AI来到公司之后，最早暴露的，是账单。
昨天，我在几个 AI 重度用户群里问过同一个问题：“上班用 AI，一个月大概要消耗多少 token？”答案很乱，也很真实。有人说，自己每月 60 万 token 已经肉疼；有人说，公司后台近 30 天消耗了几十亿；有程序员说，一天 100M 对他而言很平常。
还有人说，自己买了 GPT、Claude、Gemini、Cursor 几个会员，工作时轮着用；也有人根本看不到明细，只知道公司后台在扣钱。问到最后，大家讨论的已经不是“一个人到底用多少”，而是“这笔钱到底该由谁承担”。
过去公司给员工配电脑、邮箱、云盘、Office、飞书、企业微信。到了 AI 时代，还多出一样东西：token。它不像电脑，一次采购可以用几年，也不像传统 SaaS，每月固定一笔。
可以把 token 理解为 AI 世界里的计量单位。你发给模型的文字，模型回给你的文字，它读过的文件、代码、日志和材料，都会计入 token。在传统软件里，公司买的是账号；在 AI 里，公司烧掉的是每一次输入、输出、上下文和自动任务。
这件事麻烦的地方在于，它看起来像会员费，实际又像电费、云算力和员工时间的混合物。用得浅，改变有限；用得深，账单很快变大。 AI 成本不会停在个人订阅里，它早晚会来到公司的管理表格里。
公司买单，AI才从尝鲜变成工作方式
Epoch AI 和 Ipsos 在 2026 年 3 月做过一项调研：在有工作的 AI 用户中，免费层用户把 AI 至少同等用于工作的比例是 38%；自费订阅用户升到 58%；由雇主提供订阅时，这个比例达到 76%。
这组数字背后，是一个很朴素的变化。员工自己掏钱用 AI，心里总会有顾虑：这算工作工具吗？公司资料能不能发给模型？AI 产出的内容，主管认不认？出了差错算谁的？
公司提供账号之后，意义就变了。它等于承认 AI 是工作方式的一部分，也把权限、数据、费用和责任放到同一个框架里。AI 不再是员工私下摸索的小工具，而是组织正式提供的生产资料。
二十美元不算贵，真正昂贵的是模糊。 员工用个人账号处理公司工作，钱是自己付的，数据是公司的，产出归团队，风险却没人讲清楚。很多公司以为自己没有 AI 成本，其实成本早就存在，只是留在员工的个人订阅账单上。
只要员工用个人账号做公司工作，公司就已经在消耗 AI。 区别只在于，这笔钱有没有写到财务表上，有没有写入安全规则，有没有和业务结果放在一起评估。 Ipsos 2026 年 4 月另一项调研也显示，在把 AI 用于工作的人中，50% 只依赖个人订阅或免费访问，33% 使用雇主提供的 AI 服务。
AI成本已经从个人，来到公司后台
最早期，往往是员工自费。 GPT、Claude、Gemini、Cursor 几个会员轮着用，轻任务交给便宜工具，复杂任务交给强模型，代码任务交给编程工具。公司没有统一工具，他们就用自己的钱和时间搭出一套工作流。
这类人往往是公司里最早把 AI 用深的人。他们主动试工具，主动改工作流，也主动把 AI 用到具体任务里。但与此同时，他们也在替公司垫付一种新的生产成本。
再往前一步，公司开始报销。 有人全额报，有人按额度报，也有人一年给一笔 AI 工具预算。员工当然开心，但财务未必知道，这笔钱最后换来了什么。
它是缩短了研发周期，还是提高了销售转化？是减少了客服负担，还是让员工多开了几个聊天窗口？如果公司只报销会员费，却不看使用场景和业务结果，这笔钱很容易变成一笔说不清的办公费用。
再后来，公司自建内部平台。 员工表面上随时可用，后台按部门、项目、模型和任务记账。对员工来说，AI 像水电一样可用；对公司来说，它已经是基础设施。
再往后，混合模式出现。外部模型、开源模型、本地模型一起用，高价值任务用强模型，低价值任务用低成本模型，敏感数据留在内网。到了这个阶段，AI 不再只是买几个账号，而是在改变公司的工具体系和成本结构。
