是時候該給Token算算ROI的賬了

從創新指標到成本黑洞，Token正成為企業AI部署的痛點。德勤數據顯示年收入130億美元的企業AI投入或達7億美元，而Jellyfish調研揭示高Token消耗與生產力提升嚴重失衡。當OpenAI等廠商的收費模式遭遇CEO集體質疑，模型分層與成本效率正重塑行業格局。

———— / BEGIN / ————

誰能想到，AI時代最先爆炸的，不是員工的生產力，而是老板的賬單。

去年，Token 消耗還是企業擁抱 AI、代表創新能力的指標。結果到了今年，風向全變了。

騰訊開始收緊 AI 預算，Palantir CEO 開始公開吐槽模型廠商收費太貴。AI 還沒把員工替代，老板已經先開始研究怎么省 Token 了。

原因很簡單，Token這個玩意兒，是真的貴??！

德勤測算，一家年收入約 130 億美元的企業，每年 AI 投入可能高達 7 億美元。而且，這還只是開始。

根據國外研發管理平臺Jellyfish的數據，在過去9個月內，每位開發者的人工智能支出增長了約 18.6 倍。

但老板的錢，向來不是白花的。既然錢花這么多，但產出呢？

Jellyfish數據顯示，使用 Token 最多的工程師，生產力大約是低使用者的2倍，但消耗的 Token 卻高達后者的10倍。

也就是說，Token 的增長速度，已經開始跑贏價值的增長速度。

或許，在奔向 AI 的星辰大海之前，企業也該給Token算算賬了。

01 從“Token最大化”，轉向“Token紀律”

去年，硅谷有很流行一個詞，叫Tokenmaxxing。

意思很簡單：鼓勵員工盡可能多地使用 AI，甚至很多公司把 Token 消耗，當成 AI 采用程度和創新能力的代理指標。

但到了今年，畫風突然變化，越來越多的企業開始算Token賬了。

最近，Palo Alto Networks CEO Nikesh Arora最近接受CNBC采訪時表示：Token價格還需要再下降90%，企業才能真正大規模部署。

Palantir CEO Alex Karp的表達更直接。他批評OpenAI、Anthropic等公司的Token收費模式“完全錯了”：企業付出大筆費用，買到的卻可能是一堆沒有創造價值的Token。

按照Karp的邏輯，如果AI真能幫助一家企業多賺10億美元，模型公司完全可以拿走其中30%，而不是按 Token 收費。

類似的故事，今年屢屢上演。

一位Priceline員工透露，一次例行的Cursor合同續簽費用竟然翻了4到5倍。Uber 更是在今年 4 月之前，就已經花光了全年 AI 編碼預算。

AI 花錢的速度，可能遠超你的想象。

據九派財經此前報道，今年 6 月之前，騰訊部分部門給員工的 AI 使用額度一度達到每人每月約 2000 美元，折合人民幣約 1.3 萬至 1.4 萬元，幾乎相當于一線城市一名正式員工的月薪。

即使 6 月調整后，不少員工每月仍有 1000 至 5000 元 的 Token 預算。

騰訊《2025 研發大數據報告》顯示，截至 2025 年底，公司本部及直接管理全資子公司共有員工約 8.74 萬人，其中產研人員占 76%，約 6.64 萬人。

如果按每名產研人員每月 3000 元額度計算，僅名義上的年度 Token 預算，就接近 24 億元。

企業整體投入更驚人。

德勤此前調研了 548 家大型企業，74% 的企業過去一年已經投資 AI，其中超過一半企業，AI 支出占整個數字化預算的 36%。

按德勤測算，一家年收入約130億美元的企業，每年投入 AI 的預算可能高達7億美元。

錢越花越多，收益呢？

國外研發管理平臺 Jellyfish 曾做過一項調查，使用 Token 最多的工程師，生產力大約是低使用者的2倍，但消耗的 Token 卻高達后者的10倍。

換句話說，AI的投入遠遠趕不上產出。

為什么 AI 會這么燒錢？

原因在于，Agent 和傳統軟件的運行方式完全不同。

傳統軟件的執行路徑基本固定，成本也相對可預測；而 Agent 會自主搜索、調用工具、反思、重試，并不斷攜帶上下文，整個執行過程具有很強的不確定性。

很多企業直到月底收到云賬單，才知道一個工作流到底循環了多少次，又燒掉了多少 Token。

去年一項針對 Agent 編程任務的研究發現，一個 Agent 完成同類任務，消耗的 Token 可能是普通代碼問答的 1000 倍。即便是同一個模型、同一個任務，不同運行之間的 Token 消耗，最多也可能相差 30 倍。

