腾讯下调员工统一AI Token额度，改为按岗位、部门动态分配，旨在管控高额AI算力成本，减少无效消耗。阿里、字节采用不同AI费用政策，业内数据显示大量Token存在浪费，大厂纷纷精细化核算AI投入产出。

这事儿挺讽刺的。

两年前大家都在说，AI会帮企业降本增效，替代重复性劳动，让一个人干十个人的活。

两年后发现，AI非但没把人力成本降下来，还凭空多了一笔天文数字的算力账单。

单价跌了98%，总花费却涨了100倍

先给大家算一笔账。

武汉大学今年3月有个研究，统计了过去六年大模型的价格变化：2021年每百万Token要60美元的GPT-3级能力，今天只需要0.06美元，六年降价600倍。 经济档模型的价格半衰期只有1.1年，比摩尔定律还狠。

按说东西越来越便宜，大家的账单应该越来越少才对。

但现实刚好反过来。

豆包日均Token调用量突破120万亿，两年涨了1000倍

字节跳动一年光算力采购就300多亿，净利润反而下滑了70%

Uber给5000名工程师开放Claude Code之后，人均每月API开销冲到500到2000美元，四个月就把全年预算干没了

为什么单价暴跌，总花费却在暴涨？

因为AI的使用方式变了。

以前你用大模型，就是问一句答一句，一次对话消耗几千Token顶天了。现在呢？你让Agent帮你改Bug，它要读整个代码仓库、分析依赖关系、调用工具、跑测试、理解报错，再把结果送回模型推理——你看到的是几百行代码改动，背后滚过去的是几十万Token。

这还只是单个任务。如果是多Agent协同呢？一个编排Agent同时拉起代码审查、测试生成、文档、安全审查四个子Agent并行工作——那Token消耗不是加法，是乘法。

所以真正的问题根本不是"Token涨价了"，而是AI开始真正干活了。

干活就要有干活的成本。买法拉利的人不会抱怨油耗高，不是因为他不在乎钱，是因为他买的就是那套性能。今天很多企业用Agent也是一个道理：复杂任务、深度推理、多轮交互，这些能力天然就贵。

问题在于，大多数企业根本没做好为"真正的AI"付费的准备。

90%的企业都在踩的三个Token陷阱

我接触过不少开始用AI的企业，发现大家踩的坑高度一致。

陷阱一：把Token当考核指标

很多公司推AI的方式特别简单粗暴：给每个部门下KPI，这个月要用多少Token，要达到多少AI渗透率。结果呢？员工为了完成考核，什么鸡毛蒜皮的事都扔给AI——查个电话号码、写个会议纪要、甚至搜个百度就能找到答案的问题，全都走大模型。

反正花的不是自己的钱。

亚马逊之前就是这么干的，搞Token消耗排行榜，鼓励大家多用。结果发现大量调用都是无效的。后来干脆把指标反过来了：不看你用了多少Token，看你交付了多少业务成果。

陷阱二：用最贵的模型干最便宜的活

这是个特别容易被忽略的问题。现在很多企业图省事，全公司统一用旗舰模型，不管是写文案还是做数据分析，全上GPT-5.5或者Claude Opus。

但你想想看：写一篇公众号推文，用30美元/百万Token的旗舰模型，和用1美元的中档模型，产出差别有多大？可能也就10%。但成本差了30倍。

 

真正聪明的企业已经开始做分层了：

 

简单任务 → 经济模型

 

复杂推理 → 旗舰模型

 

内部知识库问答 → 微调后的小模型

Token成本直接打下来一大截。

陷阱三：只算算力账，不算人力账

很多人说AI降本，算的是"一个AI顶几个工程师"的账。但现实是，AI产出的东西你得有人审核吧？代码要测吧？文案要改吧？数据要核对吧？

结果人没少招，还多了一笔AI账单。

说白了，很多企业的AI还停留在"辅助"层面——人是主角，AI是配角。但配角也是要发工资的啊。什么时候AI能真的闭环，从接受任务到交付成果一条龙不用人盯，那时候才是真的降本。