这些状态背后，是同一个变化 ：AI 正在从个人效率工具，变成公司提供的生产资源。 以前公司要决定给员工配什么电脑、什么软件、什么权限。 以后公司还要决定，给员工配什么模型、多少额度、哪些任务可以交给 AI 自动做。
大厂已经看见了这张账单
Meta 的案例很有代表性。据 The Decoder 对 The Information 报道的转述，Meta 内部曾有一个名为 Claudeonomics 的 AI 用量榜单，覆盖超过 8.5 万名员工；30 天内，员工总共消耗约 60 万亿 token，榜首用户约 2810 亿 token。
这个数字足够惊人，但它真正带来的提醒，并不只是“大厂一个月烧了多少 token”。当 token 被做成榜单，它就不再只是成本指标。它可能变成一种可以展示的生产力姿态。
有人确实会用 AI 提升工作效率，也有人会开始服务于数字本身。让 Agent 生成大量细碎改动，让会议转写机器人长时间工作，让系统对话看起来格外繁忙。数字一旦被展示、比较、排名，它就会改变人的动作。
软件公司早就见过类似诱惑。曾经有人用代码量衡量程序员，结果大家学会把一段代码改成十段代码。今天单位换成 token，逻辑并没有变。
油表可以告诉你耗了多少燃料，却不能证明车开得快，也不能证明车开到了该去的地方。token 也一样。它能说明 AI 被调用了多少次，却不能说明产品质量提升了多少，客户问题解决了多少，代码质量改善了多少。
迪士尼也开始用仪表板追踪 Claude、Cursor 等工具的请求量、用户数和 token 用量。 Business Insider 报道称，一名 Claude 用户在 9 个工作日内调用约 46 万次，熟悉该仪表板的员工推测，这种高频调用可能来自自动代理。
这类仪表板的出现，说明大公司已经把 AI 用量当作基础设施指标来管理。但指标一旦摆出来， 也会带来新的诱惑： 公司到底是在鼓励有效使用，还是在鼓励大家把数字做大？
程序员的token数字为什么特别吓人
普通聊天的消耗很容易理解。人问一句，模型答一句，输入和输出都相对有限。哪怕每天聊很多轮，大多数人的消耗也还能想象。
编程工具完全不同。Cursor、Codex、Claude Code 这类工具，不只是回答问题。它们要读文件、看依赖、理解目录、生成修改、看测试结果、读报错信息，再改一轮。
一个看似很短的需求，背后可能有几十次文件读取、很多轮推理、很多段日志和上下文。所以，一个月几亿 token，放在普通聊天里很离谱；放在代码仓库里，可能只是重度使用之后的自然结果。
Agent 出现之后，消耗还会继续变大。过去，是人向 AI 提问，AI 回复；现在，是人给 AI 一个目标，Agent 自己分任务、读文件、调工具、改代码、写记录。人下班了，Agent 仍然可能继续工作。
很多公司突然发现账单变大，并不一定是员工话多。很多时候，是 AI 已经开始承担连续任务。token 消耗从“人的输入”，变成了“系统持续运作的一部分”。
这也是“一个人一个月到底用多少 token”越来越难回答的原因。同样是 100 万 token，含义可能完全不同。一个运营用 100 万 token，可能是在批量改 50 篇文章标题；一个销售用 100 万 token，可能是在分析 20 个客户材料；一个程序员用 100 万 token，可能只是让 AI 读了一遍代码仓库，改了一个小 bug。
数字一样，价值完全不同。 公司不能只问“这个人用了多少 token”，还要问“这些 token 换来了什么”。
别把token当绩效
企业当然应该鼓励员工多用 AI。现在很多人自费买会员，本身就说明公司工具供给没有跟上。但公司不能把消耗当成绩效，也不能把 token 榜单当标兵榜。
一个员工一个月用 10 万 token，可能创造了巨大价值。另一个员工一个月用 10 亿 token，也可能只是在制造噪音。AI 成本的关键，是花得值不值。
