企业AI真正缺的不是Token预算，而是一把价值尺子

最近我看到一条消息，第一反应不是“AI怎么这么烧钱”，而是另外一个问题：

一个AI项目，居然可以连续烧钱五个月，而组织不知道它到底值不值得继续。

2026年7月30日，《金融时报》报道了亚马逊内部几个AI项目出现成本失控的情况。

其中一个项目使用Anthropic的Claude Sonnet，原本准备把作者信息与亚马逊电商网站上的商品列表进行匹配。结果项目最终没有成功部署，却产生了大约180万美元费用，比预算高出860%。更值得注意的是，这个成本异常直到大约五个月后才被发现。

同一批内部案例里，还有一个财务审计工具产生约54.1万美元意外成本；另一个用于改善物流配送速度的项目产生约13.4万美元意外开支，而后者大约两周多就被发现了。亚马逊对《金融时报》表示，这些只是少数团队在新技术探索过程中的案例，并不能代表公司的常态。

180万美元对亚马逊这样的公司当然不是一个足以伤筋动骨的数字。

但“五个月”让我觉得这件事非常值得研究。

因为真正的问题不是：

AI为什么这么贵？

而是：

为什么一家如此擅长计算技术成本的公司，也会很难判断一笔AI支出到底在干什么？

---

最讽刺的是，亚马逊自己就有一整套省钱工具

如果只从技术角度看，今天控制大模型推理成本的方法其实已经不少。

以Amazon Bedrock为例，AWS官方列出的成本优化方式包括Prompt Caching、Intelligent Prompt Routing、批量推理和模型蒸馏等。

在适用模型和场景下，AWS称Prompt Caching可以让相关成本最高下降约90%；Intelligent Prompt Routing可以根据请求自动选择更合适的模型，官方给出的成本降幅最高约30%。而部分模型采用Batch Inference时，相比按需推理价格可以降低50%。

也就是说，亚马逊并不缺“怎么把Token价格压下来”的技术。

这就像一家专门卖五金工具的店，货架上摆满扳手、管钳和防水胶带，最后自己家水管漏了五个月才被发现。

问题显然不只是缺工具。

企业AI现在真正缺的，是计量体系。

---

Token账单有一个很奇怪的地方：它告诉你花了多少钱，却不告诉你买到了什么

传统云计算的成本其实比较容易理解。

服务器运行多少小时，数据库占多少空间，流量用了多少，哪个实例突然变贵，通常都可以一层层追踪。

AI不一样。

你最后可能拿到一张非常精确的账单：

输入Token多少。

输出Token多少。

调用了哪个模型。

花了多少钱。

但接下来真正重要的问题来了：

这些Token干成了什么？

假设一个工程师一个月用了4万美元模型额度。

这是贵还是便宜？

单独看这个数字，我不知道。

如果他用4万美元，把一个原本需要20个人工作一个月的流程自动化了，那么这4万美元可能便宜得惊人。

但如果他只是让十几个Agent反复修改同一段代码、生成大量最后没人采用的方案，那么哪怕只花4000美元，都可能是在浪费。

所以我越来越觉得：

AI成本本身不是问题，没有价值参照物的AI成本才是问题。

---

Uber很快就遇到了同一道题

2026年，Uber大规模推动AI编码工具进入工程团队。

随后一个非常刺激企业管理者神经的数字出现了：Uber在年初几个月里就消耗了原本为2026年准备的AI编码工具预算。

根据公开报道，Uber部分重度用户的AI工具成本可以达到每月500至2000美元。Uber CTO Praveen Neppalli Naga自己进行一次大约两小时的演示时，据报道就产生了约1200美元费用。

后来Uber开始对部分AI编码工具实行额度管理。据TechCrunch援引相关报道，公司对部分工具设置了每名员工、每个Agent型编码工具每月约1500美元的上限。

看起来问题解决了。

实际上没有。

因为1500美元只是告诉工程师：

最多花多少。

它仍然没有回答：

花这1500美元应该得到什么？

这两者之间差了一整套企业AI管理体系。

---

更危险的一步，是把“使用AI”直接等同于“创造价值”

2026年硅谷还流行过一个很有意思的词：

Tokenmaxxing。

直译过来，就是想办法把Token使用量最大化。

一些公司为了鼓励员工使用AI，做过内部AI使用排行榜。结果很快出现一个经典的管理学现象：

当“Token使用量”成为评价指标之后，人们自然开始优化Token使用量。

而不是优化业务结果。

Meta内部曾出现一个被称为“Claudeonomics”的AI使用排行榜。

这里的具体数字需要特别说明。

公开报道曾出现过不同时间截面的统计：早期报道引用的30天使用量约为60.2万亿Token，之后有报道称数字进一步上升至约73.7万亿Token。由于Meta与模型供应商之间的实际企业采购价格没有公开，把这些Token直接按照公开API价格换算成“Meta真实花了多少钱”并不严谨。

