一面则指出几个风险点。第一，Menlo 的数字是模型估算，基数还做过重述，不同机构的口径差异很大，1770 亿美元这个数字本身有不确定性。第二，支出高度依赖三家模型公司的能力竞赛，如果模型进步放缓，或者企业发现智能体的实际产出配不上账单，支出增速可能快速回落。第三，算力投资有周期性，芯片厂商的产能扩张一旦超过真实需求，价格和利润率都会承压。第四，监管风向也在变化，数据中心建设、能源消耗和 AI 安全立法都可能影响未来的支出节奏。
还有一个经常被忽略的角度：企业为 AI 花的钱，有多少转化成了利润，有多少只是成本转移？智能体替员工干活，省下的人力成本是否大于 token 账单和系统改造成本？这个问题目前还没有统一答案。不同企业的答案会很不一样，这也是投资者和分析师接下来需要逐家验证的事。
泡沫争议没有标准答案，但有一个判断框架是实用的：看使用量、看续费率、看单位经济模型。Token 消耗是不是还在涨，企业第二年还愿不愿意续约，每完成一个任务的成本是不是在下降——这三个指标比任何一份报告的标题数字都更能说明问题。
接下来看什么：财报季与模型竞赛仍是风向标
报告发布之后，有几个时间点值得关注。首先是英伟达的财报，定于 11 月 17 日发布。作为 AI 芯片的龙头，英伟达的业绩和指引将直接验证这轮支出热潮在硬件端的持续性。其次是各家模型公司的下一代产品发布节奏，Anthropic 和 OpenAI 的份额变化，很大程度上取决于谁先拿出下一代能力更强的模型。
另外，企业的预算周期也值得留意。55% 的 AI 支出来自新预算，意味着很多企业是在年中追加预算。如果明年的年度预算编制中 AI 支出继续增长，说明这轮热潮已经制度化；如果预算被收紧，则说明企业开始对回报率提出更严格的要求。
对华人读者来说，最实际的建议是三条：从业者关注自己岗位上“验证智能体工作”的能力是否在提升；投资者关注财报兑现情况而不是只看报告标题；创业者关注垂直场景的真实付费意愿，而不是通用模型的热度。1770 亿美元是一个起点数字，真正的分水岭在于，这笔钱明年还能不能继续增长，以及增长的钱是不是还在创造真实价值。
总的来看，Menlo 这份报告描绘的是一幅清晰的图景：企业 AI 支出在 2026 年完成了从试点到规模化的跨越，智能体是这轮跨越的发动机，钱高度集中在头部模型公司和少数几个可验证的场景里。增长是真实的，集中也是真实的，不确定性同样是真实的。读懂这三点，比记住 1770 亿美元这个数字本身更重要。
- 最新
- 最热
只看作者