来源：市场资讯
（来源：埃森哲中国）
截至2026年3月，中国日均词元调用量已突破140万亿，较2024年初增长超过千倍。与此同时，中国AI算力投入持续攀升：市场规模预计从2025年的259亿美元增至2026年的337亿美元。国产模型成本下降、智能体和多模态应用加速普及，正在推动AI从“少数人试用”走向“全流程调用”。
然而，高投入并不一定意味着高价值产出。一项针对2,444家工程组织、超过100万个代码合并请求的研究显示，在AI辅助软件开发场景中，每投入1美元AI编码工具成本，最终仅约18美分能转化为交付给用户的产品价值，其余成本主要消耗在缺陷修复、代码返工和审查流程中。1类似的价值落差也出现在更广泛的企业AI应用中。《埃森哲2026中国企业数字化转型指数》研究也指出，尽管中国企业AI应用正在加速铺开，能够将先进AI应用转化为显著企业级价值的企业占比仍仅为14%。
一边是持续增长、清晰可查的AI成本，另一边则是散落在各个业务环节的局部成效——节省了多少时间、改善了多少体验、带来了多少收入，往往缺乏统一口径，也难以归因到AI投入。两者之间的差距，正在成为企业进一步使用AI时绕不开的问题。而要破解这一难题，企业首先需要拉平AI投入和价值产出这两套“账本”。
这就是词元经济学（Tokenomics）——一种把AI资源消耗和业务产出放在一起管理的方法。它关心的不只是单次使用能不能更便宜，而是判断哪些工作值得使用更高水平的AI，以及每一笔AI投入是否带来了可计算的结果。
一笔越来越难算的账
AI的成本结构与传统软件不同，后者通常按照账号或许可数量计费，成本相对容易预测。AI成本则取决于使用人数和任务本身。问题有多复杂，模型要分析到什么深度，不同的情境可能会让账单金额出现天壤之别。例如同样是一次使用，整理会议纪要和分析一份数百页的尽调材料，所消耗的资源就完全不同。
更重要的是，使用AI的不只是人。聊天机器人正在演变为智能体，单个智能体又会组成团队，全天候完成检索、分析、判断和执行。AI处理的内容也从文字扩展到图像、视频和音频。每增加一个流程、一种内容形式或一个外部接口，都意味着新的资源消耗，以及相应的安全、权限和风险管理要求。
这只是开始。预计到2030年，全球词元消耗量将增至当前水平的24倍。随着智能体和多模态应用加速普及，企业需要管理的AI资源消耗还将呈指数级增长。
这种增长已经开始转化为现实的预算压力。以Uber为例，随着员工广泛采用AI编码工具，公司在4个月内便耗尽了全年AI预算，随后开始设置内部使用上限2；Meta也计划通过词元预算、使用监测和内部工具，控制不断攀升的AI支出3。
更值得注意的是，即使模型单价持续下降，企业的AI总费用也未必随之降低。相反，更低的价格往往会释放更多需求，推动企业拓展应用场景、增加工作负载并采用能力更强的模型，最终带来更高的整体消耗。
埃森哲研究发现，如果词元价格下降25%，只有15%的组织会把节省下来的资金保留下来，其余组织会将其投入新的应用场景、更大的工作量或能力更强的模型。
因此，要求员工“少用AI”并不是解决之道。AI本来就是为了释放生产力，如果因为担心成本而限制使用，也就限制了它可能带来的效率和创新。
提升AI回报，不是用少，而是用对
埃森哲估计，在各个行业中，只有约10%至20%的企业任务足够复杂，需要前沿或接近前沿水平的模型能力。比如，战略负责人需要综合竞争格局、宏观趋势和收购标的财务状况，识别潜在风险；智能体需要完成复杂的多步骤工作流，中间任何错误都可能影响最终结果；分析数百页尽职调查材料，需要在大量信息中保持逻辑一致。
而对于步骤明确、规则清晰的日常工作，较小、成本较低的模型就已足够胜任。
埃森哲的一个内部平台每周处理约8.7万亿个词元。我们通过自有基础设施，并将不同任务分配给适合的模型，成本约为全部使用前沿模型的六分之一。
不过，仅仅提供不同模型还不够。研究发现，即使系统默认使用中等能力的模型，仍有不少员工习惯选择最强模型。这说明，模型选择既是技术问题，也是管理问题。企业需要建立明确规则：根据任务复杂度匹配模型能力，按照风险水平设置审批边界，并让每一类投入对应可追踪的结果。
管理层如何算清AI经济账？
AI价值最容易计算的部分，通常是节省了多少时间、减少了多少成本。但这不等于自动创造价值。真正重要的是，释放出来的人力去了哪里。如果这些时间被投入客户服务、经营分析、产品创新等更高价值的工作，AI投入才真正转化为业务回报。
因此，企业衡量AI，不能只看调用次数，也不能只算节省了多少词元。还要看客户是否更加满意，员工是否能够承担更有价值的工作，收入是否有所增长，库存和资金占用是否得到改善。
说到底，企业要看的不是AI做了多少事，而是它推动了什么结果。
埃森哲调研显示，仅有23%的高管认为，AI已经在其组织范围内持续、广泛地创造业务价值。
为什么企业难以把AI支出与业务结果连起来？57%的受访者提到业务与技术协同不足，51%认为是数据和分析能力不够，另有50%表示，组织很难将AI贡献与其他影响因素区分开来。这说明，AI不能只由技术部门管理。
领先企业正在搭建一套横跨财务、技术和业务的共同看板，用同一套口径看成本、使用和产出，明确决策和责任边界，并把AI投入与增长、体验、资金周转等经营指标放在一起管理。
这不只是一套技术看板，而是对企业运营和管理流程的全面重塑。为此，企业需要尽早着手，做好四件事：
第一，把账看全。由CFO和CIO共同建立企业级视图，不只报告花了多少钱，还要说明钱花在哪里、产生了什么结果。
第二，把治理做在前面。开放工具之前，先明确谁可以使用什么模型、适用于哪些工作，以及需要遵守哪些安全边界。没有明确用途的工具，往往会变成一笔没有责任人的成本。
第三，把任务分对。根据工作的复杂程度、价值和风险选择模型，让更强的模型用于真正复杂的问题，让轻量模型承担规则明确的日常工作。
第四，把复盘变成日常。定期识别资源消耗集中的环节，通过更换模型、调整流程或重新拆分工作持续改进。模型能力和价格一直在变，管理方式也不能停在原地。
一家电信运营商正是通过这种方法，从工作流程层面看清资源消耗，并在浪费固化为日常成本之前重新调整任务，最终将年度AI支出降低了68%。
未来十年，企业可能逐渐分化为两类：一类将AI视为又一项技术成本，重点关注如何控制不断增长的支出；另一类则会把AI视为一种新的生产要素，在管理词元消耗的同时，更关注它创造了多少增长、改善了多少体验，释放了多少资本效率。两种做法都会关注成本，但区别在于，前者把AI看作一笔开支，后者则把AI看作一种投资。前者关注节省了多少，后者更关注创造了什么。
而词元经济学的意义，正是在两者之间建立连接：让企业不仅知道AI花了多少钱，也知道这些投入最终换来了什么。
数据来源
1 Entelligence Research, Token Maxxing Is Making Engineering Teams Slower, May 2026。
2 Lucas Ropek, Uber caps employee AI spending after blowing through budget in4 months, June 2026。
3 Jyoti Mann, Tokenminimizing: Meta Moves to Curb Employee AI Usage as AI Costs Reach Billions, June 2026。
业务联系：
(埃森哲中国)
热门跟贴