隨著 OpenRouter 上代理人 Token 使用量激增，AI 也成為 AI 最大的客戶

AI 代理人如今在 OpenRouter 上消耗的 token 可能已經比人類使用者還多，這標誌著模型推理需求的生成與付費方式正在轉變。這項變化之所以重要，是因為 AI 系統愈來愈多地在替其他 AI 系統產生工作，而不只是回應直接的人類提示。

根據 The Decoder 引述 OpenRouter 分析師 Peter Walker 的報導，2026 年 2 月 6 日可能是平台上人類消耗 token 數量最後一次多於代理人的日子。自此之後，代理人的 token 使用量增加了 14 倍，而人類使用量則增加了 2.8 倍。

這些數據指向一類快速擴張的工作負載：其中一個模型呼叫另一個模型、持續運作更長時間，或啟動額外的 AI 流程。不過，這並不代表推理支出也以相同倍數增加。被測得的使用量中很大一部分，來自較便宜的快取提示所提供的重複上下文。

OpenRouter 的數據顯示了什麼

核心數據點是 OpenRouter 上人類主導使用與代理人主導使用的 token 消耗比較。The Decoder 報導指出，根據 Walker 的分析，代理人在 2 月 6 日之後，總 token 消耗已超越人類。不過，該報導並未提供底層圖表、token 絕對總量，或 OpenRouter 如何分類代理人流量的詳細定義。

儘管如此，報導中的成長率仍然相當顯著。代理人使用量成長 14 倍，而人類使用量僅成長 2.8 倍，這表示在平台上，自主或半自主工作流程的擴張速度，已經快於傳統聊天機器人互動。

這個結果應被視為平台訊號，而非 AI 市場的完整衡量。據報導，OpenRouter 的流量偏向 open-weight 模型，而 The Decoder 指出，這些模型通常比 OpenAI 或 Anthropic 的模型更不具 token 效率。因此，這些模型的使用者在執行類似任務時可能會產生更多 token，使得該平台的組成與封閉模型供應商不同。

Token 成長不等於成本成長

據報導，近 70% 的代理人 token 消耗來自快取提示。快取可讓重複的指令或上下文以遠低於新處理輸入的費率計費，因此原始 token 總量可能比實際推理成本增長得快得多。

這種差異對規劃代理人部署的產品團隊很重要。若只按 token 衡量，一個看起來很昂貴的工作流程，在大部分上下文都能被有效重用時，帳單可能其實是可控的。反之，若團隊把快取視為保證，當提示頻繁變動、快取命中率下降，或代理人產生大量新輸出時，可能會面臨更高成本。

這些資料也凸顯了測量上的問題。token 數能反映模型上下文被處理了多少，但不一定能反映完成了多少有用工作。一個反覆檢視相同指令或在得出答案前呼叫多個模型的代理人，可能造成大量使用量，卻未帶來相應的品質提升。

為什麼代理人在推動需求

代理人工作流程通常比單輪對話消耗更多 token，因為它們會保留狀態、檢查中間結果、呼叫工具，並修正計畫。它們也可能把子任務委派給不同的模型實例。每一步都可能為下一次請求增加上下文、工具輸出、推理軌跡或指令。

The Decoder 將這波成長與代理人更長時間獨立工作並觸發額外 AI 流程連結在一起。這種行為與更廣泛的趨勢一致：從聊天介面轉向可執行多步驟任務的系統；不過，目前可得證據尚不足以說明究竟是哪些特定應用或產業推動了 OpenRouter 的成長。

該報導也把這個趨勢與推理模型的興起並列。這類系統在回覆前可能會使用更多內部處理，因此即使使用者的請求很短，也會增加 token 消耗。The Decoder 將此形容為「token 通膨」的來源，但現有證據並未顯示 OpenRouter 代理人成長中，有多少來自推理模型、多少來自較長時間的協調流程。

對開發者與企業採購者的影響

對 AI 開發者而言，直接的教訓是：僅靠模型選擇，無法決定營運成本。代理人架構同樣重要。團隊需要監控快取命中率、上下文大小、工具呼叫頻率、重試行為，以及每完成一項任務所需的模型呼叫次數。

可靠性也是另一項考量。運作時間更長的代理人，會讓錯誤假設、失敗的工具呼叫或不必要的迴圈有更多累積的機會。一個單次請求成本低廉的系統，若在沒有明確限制的情況下運作，仍可能變得昂貴。預算、執行逾時、核准關卡與清楚的停止條件，可能和提示品質同樣重要。

企業採購者應向供應商索取工作流程層級的指標，而不是只看標題式的模型價格。實用的問題包括：代理人每項任務會呼叫幾次、多少流量受益於快取、在委派代理人之間如何衡量使用量，以及客戶是否能設定支出或執行限制。

市場意涵也值得注意。如果 AI 愈來愈多地替 AI 產生需求，模型供應商銷售的對象就不只是人類使用者，也包括持續消耗推理的軟體系統。這可能支撐大量使用量，同時也增加供應商在快取、協調、延遲與價格透明度上改進的壓力。

接下來要觀察什麼

首先要觀察的是，其他大型模型平台是否也會報告類似的人類與代理人使用交叉。OpenRouter 偏重 open-weight 模型的流量是有用的證據，但不是整個市場的最終基準。

其次，開發者應尋找更完整的成本資料。70% 的快取提示比例說明了為什麼 token 成長可能高估支出，但它無法揭示總營收、每項任務的平均成本，或未快取輸出的比例。這些指標能說明代理人究竟是在實質擴大付費推理，還是主要在增加低成本上下文處理。

第三，採用說法應以任務完成率與留存來驗證。token 增加可能反映高效率的自主工作、低效率提示，或兩者皆有。關於成功任務率、人類介入與重複使用的證據，會比單純數量更有資訊價值。

最後，模型供應商的回應會很重要。更好的上下文快取、更小型的專用模型，以及更有效率的推理，都可能降低代理人成長的成本。同時，供應商也可能推出專為軟體對軟體需求設計的定價與控制機制。

Creati.ai 觀點

OpenRouter 報告的數字捕捉到 AI 經濟中的一項重要變化：成長最快的模型使用者，可能是另一個模型。但這些證據仍是基於分析師評論的平台特定訊號，而非跨產業、經獨立驗證的代理人活動普查。

對部署 AI 代理人 的團隊來說，實務上的優先事項是衡量每一美元帶來的有用工作，而不只是 token 數量。代理人成長可以擴大推理的可服務市場，但要實現可持續部署，仍取決於對迴圈的控制、任務可靠性的證明，以及理解何時快取真的能降低自主執行成本。