关于 Coding Plan 的思考

AI Coding Plan 这样的订阅模式能运转，依赖一个未言明的前提：多数用户的实际用量远低于配额，低用量者的付费补贴高用量者的消耗。这是一种交叉补贴结构，其成立条件是用量分布的稳定性。

保险业的交叉补贴之所以可持续，是因为出险是外生变量——没有人会为了”不浪费保费”去制造车祸。AI 编码的 token 消耗则不同：它是用户的主动决策，是内生变量。仅此一点，已使交叉补贴的基础变得脆弱。

而 Agent 工作流的出现，将脆弱直接推向崩塌。原因有两个层面，且它们同时发生作用：

1. 消费机制的质变。在传统 AI 编码模式中，人类是消费回路中不可绕过的节点——打字、等待、阅读、判断。人类思考的速度就是算力消耗的物理上限，单次交互的 token 消耗量大致在同一数量级内。Agent 工作流移除了这个限流器：用户给出任务目标后，Agent 自主规划、执行、链式调用模型，整条消费链路在人类不参与的情况下闭环。消费速率从人类速度变为机器速度。值得顺带一提的是，这种消耗量也取决于任务的复杂度而非用户的意图强度——一个跨模块重构可能触发数十轮自主推理，而用户全程无感知。
2. 使用门槛的断崖式下降。当自然语言即可驱动 Agent 执行复杂任务时，大量此前不值得动手的需求被释放出来。叠加技术焦虑驱动的探索性使用，许多人反复用 AI 构建市面上早已成熟的工具，产生大量低信息量的冗余请求。Agent 工作流则充当放大器：这些低价值任务得以在无人值守的状态下批量执行，将个体的探索焦虑转化为系统性的资源消耗。

两者叠加的结果是：用量分布从可预测的窄尾变为不可预测的厚尾，固定价格无法覆盖尾部成本。

2026 年 6 月，GitHub Copilot 将计量方式从固定 premium request 配额改为基于 token 消耗的 AI Credits 制度。官方给出的理由很明确：Agent 工作流根本改变了计算需求的量级，少数请求的成本即可超过整月订阅收入。订阅框架保留，固定配额制已名存实亡。

从企业经营视角看，固定配额订阅制是市场扩张期降低决策门槛、抢占份额的工具，但其结构性缺陷是收入与成本脱钩。用量计量计费使两者直接耦合，是产品进入成熟期后更可持续的选择。在 Agent 时代，将扩张期工具固化为永久模式，亏损是算术必然而非可能性。

环境成本是伴生问题。每一次 token 消耗对应真实的电力与冷却资源，而 Agent 使这些消耗在用户无感知的状态下大量发生。企业若认真对待环境外部性，至少应做到：在账单中让用户有办法判断真实成本和预期收益（即便只是近似值），通过定价抑制纯冗余需求，在产品设计上避免过度自动化诱导低价值调用。

归根结底，固定配额订阅制建立在”人类是消费回路中的限流器”这一隐含假设之上，而Agent 工作流移除了这个限流器。假设不成立，模式便不成立。