過去三週，我分三期發表了一篇詳盡長文，剖析 AI 泡沫潛在的崩盤誘因、觸發事件以及後續連鎖後果。
上週業界風向出現了異動。
就在 Uber 首席營運官 Andrew Macdonald 表態，AI 投入「越來越難找到合理依據」，很難理清這筆開銷和落地實用 C 端功能之間的投入產出邏輯（此前該公司 CTO 曾透露 Uber 四個月就耗盡全年 token 預算）之後，Axios 記者 Madison Mills 爆料，有家企業因未設定消費限額，短短一個月在 Anthropic 模型上意外燒掉 5 億美元。
時隔數日，Mills 再度發文稱，已有多家企業開始想方設法削減 AI 相關開支。
究其根源，正如我此前所言：受大型語言模型天生容易產生幻覺、各類調用框架與各類 agentic 介面層出不窮的影響，目前沒有任何方法可以精準核算 AI 投入的投資報酬率，甚至無法建立統一標準來測算單一任務使用成本。
不同提示詞、專案與互動場景都可能出現難以預判的異常失誤，使用者不得不時刻繃緊神經，提防這套所謂的「智慧系統」鬧出毀滅性的低級錯誤——畢竟大型語言模型沒有自主思維、意識，除了預訓練與微調環節之外不具備自主學習能力。
倘若一項產品沒法量化實際效果、核算使用成本、測算投資回報，人們完全有理由質疑自己當初為何要掏錢買單。
業界如今熱議 AI 投入回報不及預期合乎情理，但在我看來，成本無法量化核算才是更致命的難題。
昨日，微软旗下 GitHub Copilot 全面調整計費規則，由原訂閱方案按使用額度計費改為 token 按量計費。在此之前，用戶僅需每月 39 美元訂閱費，就能無節制消耗海量 token。
大批用戶怒火衝天：有人單次輸入提示詞就耗盡月度額度的 50%；有人短短數小時用完 60% 月度額度；還有用戶單條提示詞消耗 31% 額度；另有使用者預估自己連續使用五小時就能耗盡整月配額；有人八條指令用掉近半數額度；兩名提示詞消耗 14% 額度。
更有用戶吐槽，短短幾小時 33% 額度憑空消失，GitHub Copilot 一夜之間從心頭首選訂閱產品變成了壓在心頭的煩心事。
需要說明的是，當前平台還處於優惠活動期，用戶每月可領取 11 美元或 21 美元免費額度。
和絕大多數享受補貼定價的 AI 訂閱產品用戶一樣，這些使用者從一開始就不清楚每一步操作的實際開銷。微軟刻意隱瞞提示詞真實計價標準，縱容用戶高額消耗資源，以此拉動 GitHub Copilot 用戶增速。
這類亂象遍布全行業。
市面上所有 AI 訂閱產品都在用補貼定價掩蓋真實使用成本。因此，所有吹捧 Claude Code 以及 AI 賽道的造勢文章都陷入了認知錯覺：美化產品實際價值，高估行業現狀。
科普小補充
我簡單拆解 AI 訂閱的盈利套路：用戶按月付費開通 Anthropic、OpenAI 等平台服務，在日、周調用速率限額內隨意使用產品，但廠商從來不會明確標註限額對應的實際資源用量，只給用戶一個模糊百分比進度條，成本測算全靠使用者自己摸索。
調用 AI 模型時，輸入內容折算輸入 token（一個 token 約等於四分之三個英文單字），模型回傳結果折算輸出 token，廠商按百萬 token 檔位定價計費。
即便模型具備內容快取機制來重複利用既有資料、減少重複讀寫，每一次互動都會產生費用，無論輸出結果好壞、能否落地使用。
這也是絕大多數 AI 初創公司天生難以盈利的核心原因：風投融資幾乎全部源源不斷付給 Anthropic 與 OpenAI，用來支撐自身虧本的產品服務。頭部 AI 實驗室雖能自建算力基建壓縮部分開銷，但沒有任何實證能證明此舉可以實現盈利。
举例來看，用戶在 Anthropic 平台每花費 1 美元訂閱費，對應消耗的 token 成本可達 8 至 13.5 美元。即便 AI 鼓吹者聲稱 Anthropic 在推理業務層面已經盈利，該結論也只停留在 CEO Dario Amodei 的理論推演，沒有落地財報佐證。
