1. 首頁 > 生活百科 > >

90%打工人「自費買AI上班」，開啟To P革命，每月花20刀效率翻倍

人工智能ai軟件ChatGPTmeta

90%打工人「自費買AI上班」，開啟To P革命，每月花20刀效率翻倍

文章圖片

90%打工人「自費買AI上班」，開啟To P革命，每月花20刀效率翻倍

文章圖片

90%打工人「自費買AI上班」，開啟To P革命，每月花20刀效率翻倍

文章圖片

90%打工人「自費買AI上班」，開啟To P革命，每月花20刀效率翻倍

文章圖片

90%打工人「自費買AI上班」，開啟To P革命，每月花20刀效率翻倍

文章圖片

90%打工人「自費買AI上班」，開啟To P革命，每月花20刀效率翻倍

文章圖片


面對AI淘汰焦慮 ， 大量職場人出于生存焦慮主動自費購買AI工具 ， 無數職場人正「自費上班」 ， 從而開啟一場「自我拯救」運動 。 這種現象催生出區別于傳統To B和To C的全新賽道「To P」——To Professional 。
你每個月花多少錢買AI工具？
你們公司有統一購買AI服務嗎？
你是每月花20美元買ChatGPT Plus ， 還是「白嫖」免費的豆包和DeepSeek？
當隔壁工位的同事已經能用AI在半小時內生成一份你得寫好幾天的專業報告 。
那種「再不跟上就要被淘汰」的焦慮感 ， 會讓你感到恐慌嗎？
當軟件巨頭IgniteTech的CEO ， 因為團隊擁抱AI的速度「不夠快」而換掉80%的員工時 ， 一個殘酷的現實擺在了每個職場人面前：要么用AI武裝自己 ， 要么被會用AI的人淘汰 。
這種打工人的恐慌就像是AI版本的「黑暗森林」和「工具爆炸」：
怕被AI替代、怕被用AI的同事替代、怕被用AI用得特別好的同事替代 。

一場職場人的「賽博續命」就在最近 ， 全網爆火的那份MIT報告便描述了這一AI時代獨有的現象：
90%員工開始「偷用」ChatGPT續命 ， 他們都在頻繁地使用個人AI工具！
數據上更加夸張 ， 雖然只有40%公司宣稱幫助員工訂閱了統一的官方服務 ， 但受訪的90%公司員工都表示 ， 他們都在頻繁地使用個人AI工具 。
員工使用AI頻率 ， 是企業采納率的2倍多 ， MIT將這種現象被稱為「影子AI經濟」 。
前AI時代 ， 持續繁榮了30年的互聯網時代最喜歡的To B和To C的敘事體系似乎已經無法描述這種新型商業現象 。
這種影子AI經濟 ， 正對應著如今AI創業中一條獨有的賽道 。
當下的AI創業熱點藏在一條更隱秘、更迅猛的賽道：
To P（To Professional） ， 一場由無數職場人發起的「自我拯救」運動 。

