问题出在“token”这个计量单位

用户向大模型提问、让它写代码或自动执行流程时，这段提示词会被拆成一个个被称为 token 的数学块交给模型处理，模型的回答同样以 token 的形式产出，再还原成文字、代码或指令。

麻烦在于，这个过程并不可预测。提示词的细微差别会带来不同的回答，同一段提示词两次运行结果也未必一致，换个模型答案又不一样。而在智能体系统里，多个 AI 智能体协同决策与执行，token 消耗量和不确定性还会进一步叠加。

身份管理公司 Saviynt 正在把智能体能力接入自家服务，公司高管 Simon Gooch 的说法很直白：“想把客户绑定在一套未来 12 个月、两年、三年的成本模型上，说实话根本讲不通，因为我们自己也不知道。”

单价暴跌，用量暴涨

高盛的分析显示，近年来单个 token 及其对应额度的价格已大幅下滑，但企业和个人消耗的 token 数量却在飞速膨胀。该行预测，随着各方转向使用 AI 智能体，2026 年到 2030 年间 token 消耗量将增长 24 倍，达到每月 120 千万亿个（1.2×10¹⁷）。

问题是，多数使用者对自己烧掉了多少 token 只有模糊的概念，往往要等到额度用尽或月底账单送达才反应过来。报道援引消息称，连微软都已收紧工程师对部分第三方编程工具的使用；而优步在今年早些时候，把一整年的 AI 编程 token 预算在几个月内就消耗殆尽。

伦敦政治经济学院数字创新与信息系统副教授 Will Venters 认为，企业在内部试验或落地 AI 时最容易踩坑，因为员工会不知不觉把额度耗光。“大家发现这个成本真的很难管……它的产出是非确定的，所以价值也是非确定的。”

各方的应对办法

工程软件公司 smartR AI 创始人 Oliver King-Smith 观察到，规模较小的组织“可以躲在雷达下，用固定费用的个人账户，我敢肯定大厂并不乐意”。但他判断这条路走不长：“大厂在这些账户上是在亏钱的。”一旦平台开始面临股东的盈利压力，“他们就会收紧”。

英国财务软件公司 iplicit 首席财务官 Rob Steele 则强调提示词要写得更精确。他打了个比方：“你总不会一句交代都没有，就打发家里人去采购一周的东西吧？”

Venters 补充说，当 AI 被嵌入一款要面向成千上万用户推广的产品时，局面会更难控制——管理者可能才意识到，除了核心的软件开发，测试、安全乃至护栏机制同样都要消耗 token。他还提到一个容易被忽视的对比：多雇几个 AI 智能体只需点一下按钮，而扩充人类团队则要经过编制和招聘的层层讨论。

不过 Venters 也提醒，成本不可预测未必等于亏，企业可能确实从中获得了更高的价值。“这跟计算器不一样，”他说，“你喂给它的越多，它就越贵，但结果也可能越好。”

卖方同样一头雾水

企业还得把这些成本转嫁给自己的客户，而这一步同样没有答案。软件公司 Sumo Logic 产品营销高级总监 Bill Peterson 说得直接：“没人真正搞明白。”该公司正在预览基于智能体的新安全服务，如何收费仍在与企业客户商讨中。“我们内部还在开一些‘有意思’的会。”他略带调侃地表示。

可选方案包括全线涨价、按结果付费，或按“事件包”打包销售。但只要底层大模型厂商调整自己的定价策略，这些结构随时可能被推翻。“一旦进入浮动定价，价格每隔几个月就变一次，”Peterson 说，“客户不喜欢这样，没人是这么做预算的。”

来源：BBC News

据《卫报》看到的内部备忘录，Atlassian 本月为研发团队的员工推出了”AI 钱包”，每人每月上限在 500 至 2000 美元之间，可用于包括 Claude Code 在内的四款 AI 产品。当花费接近上限时，员工会收到提醒；额度用尽后，AI 工具将暂停使用。员工可以申请追加预算，知情人士称目前公司并未拒绝过任何追加请求。

