(本文作者為 韓工觀察,鈦媒體經授權發布)
文 | 韓工觀察
11月5日,月之暗面把Harness租出去了。不是租模型API——那玩意兒按token賣了好幾年——是把"AI員工上班的全套後台基礎設施"打包出租:雲沙箱、會話記憶、工具鏈、斷線恢復、審計日誌,全部包圓。企業只管派活,它7×24小時在雲上跑著,跑一半斷電也能從斷點續跑。
這不是一個產品功能的發布。這是一個計價錨點的遷移:AI廠商從"賣電"(token),變成了"賣員工工時"(hosted agent)。而這件事的底層邏輯,遠比"雲端服務升級"四個字還要狠——它意味著企業採購AI的預算科目,正在從IT支出滑向人力支出。
一、從賣電到賣員工:計價錨點的五次上移
人類不是第一次把IT從"買"變成"租金"。但前幾次租的東西,和這次有本質區別。
第一段是License時代。 1980年代到2000年,企業買光碟、買授權、買CPU席位,本質是買"複製權"加買固定資產。微軟、Oracle、SAP賣的是一把鋤頭,壞了自己磨,升級自己掏錢。其實IBM在1960年代就試過大型機租賃,ASP託管在2000年前後也火過一陣,但那時租的是硬體或託管機房,沒把運作環境單獨計價。
第二段是SaaS時代。 Salesforce在1999年喊出"No Software",把"租訪問權"做成主流。企業不再擁有軟體,按月買帳號,廠商管運維、管升級、管多租戶。後來演變為按席位/人月收費——你有多少銷售,就交多少錢。計價錨點從"資產"滑向"訪問"再滑向"席位",CapEx變成OpEx。但這仍然是租工具——企業買一張健身房月卡,練不練、練出什麼效果,是自己的事。
第三段是AI用量時代。 2023年起,大模型API按token計費,企業為"腦力"買單。但還是賣電模式——你調一次API花1分錢,廠商賺1厘,捲的是電價。企業感知是"花了多少字錢",預算科目仍掛在IT支出下。
第四段,就是現在。月之暗面Hosted Agents、Anthropic Claude Managed Agents、OpenAI Hosted Agents,全球頭部幾乎同時把"Agent運行時"商品化。租的不是模型,不是訪問權,是一個"會工作的崗位"——7×24小時待命,能自己拆任務、調工具、生成報告、發郵件,出錯能重試,崩潰能續跑。
計價錨點隨之發生了第五次上移:從資產(License)→訪問(帳號)→席位(人/月)→用量(token)→工時(Agent運行時)。
為什麼說是"上移"?因為預算科目變了。企業原來買CRM花10萬,銷售薪水花100萬;Agent直接來切那100萬裡的執行層。市場天花板不是IT支出,是人力資本支出裡可結構化的那一塊。這不是量級放大,是預算邏輯的重構。
但歷史不會簡單重複。前幾次租的是工具和訪問權,這次租的是"崗位"——一個會學習、會報廢、會迭代的數位員工。而數位員工和實體資產有本質區別:椅子不會自己過時,但Agent會。
二、動態性:為什麼"會進化的東西不能買斷"
你買一個東西,隱含的前提是這東西買完之後能穩定用。你買把椅子,它不會自己進化,也不會主動壞。但數位員工不一樣。
動態性不是有無的問題,是烈度的問題。地圖App也持續更新,但一兩年不升級,舊地圖照樣能用,只是路線不準——這是低烈度動態性,買斷加年度維護合約就能覆蓋。 Agent三個月不迭代,可能介面已變、安全漏洞未補、業務系統連不上——這是高強度動態性,不持續投入就"廢了"。判斷動態性該不該租,不看更新頻率,看"不更新會不會廢"。
第一,它要進化。模型三個月一更新,今天能幹的事明天可能會做得更好,也可能因為升級反而退步。你買斷了一個版本,三個月後就過時。廠商在雲端持續迭代,你手上的"買斷版"成了孤島。
第二,它要維護。不是"買回來往那一放就自己幹活"。它需要接新的資料來源、適配新的系統介面、修bug、調提示字、處理異常。你買斷了自己管?那你得養一個技術團隊,等於又雇了人來看著這個"數位員工"。
第三,它要跟著業務變。公司流程改了、系統換了、標準更新了,數位員工也得跟著調。買斷的版本不會自動適配這些變化。
所以你買一個數位員工,就像買了一個人但不給他培訓、不給他加薪、不讓他學習新技能——他能幹多久?
