来源：啄木鸟财经

来源 | 森赛星球

作者 | 森赛森赛

过去两年，AI行业经历了一条非常典型的技术扩散路径。

2024年，企业最爱问的问题是：有没有接入AI？

2025年，问题变成：用了多少AI？

而到了2026年，越来越多企业开始问另外一个问题：还能烧多久AI？

AI大模型的部署、应用，需要持续消耗Token（词元），相当于给手机办的流量套餐，也因此，Token 消耗产生的账单，成了制约一些中小公司发展的天花板。

因为它真的很花钱。

最近一段时间，硅谷和国内科技圈陆续出现一些耐人寻味的现象。

部分大型企业开始限制员工调用高成本模型的次数；有企业在预算超支后，将开发工具自动切换至价格更低的模型；还有一些公司开始重新审核原本激进的AI全栈计划，把过去强调覆盖率和使用率的考核指标，改成投资回报率和成本效率。

据行业媒体报道，部分大型企业在全面推广AI工具后，曾出现预算快速消耗的情况。

例如Uber在扩大AI编程工具覆盖范围后，一度面临AI预算支出明显超预期的问题。与此同时，一些开发者社区的统计显示，在复杂Agent任务中，30%至60%的Token消耗可能来自无效循环、重复调用以及调试过程中的资源浪费。

如果放在两年前，这样的变化几乎不可想象，当时整个行业普遍相信一件事：谁用AI更多，谁就更有未来。

但现实很快给市场上了一课。

AI确实强大，但AI并不是免费的。

过去企业购买ERP、财务系统或者办公软件，本质上是一种一次性投入。部署完成后，增加一个用户的成本非常有限。

大模型则完全不同。

每一次提问、每一次代码补全、每一次生成内容、每一次推理计算，背后都对应真实的GPU资源、电力消耗和服务器成本。

传统软件更像买断制图书馆，AI更像出租车，每跑一公里都要付费。

因此，大模型从诞生第一天开始，就带着一个传统互联网很少遇到的问题：边际成本始终存在。

根据国家数据局披露的数据，中国日均Token调用量已经从2024年初约1000亿增长到2026年一季度超过140万亿。

这个数字增长的背后，是AI正在快速渗透到企业经营的每一个环节。

客服在调用。程序员在调用。市场部门在调用。法务部门在调用。财务部门也在调用。

但随着使用规模不断扩大，企业开始发现一个现实：AI带来的效率提升，并不一定等于利润提升。

很多公司最初部署AI时，抱着一种互联网时代遗留下来的惯性思维。

用户越多越好。调用越多越好。覆盖率越高越好。

于是出现了一种颇具特色的现象，有些公司把Token消耗量直接列入KPI。

有些团队把AI调用次数当作创新能力证明。

还有企业内部甚至出现了类似排行榜的机制。

结果很快出现。

有人让AI分析天气。有人让AI总结已经总结过的内容。有人让Agent循环调用Agent。有人让模型长时间运行几乎没有商业价值的任务。

表面上看，企业AI使用率一路上升。

实际上，大量算力正在被低价值需求消耗。

经济学里有一个著名概念叫古德哈特定律：当一个指标成为目标，它就不再是一个好指标。

Token消费量也在经历同样的过程。

很多企业后来发现，重度使用AI的团队，未必创造了最高价值。

一些团队消耗了十倍资源，却只换来两倍效率提升。

而另一些团队虽然调用量不高，却真正完成了业务流程重构。

这也是为什么越来越多企业开始从“Token极大化”转向“ROI极大化”。

市场开始重新计算一笔账。

每投入1元AI成本，究竟能换回多少收入？

每消耗100万个Token，究竟能节省多少人工？

每部署一个Agent，究竟能减少多少流程摩擦？

这些问题没有参数规模那么吸引眼球，却更接近商业世界的本质。

这并不是AI行业第一次经历类似过程。

如果把时间拨回十五年前，会发现云计算刚普及的时候，也曾经历过一轮类似的狂热。

当时很多企业认为，只要把业务全部搬到云端，就能获得无限扩展能力。

结果没过几年，大量企业开始收到令人头疼的云账单。

资源浪费。服务器空转。重复存储。过度采购。这几乎成为行业通病。

后来整个行业诞生了一个新职业：FinOps，也就是云成本管理。

越来越多企业开始专门研究如何优化云资源使用效率。

直到这个阶段，云计算才真正从概念走向基础设施。

今天的AI，其实正在重演同样的历史。

一个很有意思的现象是，最近越来越多企业开始建设所谓的模型路由系统。

简单任务交给低成本模型，复杂任务交给高性能模型，高频任务使用本地模型，低频任务调用云端模型，标准流程交给Agent，关键决策保留人工参与。

这种模式听上去并不性感，却极有可能成为未来企业AI架构的主流，因为企业最终追求的从来不是模型最先进，而是投入产出比最高。

从这个角度看，现在很多企业面临的问题甚至已经不是技术问题，其实是管理问题。

麦肯锡此前发布的一项研究提到，大量AI试点项目最终未能实现规模化落地，原因往往并非模型能力不足，是缺乏明确的评估机制、治理体系以及组织协同能力。

很多公司拥有最先进的模型，却没有与之匹配的组织结构。

拥有海量数据，却没有统一的数据治理体系。

拥有AI部门，却无法推动业务部门改变工作方式。

结果就是技术越来越先进，组织效率却没有同步提升。

这也是为什么越来越多企业开始意识到：AI转型本质上不是软件升级，而是组织升级。

工业革命淘汰的是不会使用机器的人。互联网革命淘汰的是不会使用网络的人。而AI革命正在淘汰另一类企业，那些无法完成组织变革的企业。

如果说未来真的存在一种新的淘汰机制，那么被淘汰的未必是不用AI的企业。

更可能是三类企业。

把AI当作展示项目的企业，投入大量资源建设系统，却始终找不到实际应用场景。

缺乏成本控制能力的企业，不断增加模型调用，却无法建立有效的资源管理体系。

还有种组织结构没有同步进化的企业，即便部署了AI，决策流程、考核体系和工作方式依旧停留在旧时代。

相反，那些能够活下来的企业往往具备几个共同特点。人家拥有明确的业务场景，能够根据任务复杂度灵活配置模型，能够建立数据、模型和业务之间的闭环。

更重要的是，它们能够持续衡量AI创造的真实价值。

对于投资者来说，这种变化同样值得关注。

过去几年，市场喜欢讨论参数规模、模型排名还有什么Token增长速度这些。

未来几年，资本市场可能越来越关注另一组指标：单位算力创造多少收入。

单位Token产生多少利润。

AI投入能否形成稳定现金流，客户是否愿意持续付费。任何技术革命最终都要回答同一个问题：它究竟创造了多少真实价值。

互联网、云计算、移动互联网都是如此，AI也不会例外。

因此，当越来越多企业开始削减无效Token支出时，这未必意味着AI热潮结束。

恰恰相反。

它很可能意味着行业正在进入真正的商业化阶段，前几年比拼的是谁跑得最快，未来几年，比拼的可能是谁跑得最远，而那些能够把每一个Token都转化为效率、收入和利润的企业，或许才会成为下一轮竞争中真正的赢家。

因为最终决定一家企业命运的，从来不是它消耗了多少Token。

而是它创造了多少价值。