“Tokenmaxxing” 正在推高企业 AI 账单

Atlassian 的举动，与硅谷一度流行的”tokenmaxxing”形成鲜明对比。这个词指鼓励员工尽可能多地使用 AI，一些公司甚至用排行榜来炫耀谁的 AI 用量最高。

代价是真实的。据报道，Uber 在四个月内就烧光了全年 AI 预算；亚马逊也已要求员工不要为使用而使用 AI。token 是 AI 响应的基本计费单位，OpenAI 称一个 token 约等于四个字符，而美国《独立宣言》全文约为 1695 个 token。即便模型单价持续下降，企业实际支出仍在快速上涨，因为 AI 代理会自主生成大量子任务和提示词。

Atlassian 发言人表示，公司正转型为”AI 优先企业”，AI 工具预算按角色设定，”AI 钱包”实际上还提高了员工可支配的额度。但显然，核心目的不是省钱本身，而是让花钱变得可见、可管理。

80% 的高管担心”用得多”被误当成”干得多”

一项由搜索 AI 公司 Elastic 委托、PureProfile 在 6 月开展的调查访问了 500 名澳大利亚企业高管，其中 80% 担心高频 AI 使用被误解为生产力提升。32% 的受访者表示，由于成本压力，公司已经暂停、取消或缩减了 AI 部署。

Gartner 副总裁分析师阿伦·钱德拉塞卡兰认为，”钱包”是一种简单有效的激励手段，能促使员工把 AI 用在真正值得的地方。他指出，AI 代理是成本激增的主要推手：”这些系统会自主生成任务、派生子代理、自己写提示词并发起模型请求。虽然模型价格三年来一直在降，但代理发送给模型的 token 总量正在显著增加。”

企业正在尝试多种降本手段：对简单任务使用更小的模型、采用可本地部署的开源或开放权重模型、以及像 Atlassian 这样直接给预算设上限。

从”无限量”到”有天花板”

Atlassian 的限额策略，某种程度上标志着企业 AI 应用进入第二阶段。第一阶段是探索和尝鲜，预算模糊、用量无上限；第二阶段则要回答一个更现实的问题：这些 token 到底换来了什么价值？

Atlassian 今年年初曾表示，AI 是公司裁员 1600 人的部分原因。如今它用”AI 钱包”把成本责任压到每个研发团队身上。这一做法会不会被其他公司效仿，取决于两个指标：员工是否因为额度而减少无效使用，以及 AI 带来的实际产出是否因此变得更清晰。

对中国企业而言，这一幕同样值得留意。随着豆包、Kimi、通义千问等模型在企业场景的渗透率提升，如何计量、分摊和控制 AI 支出，很可能很快从”后台技术问题”变成”前台管理问题”。

来源：The Guardian（https://www.theguardian.com/technology/2026/jul/30/atlassian-tightens-tracking-of-staff-ai-use-as-other-technology-firms-encourage-tokenmaxxing）

这一细节出自《金融时报》援引的一份亚马逊内部演示材料。多份内部报告显示，AI 正在让这家公司在多个项目上出现超支，而 180 万美元还只是其中单个项目的数字。

“以前不值钱的错误，现在贵得吓人”

按照内部材料的说法，这类失误过去”便宜到可以忽略不计”，但 AI 模型让它们变得”代价高到灾难性”，尤其是在部署 AI 智能体之后，token 消耗量急剧攀升。

目前已知最大的一笔来自一次失败的 Claude Sonnet 部署，原本用于匹配作者信息与商品列表，最终花掉 180 万美元。除此之外，内部还浮现出另外两笔超支：一个财务审计工具项目额外产生了 54.1 万美元成本——这一点颇具讽刺意味；一套用于缩短物流网络配送时间的系统，额外支出 13.4 万美元。

从数量级上感受一下这笔钱的分量：Claude Sonnet 的公开定价约为每百万输入 token 3 美元、每百万输出 token 15 美元。仅按输入价格粗略折算，180 万美元大致对应约 6000 亿 token 的消耗量。作为参照，同一模型上一次典型的开发者编程任务，成本通常远低于 5 美元。

亚马逊的回应：不要以偏概全

针对这些数字，亚马逊在内部演示中回应称：”和任何新技术一样，我们也在实验、学习并改进使用方式，包括如何提升成本效率。”