租的本質,是把"保持它活著且能工作"的責任甩給廠商。模型升級了,廠商負責更新,你無感;工具接口變了,廠商負責適配,你不管;出了bug,廠商修,你不用養運維;幹得不好,你下個月不續租,換一個。租約天然帶淘汰機制,買斷沒有。
這就解釋了一個反常識現象:大家直覺覺得"貴的買、便宜的租",但通用Agent可能恰恰相反——越貴的越適合租。因為你買回來技術半年一迭代,殘值歸零;租的話,廠商承擔技術過時的風險。
但"租"不是放諸四海皆準。 Agent有沒有實體、資料能不能出門、技術迭代速度多快,決定了租買的邊界。要理解這一點,就需要把AI落地型態拆成三層。
三、三層形態:端側買、雲端租、垂直混合
第一層,雲端純Agent
這是Kimi Hosted Agents的主戰場-Agent跑在廠商雲上,沒有物理實體,企業只管派活。沙箱、記憶、工具鏈、權限、審計,全部託管。
這類場景為什麼要租?三個原因。一是沒有實體資產,不存在折舊和殘值問題;二是技術迭代無感,廠商遠程升級,企業不用管;三是通用能力商品化,模型權重本身在貶值——DeepSeek-V4-Flash輸出價已壓到約0.28美元/百萬token,單台Atlas 800八卡即可準備好成通電價。你買斷一個模型,明年就過時。
月之暗面的定價結構本身就是訊號:沙箱按運行時長計費(0.072元/小時),token推理費單獨疊加,插件按次收費。企業感知從"花了多少字錢"變成"雇了個不動工位的實習生,按月/按活結帳"。同期Anthropic Claude Managed Agents(2026年4月發表)以0.08美元/會話小時收營運費,OpenAI、Google、微軟也陸續推出同層級託管產品。這不是一家公司的策略,是產業的集體轉向。
第二層,端側設備
手機、PC、車上的NPU,Agent跑在本地。這類場景的核心特徵是:硬體是資產,智慧是服務。
沒人租手機用。硬體過時了——晶片算力不夠、內存滿了、電池衰減——得物理換件,廠商沒辦法遠程"升級"一塊NPU。所以設備是買的。但上面的智能能力,可以租。蘋果Apple Intelligence、華為鴻蒙AI、阿里千問接入國銀iPhone(2026年11月Beta),都是端側簡單任務本地跑,複雜任務轉雲端,AI功能按月訂閱。終局是"買設備+租腦子"的組合。
工信部近期提出智能終端進網管理要求,手機/穿戴預置Agent需過進網檢測、OTA升級評估及權限呼叫管控-這表示端側"租腦子"也有監管邊界,不是想租就租。
第三層,物理載體機器人
這是最複雜的混合態,要分兩檔。
通用服務類-飯店送餐、樓宇清潔、園區巡邏-資料不敏感、設備損耗大、技術迭代快,適合租。烏鎮"網路之光"2026年11月展出的康養機器人,產業端在討論租賃方向,但尚未形成規模化商業驗證。道理和企業租印表機一樣:廠商負責維修升級,企業依使用付費,不承擔技術過時風險。
垂直精密類-手術機器人、工業機械手臂、銀行廳堂智能體-資料不出門是硬約束,需要現場訓練。新希望金融科技聯合宇樹科技基於G1人形機器人打造的銀行廳堂方案,算力本地部署,不接公網,廠商披露的設計原則是"不碰客戶、不碰資金、不碰數據"。這類場景不是純租,也不是純買,是"買本體+本地訓練+維保服務"的混合。買斷的是設備所有權,租的是持續迭代的模型能力和駐場服務。
第四層,主權級:不租的底盤
還有一類主體不能放進"租買光譜"裡討論-國家與政務系統。