俗稱「自費上班」只要分析一下當前比較火爆的創業公司 ， 比如AI編程 ， AI營銷等 ， 你就會發現——他們既不是To B ， 也不是To C 。
【90%打工人「自費買AI上班」，開啟To P革命，每月花20刀效率翻倍】而是To P 。
全球AI獨角獸前30和全球AI產品能力前20
以Cursor和ChatGPT為例 。
說他們是To B吧 ， 也對 ， 因為主要是企業內的一些員工為工作目的使用 。
說是To C吧 ， 好像也對 ， 因為大部分使用和購買行為都是個人決定的 。
考慮到這種情況 ， 我們提出To P的這個賽道：
和To B相比 ， 相同點是用戶使用AI服務 ， 用于商業目的；不同點是 ， 使用者是為了提升自己的工作效率 ， 因此自己便可以做出購買決定 。 和To C相比 ， 相同點是付費行為都是個人決策；但使用服務的目的不同：To C的最終目的是為了自己（比如淘寶買東西 ， 抖音看視頻） ， 而To P的最終目的是為了工作/商業 ， 為了別人 ， 但自己從中能有收獲（大部分時候是金錢 ， 也可能是名譽） 。
這錢交的 ， ROI太高了為什么是To P模式走得最快？
讓我們看看Cursor的增長歷史 。
Cursor在2024年創造了1 億美元的收入 ， 相比2023年的100萬美元增長極為顯著 。
到2025年6月 ， Cursor的ARR已經超過5億美元！
Cursor的估值也達到99億美元 ， 進入百億俱樂部只有一步之遙 。
這讓Cursor成為歷史上增長最快的SaaS公司 。
為何打工人「愿意」為Cursor付費？
讓我們做一個簡單的算術題 。
以編程為例 ， 程序員買AI編程會員每月花20美元 ， 可以使工作效率提高一倍 。
如果他的工資每月是5000美元 ， 如果他用同樣的工作時間 ， 那么他就可以掙到10000美元 。
也就是投入20美元 ， 收益10000美元 ， 投入產出比500倍！
當然 ， 這種計算過于「粗暴」的 ， 但這正是用戶很容易做出購買AI產品決策的原因 。
這也是當前編程軟件增長速度極快的原因 。
這就是To P賽道的特點：用戶可以明確地計算投入產出 。

打工人的「反向滲透」為何AI產品在To B和To C賽道上沒有快速發展？

To B太慢 ， 慢到等不起To B而言 ， 需要企業一組人都用 ， 需要企業管理者做決策 。
自上而下的決策牽涉到很多問題 ， 比如意見不一致 ， 預算審批周期等 ， 為了這些事情 ， 很多企業都需要到年的單位了 。
因此 ， 即便理論上是好東西 ， 也需要很長時間才能說服B端去采用 。
而對于To P而言 ， 就快多了 ， 用戶自己覺得好就可以支付 ， 這個行為和To C是一致的 。
既然個人決策很容易 ， 那么為什么To C這條賽道暫時也沒有動靜呢？

To C太難算賬 ， 太燒錢To C而言 ， 因為消費者就是自己 ， 所以不容易算賬 。
比如看抖音 ， 如果AI使得你更開心（也不容易衡量） ， 你會愿意付款嗎？ 愿意付多少？
從互聯網時代而言 ， 我們發現To C的服務 ， 大部分都走了免費路線 ， 其中一小部分走免費+增值收費（視頻網站） ， 因為免費無法覆蓋成本 ， 但大部分用戶還是不愿意付款的 。
全球付費用戶高達3億的流媒體龍頭Netflix ， 營收一度陷入停滯
要改變To C產品的用戶心智是比較難的 ， 用戶不愿意付錢 。 那我們干脆不收費不就行了嗎？
這個真不行 ， AI產品背后的token成本 ， 是無法忽略的（不像現在云服務和帶寬費用 ， 平均到每用戶非常低） ， 如果沒有一定的收費機制 ， 用戶越多 ， 虧損越大 ， 進而沒有持續性 。
舉個例子 ， OpenAI用3年時間就達到了120億美元的ARR ， 這在軟件歷史上前無古人 ， 后也很難說有沒有來者 。
根據最近的報告 ， ChatGPT全球每周活躍用戶已達7億。
很多人會說ChatGPT增長這么快 ， 這應該都是To C了吧 。
其實不然 ， 雖然都是用戶 ， 但我們要分析用戶使用ChatGPT的目的是什么 。
仔細分析下來 ， 其中一部分為了工作（To P） ， 一部分為了自己的日常需求（To C） 。
但再深入一步 。
當我們認真思考 ， 其實用戶購買ChatGPT ， 主要還是為了To P部分的需求的 ， 比如寫工作報告 ， 調研報告 ， 整理素材等等 。
對于自己的To C部分 ， 其實用戶是不愿意付錢的 。
尤其是現在免費版的GPT-5等工具 ， 已經足夠To C用戶完成自己的日常任務了 。