公司还表示：”挑出一些孤立的小例子——那些团队正在相互学习的场景——并把它们描绘成常态，并不能反映亚马逊各团队使用 AI 的真实情况。”

从比例上说，这个辩解有其道理。亚马逊最新一季营收超过 1810 亿美元，这些超支的 AI 费用甚至占不到其一个月收入的 0.1%。

真正的问题在治理，不在模型

这并不是 AI 第一次在亚马逊的工作流里制造麻烦。今年早些时候，AWS 曾报告多起由 AI 编程机器人失误引发的服务中断，公司的应对方式是限制 AI 智能体的权限，而不再让它们与所绑定的资深工程师享有同等权限。

更值得注意的是激励机制层面的问题。亚马逊内部曾维护一份排行榜，展示哪些员工使用 AI 最多。在 AI 成本不断膨胀之后，公司重新审视了这一政策并取消了排行榜。这套机制催生出一个被称为”tokenmaxxing”（刷 token 量）的现象——员工为了在排行榜上排名靠前，让 AI 智能体去执行毫无意义的任务。

不少科技公司都在推动员工多用 AI，理由是能提升生产力。但优步（Uber）首席技术官表示，这类政策与能否成功交付产品之间并没有关联。

问题的根源在于计费模式的转变。随着智能体接管更多工作、AI 供应商从订阅制转向按 token 计费，成本迅速膨胀，一些企业在几周内就用光了全年预算。传统软件里那些只值几分钱的失误——低效的循环、设计糟糕的工作流、失控的批处理任务——一旦交给大模型按 token 逐步执行，就会变成毁灭性的开支。

对亚马逊、微软这样的巨头而言，这也许还不是燃眉之急；但对绝大多数其他公司来说，这样的成本结构难以持续。

这起事件给所有在内部部署 AI 智能体的企业留下了一份相当明确的反面教材：为每条工作流指定明确的费用责任人，给智能体设置硬性熔断开关，并把自主 AI 系统当作正式的生产负载来对待，而不是当成边缘实验。

一张 180 万美元的账单，挂在一个从未上线的项目上——这说明跳过治理环节的代价，已经不再是假设性问题。

来源：Tom’s Hardware（https://www.tomshardware.com/tech-industry/artificial-intelligence/amazon-accidentally-spent-usd1-8-million-using-claude-for-menial-coding-task-went-860-percent-over-budget-catastrophically-expensive-coding-blunders-discovered-in-internal-amazon-ai-usage-metrics）、《金融时报》

从”Token最大化”到”Token最小化”

据《华尔街日报》报道，美国企业界正在经历一场根本性的AI支出转向。几个月前还流行”Tokenmaxxing”（Token最大化）——Meta内部有名为”Claudeconomics”的排行榜，追踪前250名重度用户，员工30天内消耗了超过60万亿个Token，有人为了竞逐”Token传奇”称号，让AI代理花数小时做无意义的研究来刷量。

如今，风向完全调转。”Tokenminimizing”（Token最小化）成为新口号。AT&T已开始限制部分员工访问GitHub Copilot的权限；Meta在收紧员工在Anthropic及其他AI服务商上的支出；Uber在2026年4月就耗尽了全年AI编程预算，随后对每位员工每款工具设定每月1500美元使用上限。

亚马逊则直接废除了名为”Kirorank”的内部AI使用排行榜。亚马逊高级副总裁Dave Treadwell公开承认，员工为了刷榜让AI执行无意义任务，推高了运营成本。他明确指示员工：”不要为了用AI而用AI。”

账单触目惊心

驱动这一转变的是迅速膨胀的成本压力。AI使用强度最高的企业，每名员工每月AI支出已高达7500美元。微软发现，部分工程师每月仅在Claude Code上消耗的Token费用就高达500至2000美元。更极端的案例是，据Axios报道，一家企业客户在单月内花费了5亿美元用于Claude，原因仅仅是没有为员工使用量设置任何上限。

问题的根源在于AI智能体（Agentic）工具的普及。与用户手动发送单条指令不同，此类工具在完成一项任务的过程中会反复自动调用模型，大幅推高实际用量。这使得即便单Token价格持续下降，企业整体账单依然居高不下。