國家政務平台不是不想租,是主權不可外包:算力走全國一體化算力網或東數西算節點,模型自主訓練或採用備案模型,資料不出域、微調留台帳、Harness自建。
中央網信辦與發改委2025年10月印發的《政務領域人工智慧大模型部署應用指引》明確:統籌集約、縣級復用上級、不重複建設、備案模型優先。商務部2026年10月擬增列AI大模型/智能體/算力群集技術出口限制清單,技術主權邊界進一步顯性化。
它們也會用商業Agent能力,但只用在非涉密的通用輔助層——公文起草、問答、文書校對;核心決策、涉密數據、監管判斷,必須"買到底":買算力、買模型、買可控迭代權。
所以真實世界不是"租替代買",而是三層並行:通用市場租為主,垂直行業混合,主權領域自建為底。
但框架是空的。在真實世界裡,租買雙方賭的不是價格,是信任和主權。
四、博弈:租的不是工具,是代理人
傳統委託代理理論裡,企業僱人,怕的是人偷懶、資訊隱藏。租Agent,怕的是幻覺、越權、提示詞注入、價值偏離-你讓它審核合同,它把不該刪的條款漏了;你讓它產生報告,它編了一組假數據。
香港大學一項針對Agent信任機制的閉門研究顯示,76%的從業者表示在實際部署中遇到過信任顧慮,53%認為"客戶信任低"是主要障礙,42%認為"出錯責任不清"。這三組數字說的是三件事:顧慮的頻率、顧客的感知、事後的歸屬。企業採購Agent,本質上不是買能力,是買"可委託性"-身分可確權、權限可約束、履約可審計。
這就引出數據主權博弈。雲端派說:託管最省心,資料過雲也沒事,Inference Hook可以攔截敏感欄位。本地派說:金融、醫療、政務一票否決,數據不出域是底線。混合派則在走中間路線:端側篩數據,雲端強腦,榮耀"共生Agent"、NVIDIA×Perplexity都是這個邏輯。
企業爭的是商業主權,國家守的是資料主權加技術主權。烏鎮2026年11月發布的智能體自律公約提出"身份可核、授權可控、行為可查、責任可追",國家區塊鏈網絡給Agent做信任錨點——這正好說明,當Agent從工具變成代理人,"可委託性"不僅是商業問題,也是治理基礎設施問題。
廠商的真實訴求和使用者相反。使用者要"能力上來、原始資料別走";廠商想"多看失敗軌跡好迭代模型"。騰訊甚至寧可放棄原始數據,也要換失敗日誌-因為在數據不出門的前提下,"失敗軌跡"才是未來訓練數據的新石油。
博弈的第二個維度是計價權。廠商想按結果收費(RaaS),把模型成本風險轉嫁給自己,換高客單價。但企業顧慮:Agent出錯率仍高,結果不可歸因就不敢按結果付。 UC Berkeley 2025年一項跨7個多Agent框架的對比研究顯示,多Agent任務失敗率區間在41%~86.7%(不同基準不可橫向對比);CMU TheAgentCompany基準則測出,真實辦公場景下頂尖單Agent失敗率約69%~70%。按結果付費?先等穩定性過關。
現實是:先按月租工位,再按工時計費,最後才敢在窄場景裡按件計酬。中間隔著"穩定性"這道坎。
博弈的第三個維度是鎖定。租省心,但租久了會被綁住。 Agent嵌入工作流程後,業務知識沉澱在廠商側,記憶、配置、插件生態全在人家雲上。今天租Kimi,明天想遷豆包?數據資產帶不走,切換成本以年計。大廠已經在搶入口:豆包吞飛書、WorkBuddy綁微信生態,本質是"數據主權鎖定"。
所以租買決策的底層,不是成本比較,是風險分配。租,把迭代風險和維運成本外部化給廠商,但換來鎖定風險;買,把資料主權和退出自由握在手裡,但背上過時風險和養團隊的成本。
廠商想依照結果收費,企業先問:錯了算誰的?