但排行榜产生的激励问题反而比那个数字更重要。

员工开始讨论怎样提升Token使用量，“Tokenmaxxing”逐渐变成了一种硅谷文化现象。

亚马逊也曾出现类似的内部AI使用排行榜，随后关闭。亚马逊高级副总裁Dave Treadwell当时对员工传递的意思非常明确：不要为了使用AI而使用AI，而应该用它解决客户和业务问题。

这件事情其实一点都不奇怪。

你奖励什么，人就优化什么。

如果企业奖励销售额，大家优化销售额。

如果企业奖励日活，大家优化日活。

如果企业奖励Token消耗量，那员工当然会优化Token消耗量。

于是一个原本代表成本的指标，莫名其妙变成了代表生产力的指标。

这是企业AI落地里一个很危险的偷换。

---

“用了多少AI”，从来不等于“AI创造了多少价值”

我自己曾经也遇到过一个缩小版的问题。

大约半年前，我们公司的Token消耗还没有精确绑定到每个人的账号。

后来有一次，我们发现一个内容团队的共享账号，一个上午就消耗了大约3000元的模型额度。

第一反应当然是：

怎么用了这么多？

但后来我意识到，这个问题其实问错了。

真正应该问的是：

这3000块钱到底完成了什么任务？

如果它完成了一项原来需要团队几天才能完成的工作，那么完全可能值得。

如果只是因为Prompt没有设计好，导致AI不断拆Agent、反复调用模型、生成大量无效中间结果，那么问题就完全不同。

所以我真正担心的从来不是：

“AI花钱太多。”

我担心的是：

钱已经花掉了，但组织不知道应不应该花。

---

当企业看不见AI价值，最先发生的甚至不是超支，而是砍项目

这一点从一份2026年的财务调查里能看得更明显。

云成本管理公司CloudZero调查了260名高级财务负责人，其中135人为CFO。

结果显示，目前只有**22%**的受访者表示能够把AI支出与业务结果联系起来，而87%认为自己在未来一年内需要做到这一点。另有60%的受访财务负责人认为，公司目前的AI投入已经超过能够用可衡量结果合理解释的程度。