省钱新策略：混合模型与”兰博基尼不该买菜”

面对成本压力，企业开始采用全新的AI使用策略。Cursor公司首席技术官Mike Saeks做了精辟解释：”对于普通任务，不需要功能最强大、最昂贵的AI模型。这就像开兰博基尼去杂货店买牛奶，而兰博基尼原本是设计用来在赛道上驰骋的。”

具体做法包括：用最先进的AI系统规划任务，再用便宜的模型去执行；在不同模型之间灵活切换——将中国模型如Moonshot开发的Kimi等纳入工作流，按需选择。Cursor的实验显示，使用OpenAI的GPT-5.5从零构建网页浏览器成本超过1万美元，而结合Cursor的Composer编码模型和Anthropic的Claude，成本仅为1339美元，节省超过87%。

法律AI初创公司Harvey的总裁Gabe Pereyra表示，他们训练了GLM-5.2，让其在遇到复杂任务时再”调用”Anthropic的Fable 5模型——既保持性能又大幅降低成本。

市场格局重塑

这场AI支出转向正在重新定义AI市场的受益方。能够帮助企业监控、限制和优化AI支出的”网关”（Gateway）工具与模型路由器需求快速上升，微软、Databricks以及英伟达投资的Factory等公司迎来增长窗口。

与此同时，廉价但高效的开源模型和中国模型正在蚕食OpenAI和Anthropic的市场份额。Zoom早在三年前就开始使用Meta开源的Llama模型，通过微调大幅节省成本。Zoom首席技术官黄学东引用中国古语”三个臭皮匠，顶个诸葛亮”来形容企业采用多种模型组合的策略。

Anthropic和OpenAI正试图锁定客户，提供合作机会和巨额AI使用补贴。但企业高管的共识明确：AI成本降低的时代已经到来，并将持续下去。

*文章来源：本文基于《华尔街日报》（The Wall Street Journal）2026年7月25日报道”Corporate America Has Suddenly Decided to Stop Blowing Money on AI”改写，并综合Axios、The Information、彭博社等多家媒体补充信息。*

AI产业竞争的新焦点：从模型能力到价值闭环

本届WAIC以”智能伙伴，共创未来”为主题。丁永指出，行业关注点正在从模型能力竞争逐步转向应用价值创造。过去几年围绕参数规模、模型性能和技术突破的讨论正在被一个更核心的问题取代：AI如何真正进入企业业务流程，如何降低应用门槛，如何通过实际业务结果创造价值。

在这一趋势下，Token成为连接算力、模型与应用的重要基础资源。润建股份的探索聚焦于此：依托五象云谷Token工厂，构建Token生产、应用、部署和服务的全栈能力，降低企业使用AI的成本门槛。

Token工厂：700%性能提升与30%成本下降

润建股份在展会上发布了五象云谷Token工厂润蟾平台，通过对Token吞吐性能的优化实现了700%的性能提升，进一步降低Token成本。

电力成本是Token生产的重要组成部分。基于润建股份在能源领域的积累，通过虚拟电厂结合储能能力调配绿电使用，降低算力生产的能源成本。公司获批准在南宁五象云谷计算中心自建220千伏专用变电站，通过专变提供480兆瓦容量，预计降低30%以上的算力使用成本。

制冷方面，采用微通道液冷结合800伏高压直流技术，使PUE降至1.1以下。

AI FDE：派工程师进企业现场

在Token应用环节，润建股份提出了AI FDE（AI Forward Deployed Engineer）服务体系，定义为VGE——Value Growth Engineering，即价值增长工程师。简单来说，FDE团队会进入客户现场，与企业共同挖掘AI应用场景和价值。

丁永解释了客户选择这种模式的原因：一方面是低成本Token，另一方面是适用于企业AI化转型的工具链。FDE团队携带工具、Token和行业场景的结合能力，帮助企业将AI从技术概念转化为可衡量的商业价值。

出海布局

丁永还谈到了出海方向。润建股份在东南亚和中东已有布局，Token工厂模式可以复制到海外市场。不同地区对AI的需求场景不同，但降低成本门槛的逻辑相通。

来源：36氪专访