更重要的是，Token 越多，并不意味著效果越好。研究發現，模型準確率通常會在中等 Token 消耗區間達到峰值，之后便進入明顯的收益遞減階段。

就這樣，去年還是創新指標的 Token，如今成了企業的成本中心。

02 Token效率最高，才是大模型的贏家

當Token的ROI擺在了所有人面前，模型分層幾乎成為一種必然。

簡單來說，Claude Fable 5 這樣的 SOTA 模型在少數高價值場景中依然不可替代，但對于絕大多數普通任務而言，性能已經出現了“過?！?，ROI很低，而這部分用戶正在被便宜的開源模型分流。

這一趨勢已經開始顯現。

今年年初，a16z對100家大企業做了一個調研，2025年已有37%的企業同時使用5個以上模型。到2026年，81%的受訪企業已經在測試或生產環境中使用三個以上模型家族，高于不到一年前的68%。

后來，a16z總結了企業的模型使用規律：對外、可見度高、性能敏感的任務，通常交給領先模型；而對內、標準化、重復性的任務，模型選擇更多由成本決定。

當然，從目前企業實際支出來看，閉源前沿模型仍然占據絕對優勢。

根據 The Information 今年5月報道，在其追蹤的34家領先AI創業公司中，OpenAI 和 Anthropic 兩家公司拿走了89%的收入。

邏輯很簡單，在編程等前沿用途上，用戶對價格并不特別敏感，愿意為了性能支付更高價格。

但并不是所有人都認為，這種格局會長期持續。AI投資人 Gavin Baker 最近提出了一個觀點：

雖然目前絕大部分經濟價值仍然集中在最智能的模型上，但未來市場份額可能逐漸向性價比更高的模型遷移。

但也有人并不這么認為。AI領域知名投資人Gavin Baker今天就提到一個觀點：

盡管目前開源與低價模型處理了絕大部分Token，但大部分經濟價值仍然集中在最智能的模型上。未來這種情況可能會發生變化，大模型市場份額將從頭部模型轉移到性價比更高的模型。

背后的邏輯很簡單，模型價格下降，意味著單位智能成本降低。同樣的預算，可以調用更多 Token，也可以讓更多業務接入 AI，最終提升企業的ROI。

說白了，最終模型層的贏家將屬于Token效率最高的玩家。

Altimeter Capital 合伙人 Freda Duan 對此總結得非常直接：未來只有兩種模型能夠活下來——要么足夠出色，要么足夠便宜。

前者代表任務效率，后者代表成本效率。

未來最可能的場景是，企業開始通過智能路由進行任務的精準拆分：將最高價值的復雜推理交由前沿模型，將海量基礎任務交由高性價比模型，從而實現單位成本下的產出最大化。

如果說，美國今天最大的優勢仍然在于最前沿模型，那么中國最大的優勢，則越來越體現在成本效率。

某種程度上說，DeepSeek就是大模型行業的“生死線”。

如果一個模型只比 DeepSeek 強一點，但價格貴很多，它就沒有長期存在的理由。對于企業和開發者而言，為微弱的能力溢價支付不成比例的成本，顯然不符合基本的商業常識。

這種分層機制的存在，就是中美AI競爭最底層的邏輯。中國 AI 對海外生態的擠壓，未必表現為中國模型公司在前臺直接擊潰美國巨頭，而是一場更為隱秘的“底層平替”。

越來越多的美國 AI 應用公司，為了壓降履約成本，開始將底層基礎設施悄悄切換為 Kimi、Qwen 或 DeepSeek，再于前臺封裝自身的產品體驗與工作流。比如，Perplexity剛剛發布了其計算機應用產品的新系統，就采用了中國 Z.ai 開源的 GLM 5.2 作為底層模型之一。

很多人覺得，大模型的終局是誰做出最聰明的模型。

但汽車產業的歷史給出了另一個答案：法拉利定義了速度，豐田定義了產業效率。

AI或許也是如此。美國模型繼續刷新智能的上限，而中國模型正在不斷刷新智能的成本下限。當越來越多企業開始計算Token的ROI，真正決定產業格局的，未必是誰最強，而是誰能把智能做成一種人人都用得起的工業品。

這恰恰是中國模型最有機會的地方。

本文來自公眾號：硅基觀察Pro 作者：阿奇