OpenClaw 创始人 Peter Steinberger 在社交媒体上发布了一张 Token 使用量截图。最显眼的数字是：一个月消耗 6030 亿 Token。按截图里的预设费率估算，价值约 130 万美元。
另一条转述里还补了几个细节：约 760 万次请求，团队同时跑着大约 100 个 Codex Agent，用来推进 OpenClaw 项目。
这几个数字放在一起，已经不像“某个人 AI 用得比较多”。它更像一间机器办公室的用电记录。有人在里面写代码，有人在检查代码，有人在跑测试，有人在等下一条指令。只是这些“人”都按 Token 计费。
这张账单为什么扎眼
如果只是普通聊天，6030 亿 Token 这个数字没有太多讨论价值。无非是一个极端用户，把模型当水龙头开了一个月。
OpenClaw 的语境不一样。它的官网把自己放在“个人 AI 助理”的位置上：清理邮箱、发送邮件、管理日历、处理登机、接入 WhatsApp 和 Telegram。官网上的用户评价也很明确，很多人把它当成一个长期在线的助手，而不是一个问答页面。
问题就出在这里。聊天机器人的成本是一次对话的成本，Agent 的成本是一次行动链条的成本。它要读上下文，要调用工具，要判断下一步，要失败重试。有时候还要同时开很多个 Agent，让它们各自处理一小块事情。
所以这张截图刺眼，不只是因为贵。它把一个平时藏在后台的东西摆出来了：AI 真正开始干活之后，账单会跟着工作流一起增长。
“省 Token”和“烧 Token”其实在同一件事里
有意思的是，围绕 OpenClaw 的英文教程，主线又是省钱。
Tech With Tim 有一个 OpenClaw 教程，标题就叫“Save 95% of Your Tokens”。配套指南里讲模型路由：默认用 Claude Haiku，复杂任务再切到 Sonnet；还讲 fallback、prompt caching、spending rules、session 初始化限制、本地 Ollama heartbeat。
这些做法听起来很精打细算。可另一边，大家看到的传播点却是 6030 亿 Token、130 万美元、100 个 Agent。
我觉得这不是矛盾，反而说明这个阶段已经开始成熟了。一个东西只有真的被大规模使用，才会有人认真做成本控制。没人会为一个玩具做 token audit，也没人会给一个偶尔打开的 demo 配缓存、限额和模型路由。
云计算也是这样走过来的。早期大家关心“服务器上云是不是浪费钱”，后来关心的是“每一笔云账单有没有对应业务价值”。AI Agent 大概率也会走到这一步。
以后公司看 AI 成本，不能只问“这个模型多少钱”。更实际的问题是：这一组 Agent 跑了一晚上，换回了什么？少了几小时人工？多快交付了一个版本？有没有减少返工？有没有制造新的错误？
机器员工也要算工资
OpenClaw 官网上有一句用户评价很有画面感：一个聪明模型，有眼睛、有手，坐在桌前，有键盘和鼠标。你像给同事发消息一样叫它做事。
这句话比“AI 助理”更准确。真正改变成本结构的，不是一个更聪明的聊天框，而是一个可以长期待命、能接工具、能记上下文、能自己继续推进任务的东西。
一个 Agent 很容易被当成工具。十个 Agent 同时跑起来，就开始像团队。一百个 Agent 长时间跑着，账单、权限、审计、失败处理、上下文管理都会变成管理问题。
这也是 6030 亿 Token 这个数字值得写的原因。它像是提前漏出来的一张工资表，只不过员工名字都叫 Agent。
普通人会在哪些地方感受到它
多数人不会在下个月收到一张 130 万美元的 API 账单，但这种成本变化会慢慢传到每个人身边。
开发者会先感受到。以前是自己写代码，后来是用 Copilot 补代码，再后来是让 Agent 开分支、读 issue、跑测试、提 PR。到这一步，能力差距不只来自会不会写代码，还来自会不会把任务拆给 Agent，怎么检查它，怎么控制它别乱花钱。
创业者也会感受到。很多 AI 产品现在看起来毛利很好，是因为用量还没真正上来。一旦用户开始把 Agent 当长期员工用，模型调用、浏览器操作、文件读取、队列重试都会变成成本。产品定价如果还停留在“每月几十美元随便用”，迟早要重新算。
普通职场人感受到的方式更隐蔽。你不会看到 Token 账单，但你会发现一些重复工作突然被拆走了：会议纪要、资料整理、客户跟进、表格核对、代码审查、内容排期。它们不一定被一个完整的软件替代，而是被一串小 Agent 慢慢吃掉。
这时候再问“AI 会不会替代我”，已经有点粗糙了。更应该问的是：我的工作里，有多少动作可以被连续执行、被检查、被复用？这些动作一旦被拆出去，我还剩下什么判断力？
真正的门槛会变成 Token 预算
过去讨论 AI，经常讨论模型能力：推理强不强，上下文长不长，写代码稳不稳。
这些当然重要。但 Agent 时代还有一个更朴素的门槛：你能不能让它一直跑。
偶尔问 AI 几个问题，和让一组 Agent 连续工作一周，不是同一种能力。后者需要预算，需要路由，需要缓存，需要日志，需要权限边界，也需要有人知道什么时候该停。
这会让 AI 使用出现新的分层。有些人把 AI 当搜索框，有些人把 AI 当外包，有些人开始把 AI 当组织结构的一部分。到了第三层，Token 就不再是技术细节，而是生产资料。
OpenClaw 这张账单真正提醒我的，是这个分层已经开始了。
最后
6030 亿 Token 听起来像一个夸张故事，但它可能只是未来几年里很普通的一类账单，被提前放大给我们看。
它提醒我们，AI Agent 的问题不能只从“能做什么”出发，也要从“持续做这些事要付多少钱”出发。
一个月 130 万美元当然极端。可一旦 Agent 真的进入工作流，每家公司、每个团队、每个重度使用者都会遇到自己的小号 6030 亿 Token。
那时候，AI 的竞争不只是谁提示词写得好。还包括谁能把机器员工用得起、管得住、算得清。