五、反方:不是所有人都租,也不是現在就能按結果付
本文的核心判斷是"通用場景租是主航道",但這個判斷有兩個限定。
第一,私有化正在變得便宜,第三路徑真實存在。 DeepSeek開源DeepInfer推理架構(2026年10月),企業可自建推理集群,高吞吐場景下單位Token成本大幅壓低。每日互動推出"個知工作站"純私有化方案,華為昇騰架構,號稱"二十倍性價比"。實在智慧的落地口徑更具體:高頻生產場景(日均十萬級呼叫),私有化DeepSeek方案綜合成本可降到公有雲API的30%~40%。
但這有個前提:算力利用率得高。 AgentMarketCap 2026年4月的一份TCO測算指出,利用率高於70%時,自建長期成本低;低於此線,硬體折舊加運維人力會反超雲端託管。瓶頸不在模型本身,而是在Agent編排、評估、安全護欄的工程人力成本。
第二,頭部企業不租,自己建。騰訊內部CodeBuddy覆蓋95%工程師,WorkBuddy是AgentOps平台;位元組、百度、火山各自建Agent中台加生態綁定。大廠有算力、有人才、有數據,租是中小企業的主線,自建是頭部玩家的選項。
第三,RaaS按結果付費,只在窄場景跑得通。智達明遠AI行銷RaaS把效果寫進合約、未達標退款,續費率96.8%——但僅限行銷獲客這種結果易量化場景。國投智慧保全機器人RaaS試辦100台,仍在"投入驗證期"。複雜企業任務退回"工時租",因為"錯誤可歸因、結果可量化"的條件還不滿足。
所以更準確的表述是:租是趨勢,但買不會消失;RaaS是終局方向,但中間要過"穩定性"和"可歸責"兩道窄門。而一旦計價錨點從IT預算切到人力預算,Agent就不只是採購問題,而是用工製度問題。
真正的問題是:當企業開始用"人力預算"而不是"IT預算"來衡量AI,整個市場的天花板變了——但變的是結構,不是總量。
六、人力預算取代軟體預算?社會容忍度才是終極變數
這不是SaaS的延續,是SaaS的顛覆。
SaaS按席位收費,本質還是工具邏輯——你用不用,都按人頭收錢。但Agent按工時、按任務、按結果收費,本質是用工邏輯。
不過,Agent切的不是"人力預算"的總量,是人力預算內部可結構化的那一層。它能接的活有三個特徵:重複、不知疲倦、理智側-整理線索、發跟進郵件、填寫報表、對帳、出晨報。這些活,人幹會煩,Agent幹不煩,7×24待命,不請假不鬧情緒。
它切的是執行層和助理層的工時,不是關係層和決策層。談判要讀表情和語氣,喝酒是建立非正式信任,臨場決策依賴場域感知-這些"人在場"的活,Agent切不了,也不該切。
所以不是"人力預算被取代",是"人力預算內部重新分層":執行層被Agent吃掉一部分,關係層和決策層反而更值錢,因為人騰出手來做只有人能做的事。
這個類比可以往下推:現在按時長加token收費,等於按工時算工資,幹多乾少都給錢;以後按結果付費,等於計件工資,幹出來才算錢。企業願意付這個錢,因為省的是執行層真金白銀的人力成本。
計價錨點上移的市場意義是什麼?是企業對AI的心理帳戶,從"買把更好的鋤頭"變成了"僱個不下班的短工"。鋤頭你會買,短工你只會租。只要租比僱人便宜,這個邏輯一百年不會改變-變的是計價單位:從"每月工位費"慢慢滑向"每件活兒的工資"。
但這裡埋著一個比技術更難的問題:如果Agent切的不是IT預算,是人力預算裡的執行層,那被切掉的人力去哪?
企業個體理性很簡單:誰便宜用誰,Agent比人便宜就用Agent。但係統反身性在於:如果執行層被大面積取代,消費端萎縮,企業產品賣不動,回頭又得僱人。長期不是"無限替代",是人機配比動態平衡。而"租Agent"這個商業模式,在平衡區間裡依然主流——因為租的彈性最大,景氣好就加租幾個,景氣差就退訂。
10年後,通用辦公Agent全面按月租,逐步切到按結果計費;20年後,數位員工成標準用工形態,企業人力結構等於正式員工加租賃矽基崗加外包。但在這之前,有一件事比技術迭代更緊迫:當AI的計價錨點從軟體預算滑向人力預算,被釋放出來的執行層人力去哪?
