共计 1222 个字符，预计需要花费 4 分钟才能阅读完成。
AI 落地遭遇账单焦虑, 大厂开始对 Token 成本“下手”
📌 大厂开始对内部 AI 预算踩刹车
10 月初,海外两家科技巨头的动作引发关注。据 The Information 报道, 微软原计划投入超过 10 亿美元年度预算, 供内部员工使用 Anthropic 的 Claude 模型, 如今这一额度已被削减三分之一以上; 云与 AI 部门超过 6 万名员工的人均配额, 也从每月 10 万美元压缩至约 1 万美元。Meta 同样被曝将内部 Claude Code 的使用人数从约 6 万人降至 3 万人。
国内也出现过类似摩擦。10 月 4 日凌晨, 一则吐槽公司突然收回 Token 额度的贴文引发讨论, 发帖者称公司此前大力推动 AI 应用, 却在缺少沟通的情况下紧急刹车, 导致工作难以推进。有媒体称涉事公司为联发科, 该公司 10 月 6 日回应称“鼓励员工广泛应用 AI 工具”, 同时表示正探索以更具效益的方式支持 AI 需求。
🔍 成本看得见, 价值却说不清
毕马威《2026 年 Q3 全球 AI 脉搏报告》显示,61% 的企业会在审批环节审查 AI 成本 ,59% 的企业在运营中监控成本, 成本可见性较年初明显提升。但另一组数据更值得注意: 只有 12% 的企业持续将 AI 创造的价值与成本对照评估, 即便在已获得稳定回报的企业中, 这一比例也仅为 48%。
德勤中国的调研呈现了相似的落差。企业 AI 进入生产部署阶段的比例从 56.0% 升至 64.4%, 但 60.4% 的企业尚未建立体系化的价值衡量框架, 无法明确核算 AI 项目 ROI 的比例从 35.8% 升至 44.4%。换句话说, 多数企业知道 AI 花了多少钱, 却说不清这些钱买到了什么。
💡 Agent 上场后, 账单更难算
随着 Agent 成为 AI 落地的主要载体,成本结构也在变化。过去 Token 消耗大致与人工交互频次挂钩, 而当 Agent 嵌入真实业务流程、独立完成跨系统任务后, 开销会随业务流量线性增长。有制造业 IT 负责人透露, 团队正尝试以“单次任务成功交付成本”为核心指标, 做实时监控与预算熔断。
📊 从“控成本”转向“连成果”
德勤报告指出,企业评估 AI 成效时,87.3% 聚焦处理速度与工时节约,70.7% 关注成本节约, 涉及收入与客户层面的仅 21.5%。工时缩短并不自动等于经营价值, 只有把省下的时间重新配置到高价值环节, 效率才可能转化为可量化的成果。也有团队尝试分层评估, 按效率型、经营型、战略型设定不同的回报比率与周期。
- 成本管控正从事后报销走向审批与运营环节的前置审查;
- 价值评估体系明显滞后于成本可见性的提升;
- Agent 规模化, 让 Token 支出与业务流量直接绑定;
- 领先企业更倾向于把成本连接到成果, 再据此决定 AI 规模化的节奏。
🚀 总结
毕马威建议,企业在部署 AI 时应提前建立“驾驭层”(AI harness layer), 把控制、编排、问责与经济性设计进去, 围绕端到端价值流重构运营模式。AI 落地走到今天, 比拼的已不只是模型有多强, 而是企业能否为 AI 找到一套可衡量、可复现的价值评估方式。