換個通俗視角：在僅標註調用限額、隱藏實際單價的訂閱模式下，模型陷入死循環、輸出錯誤內容這類故障，總能被廠商歸為早期技術不成熟；畢竟用戶整月只付了 20、100 或是 200 美元訂閱費。
Anthropic、OpenAI 以及全行業 AI 企業刻意隱藏真實計費標準，只因一旦用戶需要為模型的低級失誤買單，勢必會集體投訴維權。
承諾落空：AI 使用成本不降反升
近幾個月，成本亂象徹底浮出水面：2026 年第一季，Anthropic 與 OpenAI 悄然將全部企業客戶切換為 token 按量計費模式。企業端決策者普遍脫離一線業務，過去管理層還硬性推動員工全場景落地 AI，部分企業甚至把 AI 使用率納入績效考核指標，直接和職位留任掛鉤。
長期使用隱藏真實成本的 AI 訂閱產品，員工早已形成「AI 近乎零成本使用」的使用習慣，再加上中層管理者不斷施壓要求規模化落地 AI，全程沒人清楚單一項業務對應的 AI 實際開銷。
這套商業模式從根源註定崩盤：絕大多數 AI 使用者完全不了解、也被行業引導無視 token 真實成本，最終無節制粗放使用服務，持續產生不經濟的資源消耗。
市面上所有吹捧 AI 的爆款文章，作者都被行業話術蒙蔽、忽略真實成本，賣力宣揚一款底層不可靠、效果不穩定、成本居高不下、定價持續上漲的技術。
順帶一提：即便單百萬 token 單價有所下調，但完成同等任務，模型需要消耗的 token 總量大幅上漲，最終推高整體推理成本。類比理解：油價走低，但通勤路程不斷變長，整體出行開支不降反增。
OpenAI、Anthropic 等 AI 企業聯手刻意隱瞞 AI 真實成本，這套行銷套路在切換按量計費前一路暢通無阻。
新規落地不到四分之一週期，各大企業客戶紛紛陷入成本恐慌：沃爾瑪為內部 AI 編程工具 Code Puppy 設定 token 消耗上限，發言人表示「引導員工在能創造實際價值的場景使用 AI」；就在此前數日，亞馬遜資深副總裁 Dave Treadwell 剛提醒員工「切勿為了用 AI 而盲目使用 AI」。
過去數年的 AI 熱潮建立在層層謊言之上。全行業聯手營造假象：AI 親民可控、商業化可持續、盈利可期、幻覺缺陷可根治，眼下所有問題只是行業發展初期必經陣痛。
現實卻是，AI 行業吸納超萬億美元資本、海量頂尖技術人才、絕大多數初創融資與媒體曝光，耗費千萬創作者的成果，卻始終沒能根治肉眼可見的底層弊病。
但凡有業內質疑者指出行業邏輯漏洞，總會被拿來對標 Uber 泡沫（二者沒有可比性）、對標亞馬遜雲早期巨額投入（AWS 歷經 14 年累計投入 520 億美元，上線第九年便實現正向現金流），被灌輸「成本終將下行、耐心等待就能迎來行業拐點」的空頭話術。
四年萬億資本投入過後，AI 整體成本不降反升，頭部企業資金消耗愈發兇猛，產品可靠性沒有改善，行業鼓吹者只能變本加厲編造謊言掩蓋現實，只為少數富豪收割紅利。
OpenAI、Anthropic 的產品精準迎合不願深耕業務的管理層，產出看似成型的半成品糊弄外行高管與中層管理人員；這套商業模式能維繫至今，核心就是廠商刻意隱瞞真實使用成本。
我再次強調：如今 AI 落地成本遠高於三年前，且不存在降價趨勢。Sam Altman 提出的「智慧服務廉價到不計費」純屬空談；NVIDIA Blackwell 系列 GPU 沒能壓低算力成本，後續 Vera Rubin GPU 同樣做不到；Google TPU、亞馬遜 Trainium 與 Inferentia 晶片、Vera Rubin CPU、OpenAI 自研晶片、DeepSeek 硬體全都無法實現 AI 算力降價。
