AI 支出正从试验性试点走向大规模、持续性的运营成本，并在 2025 年达到全球 1.5 万亿美元的规模。

潜在回报比以往任何时候都更高，但投资与成效之间的鸿沟也在扩大。根据 麦肯锡最近的一项研究，88% 的组织已在至少一项业务职能中部署 AI，但只有 39% 能将这项投资与企业层面的 EBIT 影响对应起来。

目前，还没有一套成熟的方法，能让这类投资变得可衡量、可预测且高效。这正是我们推出 Cursor CFO Council 的原因——这是一个由财务领导者组成的工作组，专注于回答一个核心问题：如何确保 AI 支出始终与价值挂钩？

该委员会将每季度在全球不同城市轮值召开会议，为成员提供一个长期交流的平台，用来比较各自的观察，并共同构建一套 AI 经济学框架。

#智能已开始体现在营收中

最近一项基于 Cursor 数据的 BCG 分析 发现，token 用量处于最高五分位的公司，其营收同比中位数增长为 16.5%，而 token 用量处于最低五分位的公司仅为 5.1%。

另一项关于 Cursor 用量的 研究 发现，随着 2025 年末模型能力的重大提升，员工每周发送给智能体的消息增加了 44%。增幅最大的是高复杂度工作，消息量上升了 68%。

更好的模型正在扩大团队愿意尝试的工作范围，这表明存在一种类似杰文斯效应的动态：用量往往会随着能力提升而增加，而不是下降。但同样明显的是，采用 AI 带来的收益并没有同等程度地体现在各处。

#智能投入回报的分配并不均衡

我们最近发布的 开发者习惯报告 发现，p99 开发者每天产出的 AI 辅助代码行数是活跃用户中位数的 46 倍，而每周合并的 PR 数量则是活跃 PR 作者中位数的 15 倍。

换句话说，只有少数人获得了巨大的杠杆效应，而大多数人并没有。

我们还观察到，在支出、token 消耗和 AI 生成代码方面也存在类似的集中现象。以 基尼系数 衡量，这些分布比世界上任何一个国家的收入分配都更不均等。

#每单位工作的成本差异很大

即使在 AI 明显发挥作用的情况下，成本也会有很大差异。在《开发者习惯报告》中，不同模型系列的每次智能体请求成本最高相差接近 9 倍，而每条被接受代码行的成本则大约相差 7 倍。

这种成本差距说明，能够接入多个模型和提供商非常有帮助。不同模型各自更适合不同类型的工作——规划、前端开发、调试、低成本执行——而在 Cursor 中，84% 的重度用户每周都会使用多个模型。

随着 AI 提供商转向按用量计费，这种选择空间正变得愈发重要，因为这会让智能成为一种更难预测的可变成本。

将合适的工作匹配到合适水平的智能上，能显著节省成本，而且这种优势还会随着时间推移不断扩大。

#一个探讨 AI 经济学的论坛

随着每个重要模型版本的发布，AI 的生产力价值都在不断提升，但采用情况并不均衡，用量高度集中，而且成本也会因工作如何路由而差异很大。

CFO Council 将为财务领导者提供一个共同深入探讨这些疑问的平台。它将致力于制定 AI 生产力的共同基准、衡量智能投入回报的框架，以及模型分配和成本管理的实用方法。

CFO Council 的第一次会议将于 8 月举行。随着会议临近以及后续工作的推进，我们期待公布参会者名单。我们也计划发布该小组工作的最新进展，让更广泛的社区也能从我们的学习成果中受益。