大家都在烧 token。但烧法确实不一样。

最常见的用法，是让 AI 写代码、改文档、回邮件、做总结。这个当然好。原来要半天的事，现在十分钟有个像样的初稿，效率是看得见的。

还有一类用法，看起来绕一点：磨 skill，改 workflow，设计 eval，复现 paper，做小实验，甚至专门花时间想自己该怎么用 AI。

旁观者可能会觉得，这不是干活，是折腾。但这里有个区别很要紧：这批 token 烧完以后，会不会改变下一次？

房租

经济学里有个指标，叫恩格尔系数。

它看食品支出占总支出的比例。收入越低，越大比例的钱要花在吃饭这类基础需求上。生活水平上去以后，食品支出的占比反而下降，更多钱会流向教育、娱乐、投资、自我发展。

不是钱变多这么简单。是钱的结构变了。token 也可以这么看。开个玩笑，可以定义一个：

Token 恩格尔系数 = 用来完成眼前任务的 token / 总 token

写周报、改文档、回消息、修 bug、做会议总结，都是 token 的硬支出。

这类支出不是不重要。恰恰相反，它们是 AI 最直接的价值。任务来了，烧 token；任务完成，token 燃尽。下次同类任务再来，再烧一遍。

很像交房租。房租当然要交。问题是，不能因为每个月都按时交房租，就以为自己在积累资产。

留下结构

更值钱一点的用法，是让 token 在结果之外留下些什么。

比如，不只是让 AI 帮你写一次周报，而是借这个机会想清楚：周报到底由哪些信息组成？哪些可以自动收集？哪些必须人工判断？什么样的周报才算有用？

这时候，token 换来的就不只是一份周报，而是下次生成周报的方式。结果会过期。工具能复用。能力会迁移。

留下来的东西不一定大。可能只是一个模板，一个检查清单，一个判断标准，一段自动抓取脚本，或者一个新的工作习惯。但它们都有一个共同点：会改变下一次。

改流程

大多数 AI 提效，是在旧轨道上加速。原来三小时写完，现在半小时写完。当然是进步。但更大的进步，是开始问另一类问题：

这件事为什么每次都要这样做？它背后的信息能不能自动沉淀？它服务的决策到底是什么？现在这个流程是不是本身就有问题？到这一步，AI 就不只是铲子了，而是可以拿来改生产线。

这也是为什么 meta thinking、skill 优化、paper 落地、探索实验，看起来不如“直接干活”务实，但长期可能更值钱。它们不是在生产一次结果。它们是在生产未来生产结果的方式。

自由度

再往上一层，我更在意的其实是自由度。提效，是同样的事做得更快。自由度，是以前做不了的事，现在能做了。

以前你只能完成任务。后来你能沉淀方法。再后来你能改造流程。最后你会发现一些以前根本不会提出的问题。

这才是 AI 真正有意思的地方。它不只是让人更快回答问题。它会改变一个人能提出什么问题。而很多时候，一个人的上限不是由答案决定的，而是由问题决定的。

分水岭

所以，AI 使用水平的分水岭，不是每天烧多少 token，也不是会不会把活干快。真正的分水岭是：

你的 token，是在维持当前系统，还是在改造当前系统？

硬支出占比越高，人越容易被任务牵着走。硬支出占比降下来，才有机会反过来整理任务。最终要看的，不是 token 消耗量，而是 token 的去向。

它是在交房租，还是在买机器？是在清掉一个任务，还是在改变下一次任务发生的方式？是让你更快回到原点，还是让你站到了一个新的位置？