大眾之所以筆定 AI 成本會持續走低，是依托過往電子產品降價規律，但這套邏輯不適用於 AI：模型訓練與推理成本不僅包含硬體採購價，還附帶持續高額運維電費。大型語言模型依賴高功耗並行計算，必須搭載高價 GPU；模型參數越大、結構越複雜，訓練與推理所需 GPU 數量同步激增。
歷經三代產品迭代，NVIDIA GPU 沒能帶來算力成本下降，這足以說明生成式 AI 原生商業模式存在致命缺陷。
切勿拿網際網路泡沫類比 AI 泡沫：AI 崩盤後果更嚴峻，無法複製網際網路的復甦
業內總愛把 AI 熱潮對標網際網路泡沫，但 AI 行業的隱患遠比當年嚴重，人們偏愛套用過往歷史合理化行業亂象，迴避全球史上規模空前的資本錯配事實。
當年網際網路泡沫分為兩大板塊：電商與網際網路初創公司泡沫、電信基建泡沫。
據 Justin Kollar 梳理，電信泡沫源於行業對市場需求的嚴重誤判。
全美國大範圍鋪設光纖的背後，依托一則流傳甚廣的謬論——網際網路流量每 90 天翻倍。該觀點充斥券商研報、財報電話會與投資人宣講材料，若論調屬實，需求指數級暴漲將永遠跑贏基建供給，每一寸光纖都能持續回本盈利。
但數據戳破謊言：AT&T 研究員 Andrew Odlyzko 統計真實流量數據後證實，美國骨幹網流量實際年增速翻倍，增長迅猛但遠達不到 90 天翻倍的離譜速率。
與此同時，波分複用技術讓單根光纖可並行傳輸多路光訊號，單條線路承載能力指數級提升。
最終基建鋪設規模遠超實際需求：彼時全球網民基數偏低，且撥號上網網速極慢。
所有人都在拿「當年網際網路也曾飽受質疑」佐證 AI 前景，但要釐清歷史：2000 年美國成人網際網路普及率僅 52%，2003 年升至 61%；世界銀行數據顯示，2005 年全球網民佔比 16%，2024 年才達到 71%。
二者關鍵差距在於寬頻普及：早年 56K 撥號上網按分鐘計費、網速卡頓；2000 至 2002 年美國平均網速上限僅 400 千位元/秒，換算 50KB/s；如今美國平均網速突破 200 兆位元/秒，換算 25MB/s。
放在當年，網頁載入耗時放到現在難以想像；後續網頁設計優化、行動端普及進一步盤活網際網路生態。21 世紀初電商尚在萌芽，網際網路泡沫遺留海量光纖基建反而是行業長期紅利，也是泡沫為數不多的正向價值。
AI 和網際網路泡沫核心分水嶺：閒置光纖完成激活後，落地的網際網路服務對比撥號上網體驗更好、單價更低；TheGlobe、WebVan、Pets DotCom 等破產企業虧損，根源是自身商業模式畸形，並非接入網際網路成本過高。
它們的後續對標專案 Facebook、Instacart、Chewy 實現盈利，不需要顛覆商品配送、網路接入的底層科學原理；初代企業倒閉源於盲目擴張、獲客成本畸高，單用戶獲客成本高達 400 美元。
Dell 與 CoreWeave 現已落地首批 Vera Rubin GPU，沒有任何廠商提及盈利、可持續營運相關字眼，只因 NVIDIA 研發重心放在抬升硬體定價而非優化能效。
據創辦人黃仁勳公開表述：當前 AI 資料中心單 GW 造價約 500 億美元，未來造價將攀升至 800 億~1000 億美元/GW。
從定價趨勢來看算力成本毫無下行跡象；即便單台硬體理論算力提升，終端使用者也沒能收穫降價、增效的實際收益，行業至今無法量化硬體升級帶來的落地價值。
總結就是，網際網路泡沫源於資本過熱，泡沫破裂後遺留可用通信基建，後續依托存量基建持續降本增效；AI 資料中心、AI 初創賽道不存在这套復甦邏輯。
而 AI 泡沫不會留下可複用優質基建，沒有網際網路泡沫式的救贖行情。
時常有人發文拿網際網路、鐵路泡沫舉例，稱泡沫破裂後行業不會徹底消亡，但這類類比完全誤解 AI 產業本質。
滿載 GPU 的 AI 資料中心，使用場景高度局限於 AI 運算；GPU 可用於大數據並行統計、科研模擬建模，但硬體架構天生不擅長處理碎片化零散任務，難以適配絕大多數通用算力需求。
