在AI领域，十二个月足以改变一切。Boomi首席执行官史蒂夫·卢卡斯去年曾担忧，CIO们在没有明确方向的情况下仓促推进生成式AI项目。如今一年过去，他又发现IT从业者正以同样冒进的姿态拥抱智能体技术——而Token消耗规模只有一个方向：持续攀升。
"无论你在公司内部还是外部工作，感觉核心任务就是使用AI，并把Token用到极致，为自己的工作服务，"他在接受ZDNET采访时表示。
Token是AI模型处理信息的基本单位。研究表明，随着智能体技术消耗的Token量级数倍增长，其成本也变得高昂且难以预测。
正如ZDNET同事史蒂文·沃恩-尼科尔斯近期指出的那样，就在不久前的生成式AI热潮时期，各组织都热衷于展示"Token排行榜"，比拼谁的Token用量最多。而今，这类排行榜已成历史，因为没有人再负担得起Token浪费。
在智能体时代，Token用量最大化不再是荣耀，而是浪费的标志。"Token经济学"——即对Token消耗进行计量、定价和管理的实践——已成为企业的核心业务活动。就连卢卡斯本人也深有体会，他指出Token的消耗速度远超以往。
"一年前，我们还没在谈Token经济学，"他说，"但去年，我个人在Boomi花在Claude上的费用是前一年的10倍——整整10倍，这根本不可持续，不能每年都这样下去。"
现在，企业和专业人士必须建立自己的企业级Token经济学体系。智能体AI将深刻改变每家企业的运营方式，而构建一套经济高效的智能体探索方法，已成为迫切优先事项，卢卡斯如此建议道。
"在企业层面，最终起决定作用的是AI的经济性，"他说，"大多数组织将把AI视为未来的企业引擎。所以，现在最关键的问题是：'我能实现AI的正向回报吗？'这是根本性的问题。"
商业领袖们认为，前进的最佳路径清晰可见：与其限制员工使用智能体，不如为他们提供指导原则和背景信息，帮助他们做出更具成本效益的模型决策。
Snowflake首席执行官斯里达尔·拉马斯瓦米承认，即便在他自己的组织内部，Token消耗量也在持续上升。但他同时强调，给员工留有探索智能体的空间至关重要。
"我们是否担心各内部团队在AI推理上的支出？当然担心，"他说，"但我是否会把这些支出当作不使用AI的理由？绝对不会。"
在近期于旧金山举行的Snowflake Summit 2026媒体见面会上，拉马斯瓦米表示，尽管Token消耗令人担忧，但创造性地运用AI能够开启全新的商业机遇。
智能体可以提升员工效率与生产力，同时有潜力帮助企业更快、更有效地为客户创造新服务。
"我们将智能体AI视为一种机会，不仅可以优化我们的工作方式，还能将业务流程转化为可供客户使用的产品，"他说。
与拉马斯瓦米观点一致，可穿戴技术公司Whoop的分析副总裁马特·卢伊齐表示，他的公司正在积极投入智能体探索，以寻求竞争优势。
"如果我们希望员工走出舒适区，就必须允许他们承担风险，并让他们明白：这不会搞坏什么。"
卢伊齐表示，他支持员工在智能体上投入资金，但这并不意味着Token消耗可以失控。
"我们设置了防护栏，配备了监控与可观测性工具，让员工了解自己的使用成本，"他在Summit 2026的一场小组讨论中说道。
"但更多时候，我们只需要坐下来，帮助员工理解：'你怎样才能做得更高效？你真正想实现什么？'"
卢伊齐认为，智能体成功的关键在于精细化的赋能管理——鼓励员工用智能体和Token突破边界，但不能让其走向极端。
"归根结底，我们全力押注，是因为我们认为这会有回报。我们看到员工变得更高效，工作完成得更快，"他说。
"这些积极成果意味着，我们不会对员工的Token用量斤斤计较，但同时也清楚这需要规模化推进，所以也不能任由大家无节制地使用。"
芯片设计技术公司Synopsys的首席信息官斯里拉姆·西塔拉曼在同一场Snowflake会议的小组讨论中表示，员工必须有自由探索新方向、包括智能体应用的空间，才能找到解决业务挑战的创新方案："带着束缚无法创新，只能走到一定程度就停滞不前。"
与卢伊齐一样，西塔拉曼认为，指导原则有助于为Token消耗设定合理边界。他建议，为项目设定正确的业务背景，有助于建立有效的约束机制。
"如果你问一个智能体'明天我该做什么'，它可能会消耗大量数据和Token，最终给出一个毫无价值的答案，"他说，"但如果你设定具体背景，比如创建一个北美销售运营智能体，赋予它明确的目标和数据范围，那么消耗量就会受到限制，而它为用户创造的价值也会更高。"
法国电视网络TF1集团首席数据与广告技术官弗朗索瓦-泽维尔·皮耶雷尔同样强调了业务背景的重要性。他在接受ZDNET采访时表示，对于企业和专业用户来说，用常识来管控Token使用是最佳方式。
皮耶雷尔将另一种做法比作糖瘾——一旦开始往食物里加糖，就会习以为常，最终形成不健康的依赖。他认为AI也存在类似风险。
"过去一切都很便宜，非常便宜，于是我们一股脑儿地涌进去，"他回顾生成式AI技术早期的热潮时说道。如今，对智能体的痴迷意味着更高昂的代价。
"Token的使用量很快就能累积成一个庞大的数字。如果我们审视那些疯狂押注智能体AI的企业，账单迟早会找上门来。"
皮耶雷尔表示，他所在的组织奉行谨慎原则，并举例说明如何引导员工在使用大语言模型时审慎权衡。
"对于边界非常清晰或约束条件很强的使用场景，我们会问：'我们能否选用一个小模型？那种消耗Token更少、但同样能完成任务的模型？'"
随着企业将更多智能体纳入工作流程，皮耶雷尔认为，这类Token经济学策略将是实现价值创造的关键。
"我认为我们将在这方面变得更加灵活——先尝试，再根据使用场景不断调整，从而避免产生惊人的账单，"他说，"我们又不是在把火箭送上月球，所以要保持理性——如果用较小规模的智能体同样能解决问题，就没必要部署上百万个智能体。"
Q&A
Q1：什么是Token经济学？企业为什么要重视它？
A：Token经济学是指对AI模型处理信息时消耗的Token进行计量、定价和管理的实践。随着智能体AI的普及，Token消耗量急剧上升，成本变得高昂且难以预测。例如，Boomi CEO卢卡斯表示，他个人在Claude上的花费一年内增长了10倍。因此，建立一套企业级的Token消耗管理体系，已成为控制AI成本、实现正向投资回报的核心业务活动。
Q2：企业如何在鼓励员工使用智能体的同时控制Token消耗？
A：多位企业高管给出了类似建议：一是设置防护栏和监控工具，让员工实时了解自己的Token使用成本；二是提供指导原则，帮助员工做出更高效的模型选择；三是为智能体项目设定明确的业务背景和目标，避免模糊任务导致的Token浪费；四是针对边界清晰的场景优先使用小模型，降低消耗。核心原则是：允许探索，但不放任无节制的使用。
Q3：为智能体设定业务背景，具体该怎么做？
A：Synopsys首席信息官西塔拉曼给出了一个直观的例子：如果问智能体"明天我该做什么"，它会消耗大量数据和Token，却可能给出没有价值的答案。但如果将任务具体化，例如"创建一个北美销售运营智能体，目标是分析本季度销售漏斗并给出优化建议"，并为其提供专属数据集，那么Token消耗就会受到有效控制，输出结果的实用性也会大幅提升。
热门跟贴