AI 不再只是软件故事：17 张图看资本、工作和算力如何换轨

钱先转向了更重、更慢、更贵的主题

第一组图先把资金的换挡摆在桌面上。

2026 年 ETF 净流入正在刷新历史纪录。Citadel Securities 的序列显示，截至 8 月 10 日，今年的速度比上一年的纪录还高出约 6000 亿美元；仅 7 月一个月，净流入约 3460 亿美元，创下单月新高。

总量很热，去向更有意思。2020 年的头部主题还是清洁能源、新兴市场科技和医疗；到 2026 年，AI、核能、太空、防务和基础设施挤进榜单。它们都更依赖资本开支、物理设施、能源与长周期建设。

① 年度总量：2026 年 ETF 净流入速度冲击纪录。来源：Citadel Securities / Global Market Intelligence。

② 单月峰值：2026 年 7 月约 3460 亿美元，为序列新高。来源：Citadel Securities / Global Market Intelligence。

③ 结构换轨：头部主题转向 AI、核能、防务和基础设施。来源：Bloomberg / J.P. Morgan Asset Management。

这是一轮从 bits 向 atoms 的叙事切换：过去最受追捧的是可快速复制的软件与消费互联网，如今资金愿意为电力、厂房、卫星、军工产能和算力基础设施买单。

但资金流只证明投资者偏好发生了变化。它不证明这些项目最终都能赚到钱，更不证明高流入之后仍有高回报。主题 ETF 最擅长把一个复杂产业压缩成一个可交易标签；它也最容易把“方向可能正确”和“价格仍然划算”混成一件事。

算力建设正在给技能工重新定价

如果第一组图讲的是预期，数据中心这组图讲的是预期落地之后的现实摩擦。

在新墨西哥和怀俄明，数据中心约占私人非住宅建设支出的 60%。这个数字很大，却不能脱离分母看：两州在建数据中心容量都不足 3GW，高占比也因为当地其他建设活动较少。宾夕法尼亚同样约 3GW，却接近全州非住宅建设支出的 30%；得州在建容量大得多，占比约 10%。

数据中心的特殊之处就在这里。它既是科技基础设施，也是土地、电力、暖通、混凝土、电气和网络工程共同参与的重工业项目。在一些州，它甚至开始主导当地的建设周期。

县级数据也给出一幅总体偏正面的画面：已有大型数据中心运营的县，从 2024 年以来住房建设、房价、失业率和就业增长都优于全美总体；仍在建设中的县，就业改善更明确，住房与房价则更复杂。

这里不能偷换成因果。数据中心往往落在电力、土地、网络和税收条件更好的地方；弗吉尼亚州劳登县本来就富裕，得州在 2024 年前也经历过异常强的住宅建设。图表看到的是“数据中心与更好的经济结果同时出现”，不是一次随机实验。

工资数据更接近真实的供需冲击。Indeed 对同职位招聘信息的比较显示，数据中心岗位的中位数工资溢价从电气工程师的约 10%，一直到设施经理的约 64%；建筑经理约 29%，现场主管约 26%。达拉斯联储记录的企业访谈更直接：当地熟练混凝土工通常拿 28–32 美元时薪，数据中心项目把报价抬到 45 美元，还附带每天 150 美元补贴。

① 建设份额：高占比需要同时看在建 GW 和当地建设分母。来源：Goldman Sachs Global Investment Research。

② 县级结果：运营县总体更好，但选址与既有经济条件会造成选择效应。来源：Wells Fargo / FracTracker / US Census。

③ 同岗工资：设施经理溢价约 64%，电气工程师约 10%。来源：Indeed，2026 年 1–6 月招聘信息。

④ 跳槽价格：建筑、制造、自然资源/采矿的跳槽溢价领先。来源：ADP Research。

ADP 的跳槽数据提供了另一个交叉验证：建筑、制造和自然资源/采矿行业，跳槽者的工资增速比留任者高约 6–9.5 个百分点，明显高于其他行业。跳槽溢价不是数据中心专属，但它说明“硬帽子岗位”的需求正在升温。

所以，围绕数据中心的地方争论不能只算电网负荷、用水、税收和噪音，也不能只算长期运营岗位。拒绝一个项目，可能同时拒绝一轮建设支出和对技能工的加价；接受它，也不意味着所有县级繁荣都由数据中心创造。真正的选择是一整套成本与收益，而不是一句“要不要 AI”。

网约车更贵了，平台与司机的账却不能合并

Uber 越来越贵，不是错觉。a16z 的图表按 Gridwise 数据计算，从 2024 年初到 2026 年二季度，Uber 的平均价与中位价都上涨约 20%；Lyft 整体更便宜。

Gridwise 的 2026 年二季度页面给出了更容易复核的当前截面：Uber 平均每单 24.62 美元，Lyft 为 19.83 美元；中位数分别是 18.01 和 14.99 美元。Uber 两年平均价上涨 14.2%，一部分来自高端车型占比提升，而不是所有同类行程统一涨价。

涨价后的钱也不是只流向一个方向。平均平台费达到 Uber 每单 5.30 美元、Lyft 3.11 美元，同比增幅分别是 14.0% 和 26.4%，跑得比车费更快；与此同时，司机单均总收入升至 15.78 美元，同比增 7.6%，超过 2021 年峰值。