那么未來呢？當然了 ， To B和To C這兩條賽道也都會陸續發展起來 。
對于To B而言 ， 當越來越多的「P」（專業人士）在企業內部用個人工具證明了AI的巨大價值后 ， 企業層面的采購需求就會被真正激活 。 AI需要進一步在解決跨部門、團隊協作等復雜問題上證明其能力 ， 屆時To B市場就會全面爆發 。
其實 ， To B這塊已經有非常成功的例子 ， 那就是Meta的廣告業務 。
在2023 年 ， Meta廣告收入達到了1319.5億美元 ， 同比增長16.1%。
廣告業務幾乎占據了Meta整個營收的絕大部分 。
2024年 ， Meta的廣告收入增長至1606.3億美元 ， 同比增長22% ， 這主要得益于廣告展示次數（增長11%）和平均廣告價格（增長10%）的雙重提升 。
然而 ， 其成功的真正驅動力在于AI 。
到2025年 ， Advantage+Campaigns和Andromeda等AI驅動的工具 ， 已將每條合格銷售線索的成本降低了10% ， 并將Instagram的廣告轉化率提升了5% 。
這些效率的提升 ， 使得采用Meta AI工具的美國廣告商 ， 其廣告支出回報率（ROAS）提高了22%；相比之下 ， 未使用AI工具的用戶的ROAS僅為3.71美元 。
對于To C而言 ， 其爆發的關鍵在于token成本的下降 。
在過去的兩年里 ， 每token的成本已經降低了幾百倍 。
在下面的對數圖中 ， 可以看到每百萬token每年成本都下降10倍 。
在2025年2月 ， OpenAI的奧特曼接受采訪時曾說 ， AI的成本每年將下降10倍 。
同樣佐證了這個觀點 。
如果未來1-3年 ， 成本能繼續以每年幾十倍的速度下降 ， 直到與云計算、網絡帶寬成本相媲美 ， 那么互聯網的廣告、游戲等免費模式就能支撐起AI應用 。
問題是 ， LLM的價格會繼續以這樣的速度下降嗎？
這很難預測 。
在個人電腦革命中 ， 成本的大幅下降主要歸功于摩爾定律 。
只要這些定律仍然有效 ， 晶體管數量和頻率持續增加 ， 價格下降就很容易預測 。
具體來說 ， LLM推理成本的下降是由多個獨立因素造成的：
相同運算下更優的GPU成本/性能 。 這是摩爾定律（即芯片上晶體管數量的增加）以及結構改進的結果 。 模型量化 。 最初 ， 推理是在16位下進行的 ， 但對于Blackwell GPU ， 預計4位將成為常態 。 這將帶來至少4倍的性能提升 ， 但由于所需的數據傳輸減少且算術單元復雜度降低 ， 實際提升可能更大 。 軟件優化可減少所需的計算量 ， 同樣重要的是 ， 還可降低所需的內存帶寬 。 內存帶寬以前是一個瓶頸 。 更小的模型 。 如今 ， 一個參數量僅為10億的模型 ， 其性能就超過了僅僅三年前參數量為1750億的模型 。 更優的指令調優 。 在預訓練階段之后 ， 還有更多改進模型的方法 ， 其中包括人類反饋強化學習（RLHF）和直接偏好優化（DPO）等技術 。 開源 。 DeepSeek、通義千問和其他公司推出了開源模型 ， 這些模型可以由競爭的低成本模型即服務平臺托管 。 這減少了整個價值鏈上的利潤空間 ， 從而降低了價格 。毫無疑問 ， 其中某些領域已經看到快速的進展 ， 但在其他領域 ， 情況尚不明確 。
到那時 ， 才是AI To C創業的黃金時代 。
但至少在目前 ， AI的革命是在以To P這種更務實的方式 ， 在每一次的ChatGPT對話中 ， 在每一個職場人的鍵盤上 ， 悄然取得成功 。

作者介紹 雷鳴 百度七劍客、酷我創始人、Al Basis Fund創始合伙人、北京大學Al創新中心名譽主任、斯坦福大學商學院顧問委員會理事 。
本文來自微信公眾號“新智元” ， 作者：雷鳴 ， 36氪經授權發布 。

    推薦閱讀