但其中最值得注意的不是这几个数字。

而是另外一组对比。

在那些无法证明AI投资回报的团队中：

35%曾经暂停或者终止AI项目。

而在能够证明AI投资回报的团队中，这一比例只有：

11%。

这里不能倒过来理解成“不会算ROI，所以一定导致项目被砍”。

CloudZero自己也明确注明，这项调查属于一个时间点上的横截面调查，只能说明变量之间存在关联，并不能证明因果关系。

但它至少暴露了一个非常现实的企业决策困境：

当一个项目不断花钱，而管理层看不见结果的时候，继续投资会变成一种职业风险。

怎么办？

最安全的动作当然是暂停。

---

所以“算不清AI价值”最大的代价，可能恰恰是错杀好项目

我以前觉得企业AI管理的主要风险是浪费钱。

现在越来越觉得，不一定。

真正昂贵的情况可能是：

企业把一个本来值得继续的AI项目砍掉了。

原因也很好理解。

真正改变公司流程的项目，往往需要时间。

它可能需要重新整理数据。

重构工作流。

调整组织权限。

让AI接入原来的软件。

培训员工。

甚至改变部门之间的责任关系。

这种项目很难在两个月后拿出一个特别漂亮的ROI数字。

反而那些特别容易做Demo的项目，更容易证明自己：

做一个聊天机器人。

自动写周报。

生成PPT。

把一份文档摘要从30分钟缩短到5分钟。

这些东西很好展示。

老板一看就懂。

于是一个很反直觉的结果出现了：

企业越缺乏AI价值衡量能力，越可能留下容易展示的项目，而不是最有长期价值的项目。

这才是ROI不可见真正可怕的地方。

---

为什么传统ROI公式到了AI这里开始失灵？

传统投资回报率并不复杂：

ROI = （收益 – 成本）÷ 成本

但AI麻烦在于，公式里的“成本”和“收益”都开始变得模糊。

例如一个AI Agent完成了一项任务。

它的成本到底包括什么？

模型Token？

向量数据库？

搜索API？

Agent之间的调用？

人工审核时间？

软件集成费用？

失败重试？

安全治理？

这些都是真实成本。

收益同样很难算。

AI帮工程师节省两个小时，算不算收益？

如果这两个小时并没有减少工资，而是让工程师去做了另外一件事情，又应该怎么算？

AI让客服平均处理时间下降20%，但客户满意度没有提高，算成功吗？

AI帮销售多产生1000条线索，但成交率下降了，价值又是多少？

这就是为什么今天不同公司嘴里的“AI ROI”，实际上经常不是同一种东西。

---

到2026年，行业才开始尝试给AI建立一套共同的经济语言

这个背景下，有件事我觉得比很多新模型发布更值得关注。

2026年8月4日，Linux基金会正式宣布成立Tokenomics Foundation。

首批参与者包括IBM、Oracle、SAP、ServiceNow、JPMorganChase、Lenovo等30家机构。

它准备解决的核心问题之一，就是建立更加开放、厂商中立的AI经济衡量体系，包括：

AI完整成本如何计算；

如何定义AI Value；

如何衡量AI服务成本；

如何连接AI支出与业务结果；

以及怎样建立更统一的AI ROI框架。

我觉得这个时间点非常有意思。

生成式AI进入企业已经几年了。

大家已经争论了很久哪个模型聪明、哪个Agent厉害、哪个Benchmark分数高。

到了2026年，行业才开始认真补另一门课：

这些“智能”到底应该怎么记账？

模型已经跑起来了。

账本却还没有统一。

---

企业真正需要的，可能不是一个ROI数字，而是一条“价值链路”

如果让我现在给企业设计AI指标体系，我反而不会要求每个AI项目一开始就预测一个精确ROI。

因为很多项目根本预测不准。

我更倾向于先把AI项目拆成三层：

第一层：Cost——花了什么

模型成本。

Token成本。

Agent执行成本。

API、搜索、存储、算力成本。

人工复核和系统维护成本。

这回答的是：

我们为AI付出了什么？

第二层：Output——AI完成了什么

处理多少客服请求。

生成多少代码。

完成多少报告。

处理多少合同。

自动执行多少任务。

这回答的是：

AI干了多少活？

第三层：Outcome——业务发生了什么改变

开发周期是否缩短。

转化率有没有提高。

错误率有没有下降。

客户等待时间有没有减少。

人均收入有没有变化。

库存周转有没有改善。

这才回答：

AI到底创造了什么价值？

这里最容易犯的错误，就是停在第二层。

Token也是Output。

代码行数也是Output。

生成文章数量也是Output。

Agent运行次数还是Output。

但企业最终需要的是Outcome。

没有Outcome的Output，只是更昂贵的忙碌。

---

所以我越来越不相信“Token用得多，说明AI用得好”

Token当然非常重要。

它是一种成本计量单位。

但它不是价值单位。

就像一家公司不会因为员工一个月用了500度电，就认为这个员工比只用200度电的人更优秀。

也不会因为一个工程师服务器开得最多，就认为他创造的价值最高。

Token也是一样。

真正值得奖励的不是：

“这个人用了100亿Token。”

而应该是：

“这个人用这些Token解决了什么问题。”

这两个问题看起来只差一句话。

背后其实隔着一整代企业管理体系。

---

如果现在就要上AI，我建议先回答一个非常朴素的问题

行业最终可能会建立非常复杂的AI FinOps、Tokenomics和ROI标准。

但在那些体系真正成熟以前，我觉得企业完全可以先从一个最简单的问题开始：

这个AI项目如果成功了，到底长什么样？

不要回答：

“提升AI使用率。”

也不要回答：

“让团队更AI Native。”

更不要回答：

“今年Token调用量增长300%。”

这些都不是业务结果。

应该尽可能具体。

比如：

客服平均解决时间从12分钟下降到8分钟。

合同审核周期从两天缩短到两小时。

一个营销活动过去需要5个人3天，现在2个人1天可以完成。

软件缺陷率不提高的情况下，版本迭代周期缩短30%。

一旦你能够描述“成功长什么样”，成本才有意义。

否则企业拿到的永远只是一张Token账单。

它会告诉你：

这个月AI用了多少钱。

却永远不会告诉你：

这笔钱到底值不值。

我认为，这才是2026年企业AI落地正在进入的真正分水岭。

前几年大家竞争的是：

谁先用上AI。

接下来真正拉开差距的，很可能变成：

谁最先学会计算AI创造的价值。

而这一次，比拼的已经不只是模型能力。

而是公司的管理能力。

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）

参考资料

本文涉及的主要公开数据来自《金融时报》对亚马逊AI项目成本失控的报道、Amazon Web Services官方Bedrock定价及成本优化资料、CloudZero《Finding the ROI of AI: The Finance Perspective》2026年调查报告、Linux Foundation于2026年8月4日发布的Tokenomics Foundation官方公告，以及有关Uber和Meta内部AI使用情况的公开报道。

需要特别说明：Meta的Token使用量来自内部排行榜相关报道，不同报道对应的时间截面存在差异；由于Meta的企业采购价格并未公开，因此不能简单按照公开API价格推导其真实财务支出。CloudZero报告也明确注明，其调查结果反映相关性，而非因果关系。本文因此没有把相关估算写成Meta实际发生的财务成本。