① 客单价：Uber 上涨更明显，Lyft 仍相对便宜。来源：Gridwise Analytics。

② 平台费：两家都在上升，Uber 绝对值更高。来源：Gridwise Analytics。

③ 司机总收入：每单 15.78 美元，超过 2021 年峰值；这是 gross pay。来源：Gridwise Analytics。

④ 零工结构：BofA 样本中社交电商增速最快，但方法未完整公开。来源：Bank of America internal data。

这组图最容易被误读成“平台和司机双赢”。单均总收入是 gross pay，不是净收入。油费、车辆折旧、保险、空驶、等待时间和单位小时完成的订单数，都可能改变司机实际拿到手的结果。平台费上涨可以直接改善平台单笔经济性，司机单均收入上涨却未必同步改善时薪和净利润。

零工结构也在变。美国银行内部账户数据中，网约车、配送和内容创作都在增长，但社交电商自 2024 年基期以来增幅超过 30%，跑得最快。这可能来自注意力从电视转向社交平台、电商基础设施成熟，也可能因为 AI 降低了脚本、素材、客服和投放成本。

“可能”是关键词。BofA 图表没有公开完整样本与方法，社交电商的低基数也会放大增速。它适合当雷达，不适合当因果证明。

Agent 用量正在改写 Token 与工具链

最后六张图把视角从“多少人用了 AI”推进到“少数企业已经怎样用”。

OpenAI 的 Enterprise Signals把每活跃用户输出 Token 排名前 10% 的企业定义为前沿企业。到 2026 年 6 月，这些企业的人均输出 Token 是典型企业的 8.3 倍；1 月时还只有 2.6 倍。差距拉大的关键不只是多聊几轮，而是把公司上下文、工具和重复工作流接给 Agent。

采用率能看出这种分层。前沿企业中，每周使用 Plugins 的活跃用户占 21%，Skills 占 19%；典型企业分别只有 9% 和 3%。OpenAI 内部的 Plugins 使用率达到 95%，更像一个“深度采用可能到哪里”的上限参照，而不是普通企业当前应该达到的基准。

岗位扩散也超出了工程团队。自 2026 年 2 月以来，企业 Codex 周活用户在法律岗位增长 108 倍，在销售和招聘各增长 41 倍，在营销增长 26 倍，工程岗位则是 5 倍。法律的数字很惊人，但低基数、产品开放范围和推广节奏都会放大倍数；它说明工具正在跨职能扩散，不等于法律生产率已经提高 108 倍。

① 企业分层：前沿企业与典型企业的人均输出 Token 差距持续扩大。来源：OpenAI Enterprise Signals。

② 工具采用：前沿企业更常把上下文和能力接入 Agent。来源：OpenAI Enterprise Signals。

③ 岗位扩散：法律增长 108 倍，但低基数和产品推广会放大倍数。来源：OpenAI Enterprise Signals。

④ Token 规模：Agent 分类流量约 7.3 万亿 Token、较年初约增 14 倍。来源：OpenRouter / Peter Walker。

⑤ 缓存结构：Agent Token 消耗中超过 85% 来自缓存 Prompt。来源：OpenRouter。

⑥ 工具链压力：传统平台网站流量下降，Gumloop 上升；访问量不等于实际工作流或收入。来源：Similarweb。

OpenRouter 上的流量结构说明 Agent 为什么会迅速放大算力需求。a16z 引用 Peter Walker 对 OpenRouter 流量的分类：Agent 的 7 日均 Token 用量约 7.3 万亿，较年初增长约 14 倍，接近人类流量的 5 倍；超过 85% 的 Agent Token 消耗来自缓存 Prompt。

这符合 Agent 的工作方式。人类常见的是一次提问、一次回答；Agent 会在同一个目标上连续读取、调用工具、写入结果、检查错误，再继续下一步。最初的大段上下文被反复复用，新增内容逐轮进入缓存。缓存 Token 更便宜，让长任务的经济性变得可行；与此同时，它把系统压力从“一次生成多长”转向“多少任务在持续运行、上下文要保留多久”。

但“缓存 Token 多”不能单独证明全行业需要多少高带宽内存。它是推理负载结构改变的证据，不是 HBM 市场需求的完整测算。更严格的判断还需要并发、上下文长度、缓存命中率、模型架构和硬件利用率。

旧自动化工具也已经感到压力。Similarweb 的网站流量数据显示，最近 12 周 N8N、Zapier 和 Make 都出现两位数下降，AI 原生 Agent builder Gumloop 则增长。方向值得注意，却不能宣布 Zapier 时代结束：网站访问量不等于实际执行的工作流数量、付费席位、API 调用或收入，老平台也在把 AI 接入自己的产品。

三本账，决定这轮投入能走多远

这轮变化能不能持续，最后要看三本账。

第一，看资本开支能否变成持续产出。ETF 流量、数据中心建设和 HBM 需求都可以很快上升，但真正决定周期质量的是利用率、单位经济性和下游付费需求。

第二，看稀缺要素怎样被重新定价。数据中心已经在部分地区抬高混凝土工、电气工程师和设施经理的工资；Agent 则在抬高高质量上下文、工具连接、缓存与治理能力的价值。AI 的瓶颈越来越不像“有没有模型”，更像“有没有把现实资源组织起来”。

第三，看收益是否只集中在头部。前沿企业与典型企业的 Token 差距从 2.6 倍拉到 8.3 倍；同样拿到模型，企业真正调用它完成工作的深度已经迅速拉开。如果差距继续扩大，最先出现的可能是组织执行力进一步分化，而非所有公司一起提效。

AI 的下一阶段会同时出现在工地的工资单、企业的工具权限、云端的缓存账单，以及资本市场愿意等待多久。最终胜负会落在一张很现实的清单上：电够不够、人才有没有、工作流接没接通、单位成本能不能降下来。主题只有穿过这四道门，才会变成生产力。