網際網路泡沫的救贖邏輯依托海量光纖存量，後續追加少量建設成本就能全民普及低價寬頻；AI 沒有可複用的存量基建紅利。
AI 資料中心前期基建投入動輒數十億，前五六年常年虧損營運，甚至永遠無法收回建設成本。五年後 Vera Rubin、Blackwell 機櫃的電費、場地、自備發電機組等運維成本和當下持平；爛尾的資料中心完工併網、配套自備電源的開銷也不會隨時間下降。
網際網路泡沫破裂後，倒閉企業低價拋售伺服器與辦公設備，創業者低成本搭建初創專案：一台 Sun Microsystems Ultra Enterprise 3000 伺服器當年售價 43000 美元（換算現價 89000 美元），功耗 1200~1500 瓦就能支撐一家公司全棧業務；單塊 B200 Blackwell GPU 功耗就達 1200 瓦，單用戶完成複雜 AI 編碼任務需要 4~12 塊 GPU。少量 GPU 很難落地盈利專案，變現、規模化落地全行不通。
閒置光纖搭配收發設備即可開通寬頻網路；AI 資料中心是配套定製散熱系統的專用機房，適配特定晶片，改造為通用機房需要徹底拆除重裝，前期鉅額基建投入直接作廢。
即便低價收購破產算力企業閒置 Blackwell GPU，個人使用者無力落地使用：配套機房、定製散熱的固定開銷居高不下，哪怕晶片白送，機房託管成本依舊高昂。
網際網路、鐵路能穿越泡沫週期，核心是前期一次性基建投入，後續邊際成本可控。
低價接手滿載高端 GPU 的閒置 AI 機房，高額持續運維電費、人力成本是無底洞；硬體閒置照樣產生固定支出，想要盈利必須全時段滿載算力，但全行業沒有成熟落地的盈利商業模式，即便手握海量融資也無人跑通閉環。
模型訓練成本全為持續性營運開銷：從零訓練大模型動輒需要上萬片 H100/H200，無論訓練成果優劣，電費全額照付；一次失敗的訓練專案虧損可達數千萬乃至上億美元，泡沫破裂後沒有資本承接這類無效投入。
我在上期付費專欄提到過理論場景：AI 回歸真實定價後，多數企業無力承擔使用成本；但 AI 當前虛假需求依托補貼定價催生，企業一旦實付成本就開始壓縮預算、叫停投入。
泡沫破裂後，全行業 AI 投資熱情斷崖式下滑：初創融資斷絕、企業 AI 預算砍撤、資料中心融資受阻。
AI 泡沫全鏈條靠行業造勢維系：靠炒作「AI 工廠」概念發債採購 NVIDIA 硬體、修建機房；靠鼓吹 AI 軟體落地價值促使企業持續採購 OpenAI 與 Anthropic 服務；靠渲染 AI 落地潛力拿到初創融資；靠媒體不間斷造勢掩蓋天價成本。這套謊言體系一旦崩塌，泡沫即刻瓦解。
行業依靠謊言、不實宣傳與被資本裹挾的財經媒體維系熱度，模糊化宣傳不斷吹高 AI 估值。主流媒體慣用「AI 可以開發軟體」這類籠統話術，誤導大眾誤以為輸入一句話就能生成可商用成品軟體；現實中模型輸出的程式碼漏洞百出，只能糊弄外行管理者與懶於調研的記者。
全民跟風佈局 AI 的輿論壓力由此形成，「拒絕擁抱 AI 就是錯失下一代網際網路紅利」的論調倒逼企業盲目投入；倘若沒有輿論施壓，AI 產品只能靠真實產品力立足，而頭部廠商即便依托全市場輿論紅利，依舊靠補貼維繫產品定價，側面印證產品本身價值薄弱。
軟硬體層面吹大泡沫的唯一路徑，就是向大眾與投資人隱瞞 AI 真實成本和落地效果。
如今企業直面實付帳單，開始檢視落地成效，行業集體陷入成本恐慌。
投資回報爭議爆發：無法測算 ROI = AI 沒有實際回報
上週 SemiAnalysis 發布一篇極具誤導性的研報《AI 隱性產出：看不見的產出對應的顯性成本》，提出觀點：「AI 落地收益先落地、後量化」，還拋出論調，「AI 或將迎來比肩工業革命級別的產業變革，企業持續加碼 AI 投入，但大量新增經濟產出處於不可統計的隱性狀態。」
SemiAnalysis 主營半導體行業研究，天然有維穩 AI 泡沫的利益訴求，靠「收益客觀存在只是無法統計」洗地，恰恰說明行業處境窘迫。