發改委11月3日發布會已把AI監管沙盒、就業結構監測、模型訓練師新職業擺上桌面——分配問題不是遠在天邊的推演,是正在發生的議程。
分配問題會不會先到、以什麼形式到,不取決於技術推演,取決於社會的容忍度。科技把壓力擺上桌,接不接、怎麼接、什麼時候接,是社會自己權衡的事——這個權衡裡有經濟的賬,有穩定的賬,有就業的賬,不是技術能算的。
技術問題總是有解的。社會怎麼接這個解,才是那個會先到的坎。
【資訊說明】
本文分析概念說明:
- "動態性":本文用以指稱Agent持續進化、需要維護、跟隨業務變化的特性,以此論證買斷在經濟上不成立。此為作者分析概念,非行業通用術語。
- 「動態性強度":本文提出的判據,用以區分不同技術產品的租買決策-低烈度動態性(如地圖App)買斷加維護合約即可覆蓋,高烈度動態性(如Agent)才滑向租賃。此為作者分析概念。
- "計價錨點":本文用以描述企業採購AI時預算科目歸屬的遷移軌跡(從資產到訪問到席位到用量到工時到結果)。此為作者分析概念。
- "三層形態架構":本文將AI落地形態分為雲端純Agent、端側設備、實體載體機器人三層,並對應不同租買決策。此為作者原創分析框架。
- "主權級智能體":本文補充分析概念,指政務、國資、關鍵基礎設施中算力/模型/資料/Harness不可外包的部署形態。此為作者分析概念。
- "Harness":指Agent運行框架(會話狀態保存、雲沙箱、工具呼叫、斷線恢復、重試限流等),為月之暗面官方產品文件中的技術術語。
推演預判說明:
文中關於"計價錨點從IT預算滑向人力預算""通用場景租是主航道""RaaS需經過穩定性窄門"等判斷,均為作者基於公開信息的產業推演,不代表必然發生的結果。 10年/20年後景願為遠期推演,存在重大不確定性。
類比說明:
- IDC預測"中國企業級AI智能體市場2025年212億元增長至2029年3320億元",引自36氪研究院《2026年中國AI Agent行業發展研究報告》(2026年9月),IDC原始報告暫未公開獨立可檢索原文。
- "76%從業人員遇過信任顧慮"等數據,引自香港大學KYA閉門研究,未公開全文,僅供類比參考。
- 多Agent失敗率41%~86.7%,引自UC Berkeley Cemri et al.論文Why Do Multi-Agent LLM Systems Fail?(arXiv:2503.13657,2025),跨不同基準不可橫向對比;CMU TheAgentCompany基準(arXiv:2412.14161)測出頂尖單Agent失敗率約69%~70%,二者不可混用。
- DeepSeek-V4-Flash定價、DeepInfer框架、每日互動"個知工作站"、實在智慧落地口徑等,均為廠商公開揭露或產業測算,作者未獨立核驗。
- 月之暗面Hosted Agents定价(沙箱0.072元/小时等)引自月之暗面开放平台官方定价页;Anthropic Claude Managed Agents定价引自其官方公告(2026年4月8日)。
- 政策文件引自中国政府网公开公报:《国务院关于深入实施"人工智能+"行动的意见》(国发〔2025〕11号,2025年8月26日印发)。
- 工信部终端进网管理要求为行业公开报道信息;乌镇智能体自律公约及区块链信任锚点为公开会议信息;发改委11月3日发布会信息为公开新闻信息。
本文基于公开信息独立撰写,文中涉及对企业的分析与判断,均为作者基于公开资料的研究性观点,不构成投资建议,亦不代表对相关企业的任何立场。相关数据以企业官方披露为准。文中对无公开证据的假设性推演已标注说明,读者请注意辨别。
更多精彩内容,关注钛媒体微信号(ID:taimeiti),或者下载钛媒体App