这就像出差报销。一个人花 3000 块见了关键客户，签下一年合同；另一个人花 3 万块飞来飞去，只留下几张机场照片。不能因为后者花得多，就说他贡献大。
AI 也是一样。公司要看的不是 token 消耗量，而是 token 产出率。研发看交付周期、缺陷率、代码合并质量；客服看解决率、满意度、转人工比例；销售看线索质量、转化率、沟通效率；内容看阅读、转发、留资和质检成本。
一笔 token 能省下十小时人工，缩短项目周期，改善客户体验，它就值得花。如果它只是制造了更长的对话、更碎的 commit、更漂亮的报表，那它只是把算力换成了幻觉。
成熟公司会允许试错，因为新工具需要试验。 真正要避免的，是把试验变成表演，把用量变成姿态，把成本包装成绩效。
公司要学会管理token
云时代，公司学会了管理服务器、存储、带宽和实例。 AI 时代，公司要学会管理输入 token、输出 token、上下文、缓存、模型选择和 Agent 任务链。它会变成一项新的组织能力。
这项能力要回答的，不是“谁用得最多”这么粗的问题。它要知道谁在用、用在什么任务上、哪个部门花得多、哪些任务该用强模型、哪些任务用便宜模型就够、哪些内容必须留在内网。
目标也不是让员工少用 AI。真正的目标，是让 AI 花费从一团黑箱，变成可以分配、比较和优化的资源。公司要知道，哪些消耗在创造价值，哪些消耗只是让后台数字变大。
一个销售用 AI 分析客户材料，一个研发用 Agent 改代码，一个运营用 AI 批量做内容，这三类消耗不能放在同一张榜单里比较。用量高低只是一条线索。真正要看的，是这些 token 和业务结果之间有没有关系。
这也是企业管理 AI 的难处。看不见，会失控；看得太重，又会变形。理想状态不是把 token 管死，而是让它和真实业务结果放在一起看。
未来的福利，可能会写上每月多少token
过去，一个知识工作者入职，公司会给他配电脑、邮箱、办公软件和云盘。以后，可能还会多一项：AI 额度。工程师面试时也许会问，这家公司给我配什么模型，Claude、GPT、Gemini 能不能用，Cursor 是个人买还是公司报。
这听起来有点夸张，但方向并不奇怪。电脑是上一代知识工作者的标配，AI 额度会成为下一代知识工作者的生产燃料。区别在于，电脑买回来放着不会自动花钱，Agent 开着，就可能持续消耗。
于是，企业会面对一批新题目。 给谁额度，给多少额度，什么场景可以用外部模型，什么场景必须用内部模型，什么任务可以由 AI 自动做，什么任务必须有人类确认。这些问题已经超出财务和技术范畴。
它会影响组织效率、数据安全、员工公平和绩效评价。公司如果不给工具，员工会自己找工具；公司如果只看数字，员工又可能开始表演数字。AI 来到组织之后，管理难题也会一起到来。
公司缺的不只是会员费
回到开头那个问题：一个 AI 重度用户，一个月到底要消耗多少 token？答案没有固定数。轻度使用者，也许几个会员就够；重度程序员，也许一天就能耗掉普通用户一年的量；公司内部平台用户，可能根本不知道自己用了多少，因为账在后台。
真正值得关注的，不是某个人用了 10 万、100 万，还是 10 亿 token。 而是公司有没有把 AI 当作正式生产资源来管理。 未来的企业差距，未必来自谁买了最贵的模型，更可能来自谁能把 token 花在最有价值的任务上 。
token 给少了，员工会自费；token 看得太重，员工会表演。难的地方在于，公司既要愿意为 AI 生产力付费，也要敢于追问每一笔消耗换来了什么。
未来公司管理 AI，不能只问“用了多少 token”。 还要问这些 token 用在什么任务上，替代了多少重复劳动，改善了哪些业务指标，哪些任务必须用强模型，哪些任务用低成本模型已经足够。
公司愿意为 AI 付费，只是开始。公司知道这笔钱买回了什么，AI 才真正从尝鲜工具变成工作系统。当 token 从个人账单来到公司账本，AI 才算真正成为工作本身。
热门跟贴