其對「隱性產出」定義是，AI 創造的經濟增量，無法體現在 GDP、物價、就業、行業財報統計中，分為兩類：
1. 替代型隱性產出：原本由人力完成的工作轉交 AI 落地，測算顯示當前 AI 可優化或自動化規模約 1.5 萬億美元工作量。
2. 新增型隱性產出：AI 誕生前因成本過高無人落地的全新工作，長期增量潛力遠超替代板塊。
其舉例論證漏洞百出：「一份法律文書，無論律師撰寫還是 AI 生成，通膨調整後對使用者的經濟價值等同，對應同等 GDP 增量。」
聘請律師付費採購的是從業經驗、判例檢索、訴訟風控的專業服務，AI 僅能拼湊文本、高頻幻覺，無法複刻法務的風險把控能力，二者經濟價值天差地別。
研報補充：「AI 承接文書工作後，相關人力服務費消失，成本轉化為 token 開銷；官方統計法律服務均價反而上漲，簡單文書全部交由 AI 處理，對應 GDP 統計出現資料斷層，僅有零散 token 消費計入其他行業產值。」
AI 商業化落地四年，行業仍在依靠假想案例佐證價值。現實裡簡單文書不會全盤外包 AI 起草，律所收費核心是依托執業經驗規避法律風險，從初級律師草擬到合夥人終審全流程風控。這套空洞邏輯正是 AI 泡沫賴以膨脹的根基。
所謂 AI 新增工作被作者窄化為文獻綜述、郵件彙總，還靠零星個案聲稱大部分 token 開支用於全新增量業務而非替代原有人力。
若 AI 具備正向 ROI，裁員潮必然成為顯性事實
所有 AI 替代崗位的新聞都充滿模稜兩可的模糊表述。
早前多家媒體援引牛津經濟研究院結論，宣稱入門崗被 AI 大範圍替代；原文僅提及部分行業 2022 年後就業率下滑、存在 AI 替代用工的潛在跡象，無實錘落地數據。
CNBC 標題炒作麻省理工研究稱 AI 可替代美國 11.7% 勞動力，數據來源只是用工模擬模型，並非 AI 落地實測數據。
絕大多數企業借 AI 名義裁員，動因是安撫股價、博取行業熱點新聞，而非技術落地倒逼減員。倘若 AI 真能大規模替代人力，全球失業率飆升、社會動盪必然成為顯性經濟訊號。
如果 AI 落地效果匹配宣傳，各行各業會迎來顛覆性變革：
1. 軟體行業崩塌：普通人一句話就能生成商用軟體，沒人付費採購成品軟體，雲端廠商商業模式瓦解，SaaSpocalypse 絕非行業過熱導致的估值回調（私募 2018~2022 年哄抬軟體估值，Apollo 的 John Zito 直言資產定價全面失真，和 AI 無關）；
2. 財會行業消亡：報稅全靠工具，專職會計失去生存空間；
3. 法學產業鏈崩盤：律所不再批量招聘新人，法學院生源枯竭、法務薪資暴跌；
4. 全領域科研重構：全學科深度報告一鍵生成，人工科研失去價值。
以上場景落地的前提是大模型零幻覺、具備自主思考與原創能力，但現有產品完全達不到標準。
無法統計 AI 裁員數據的本質是， AI 沒辦法獨立完成完整崗位工作，只能在個別零散外包崗位做出劣質替代，不具備全流程履職能力；模型沒有職場經驗、行業認知、主觀判斷力，所有輸出依托訓練資料集。
Sam Altman、Dario Amodei 靠渲染失業恐慌融資上千億美金，如今雙雙改口淡化裁員論調，當初盲從造勢的行業從業者難辭其咎。
具備真實 ROI 的產品，無需反複論證落地潛力
全球隨時隨地可試用 ChatGPT、Claude、Gemini，倘若 AI 真能高效落地，民間早湧現大量依托 AI 盈利的初創公司、各行各業頭部企業依托技術拉開代差、服務價格斷崖式下跌。
現實四年過去，沒有任何標桿企業靠 AI 顛覆行業格局。
行業也不必靠廠商編造謊言：比如 Anthropic 謊稱 Mythos 性能過強暫緩發布，數月後卻如期上線；不需要高管反覆口頭佐證 AI 價值，落地成效肉眼可見無需空談潛力。
但凡量化測算 ROI，結論均指向收益缺失
貝恩顧問近期調研 951 家年營收破億美金企業高管，數據無法證實穩定正向 AI 回報：受訪企業中僅 37% 實現 10%~20% 成本壓降，40% 降本幅度不足 10%，全球僅 4% 企業 AI 降本超 30%。
降本基數模糊：10% 對應千萬級成本和千元級成本天差地別，統計口徑含糊不清。
更致命的數據是， 44% 企業依據上一輪模糊降本數據規劃新一輪 AI 投入，但部分企業此前承諾的降本收益至今沒有兌現。
貝恩報告金句戳破亂象：「技術跑通了，價值沒落地。依托過往虛設收益滾動追加投入看似風控，實則是自帶漏洞的循環賭局。」
通俗解讀就是，產品能運行，但無法創造經濟價值，等同於落地失敗。
貝恩給出建議稱，企業落地 AI 前務必核對自動化真實收益，而非預期收益，避免盲目追加投入放大風險。
年營收數十億的頂級顧問公司還要專門提醒客戶核算投資回報，側面印證 AI 落地價值缺失。
面對算力成本失控的行業現狀，Sam Altman 受訪表態：企業普遍反映 AI 開支暴漲、收益模糊，行業後續會自行理順投入產出。
記者 David Faber 錯失追問機會，中途跳轉太空算力的無關話題，這正是 AI 泡沫靠媒體放水不斷膨脹的關鍵：關鍵問題避而不談，轉移至虛無縹緲的遠景話題。
坐擁千億身家、執掌估值 8520 億 OpenAI 的 Altman 把行業整改責任推給全行業，自身迴避核心難題。
大模型使用者淪為騙局受害者
倘若 AI 有實打實 ROI，業界能隨手列舉落地增收案例。吹捧 Spotify 工程師減負毫無意義：平台產品迭代、系統穩定性、功能落地沒有實質性提升，大量 AI 生成程式碼反而加劇軟體故障。
從實際成本來看，AI 編碼工具推高全行業研發開銷，企業源源不斷向 Anthropic、Cursor 支付鉅額帳單，程式碼品質普遍下滑。部分工程師樂於使用工具，但沒人能拿出對應落地收益證明。
我直言，依托大模型落地全流程業務的從業者，全是被行銷話術收割的受害者。
日常寫腳本、簡單輔助辦公、語音轉寫、輔助檢索等輕度使用無可厚非（檢索內容仍需逐條核驗來源）；全業務鏈路綁定大模型等於輕信行銷騙局。
落地一套 AI 自動化流程，需要堆砌大量容錯腳本彌補模型幻覺缺陷，使用者花在調試工具上的工時遠超原生人工工作量，使用者的成就感源自被產品行銷洗腦。
少數人用模型簡化 Python 資料腳本編寫，本質受益於 Python 程式語言，而非大模型技術突破。
萬億資本投入換來的產品，僅能降低入門腳本編寫門檻，本身就是極致的資本浪費。
所有 AI 自動化專案，本質是依托海量補貼和不實宣傳包裝的騙局。被鼓吹者追問落地回報時，人們只能反覆套用 Uber、網際網路泡沫等無關案例搪塞。
狂熱擁護者極力辯護的根源，是無法回應落地收益、成本測算等基礎問題；現有大模型全部依托紙面潛力售賣，實際落地效果遠達不到宣傳預期。
無法量化 ROI 的終極答案是， AI 沒有正向投資回報。大模型僅能小幅提速簡單工作，任務複雜度提升後精準度、性價比同步下滑；擴建算力機房只能拓寬模型可嘗試的任務邊界，沒法兌現盈利承諾。
少數落地案例要么刻意無視模型天生缺陷，要么投入高額人力兜底糾錯，最終換來性價比極低的半成品。被包裝成自動化神器的大模型，落地全靠人工兜底修正錯誤、消化缺陷，本該被替代的人力轉而耗費精力維護 AI 運行。
資本與高管靠謊言洗腦媒體與資本市場，收割全行業資源；媒體從業者、外行管理者缺乏技術與行業認知，被熱點噱頭裹挾。大模型精準迎合盲從人群的虛榮心，讓人誤以為模型在創造價值，實則人類投入更多資源彌補產品短板。
耗費萬億資金、全行業資源換來的產品，產出低質文稿、劣質表格、版權拼湊的配圖，沒有任何顛覆性落地成果。
作為付費使用者，本職是評判產品好壞，而非主動為產品缺陷找藉口、為廠商的誇大宣傳站台；需要不停辯解產品潛力，恰恰印證 AI 行業商業模式從根基上存在致命漏洞。