2026年5月，業(yè)界熱議的Token（詞元）開始被放進(jìn)“話費(fèi)賬單”。中國(guó)移動(dòng)、中國(guó)聯(lián)通、中國(guó)電信三大運(yùn)營(yíng)商相繼推出Token套餐產(chǎn)品。過去我們買通話時(shí)長(zhǎng)、短信包、流量包；現(xiàn)在，運(yùn)營(yíng)商開始售賣Token，說明AI算力正在被包裝成一種可購(gòu)買、可計(jì)量、可結(jié)算的基礎(chǔ)資源。AI時(shí)代的“流量包”來了。

對(duì)企業(yè)來說，這意味著AI不再只是一個(gè)新工具，而是一個(gè)持續(xù)消耗預(yù)算的新賬本。企業(yè)用AI寫文案、生成合同摘要、回復(fù)客戶、輔助寫代碼、運(yùn)行Agent，背后都在消耗Token。過去企業(yè)管理軟件，主要看賬號(hào)、席位、服務(wù)器和云資源；現(xiàn)在，一個(gè)智能應(yīng)用的真實(shí)成本，還取決于輸入有多長(zhǎng)、輸出有多少、是否調(diào)用搜索、是否使用長(zhǎng)上下文、是否啟用自動(dòng)化Agent。

因此，企業(yè)不能只問“哪個(gè)模型更聰明”，還要追問：這些Token花在哪里？產(chǎn)生了什么價(jià)值？有沒有被浪費(fèi)？又帶來了哪些新的風(fēng)險(xiǎn)？

一、AI正在改變企業(yè)成本結(jié)構(gòu)

企業(yè)早期使用AI，往往帶著工具思維。哪個(gè)模型效果好，就接入哪個(gè)；哪個(gè)部門需求強(qiáng)，就先給哪個(gè)部門試點(diǎn)；哪個(gè)員工會(huì)寫Prompt，就讓他多用一點(diǎn)。這種方式適合探索，卻很難支撐規(guī)?；瘧?yīng)用。

當(dāng)AI嵌入業(yè)務(wù)流程后，Token消耗就會(huì)從偶發(fā)成本變成持續(xù)成本?？头到y(tǒng)每一次自動(dòng)回復(fù)，銷售系統(tǒng)每一次生成客戶畫像，研發(fā)系統(tǒng)每一次寫代碼、跑測(cè)試、生成說明，也在消耗Token。尤其是Agent興起之后，用戶只看到一個(gè)任務(wù)完成，后臺(tái)可能已經(jīng)經(jīng)歷了多輪規(guī)劃、檢索、調(diào)用工具、反思和修正。

這給企業(yè)提出了一個(gè)新的管理命題：AI不能只靠熱情驅(qū)動(dòng)，也不能只靠技術(shù)部門兜底。企業(yè)必須像管理現(xiàn)金流、庫存、工時(shí)和云資源一樣管理Token。

Token管理的第一步，是讓消耗可見。企業(yè)至少要知道：哪個(gè)部門用了多少Token，哪個(gè)應(yīng)用消耗最多，哪個(gè)模型最貴，哪些任務(wù)反復(fù)重試，哪些Prompt導(dǎo)致輸出冗長(zhǎng)，哪些Agent存在異常循環(huán)。沒有可見化，Token賬單就會(huì)變成新的“黑箱成本”。

不過，“可見”只是開始。真正的Token管理，要從“看賬單”走向“算經(jīng)營(yíng)賬”。一個(gè)部門用了1億Token，不能簡(jiǎn)單判斷它浪費(fèi)或高效。關(guān)鍵要看這些Token帶來了什么：客服轉(zhuǎn)人工率是否下降，研發(fā)交付周期是否縮短，營(yíng)銷轉(zhuǎn)化率是否提高，法務(wù)審查效率是否改善，員工是否從重復(fù)勞動(dòng)中釋放出來。Token本身只是消耗單位，管理者要把它轉(zhuǎn)換成業(yè)務(wù)價(jià)值指標(biāo)。

這也是為什么企業(yè)不能簡(jiǎn)單把AI成本視為“又一筆軟件費(fèi)用”。傳統(tǒng)SaaS通常按賬號(hào)或模塊收費(fèi)，費(fèi)用相對(duì)穩(wěn)定。而AI的成本更像水電氣，也像云計(jì)算。員工越依賴，系統(tǒng)越自動(dòng)化，調(diào)用越頻繁，費(fèi)用越容易從小額試用變成持續(xù)開支。特別是在智能客服、代碼助手、企業(yè)知識(shí)庫、自動(dòng)化營(yíng)銷、數(shù)據(jù)分析等場(chǎng)景中，AI一旦進(jìn)入日常流程，就會(huì)形成穩(wěn)定的Token消耗。

二、企業(yè)Token管理的三重陷阱

Token管理容易遇到的第一重陷阱，是“單次便宜，總量失控”。

按Token計(jì)費(fèi)有一個(gè)特點(diǎn)：?jiǎn)未握{(diào)用成本看起來很低。正因?yàn)楸阋?，企業(yè)容易放松管理。但規(guī)?；?，調(diào)用次數(shù)會(huì)迅速放大。AI越好用，員工越愿意用；系統(tǒng)越智能，后臺(tái)越會(huì)自動(dòng)調(diào)用；Agent越主動(dòng)，Token消耗越難被人直觀看見。

最近一個(gè)極端案例很能說明問題。OpenClaw創(chuàng)始人Peter Steinberger披露，其僅有3人的團(tuán)隊(duì)在云端運(yùn)行了約100個(gè)Codex實(shí)例，30天內(nèi)產(chǎn)生了約130萬美元的 OpenAI API賬單，涉及約6030億個(gè)Token 和760萬次請(qǐng)求。這個(gè)案例提醒管理者：當(dāng) AI 代理開始自動(dòng)執(zhí)行任務(wù)，Token 消耗會(huì)從“人發(fā)起的一次請(qǐng)求”變成“系統(tǒng)后臺(tái)連續(xù)運(yùn)行的成本”。

Token管理容易遇到的第二重陷阱，是“賬單清楚，價(jià)值模糊”。

企業(yè)可能很快建起Token看板，卻很難回答一個(gè)更重要的問題：這些Token到底值不值？一個(gè)月消耗10億Token，看起來AI應(yīng)用很活躍，但這可能意味著業(yè)務(wù)效率提升，也可能意味著大量低質(zhì)量生成、重復(fù)調(diào)用和無效輸出。

因此，Token管理不能停留在財(cái)務(wù)賬上。它還要進(jìn)入業(yè)務(wù)指標(biāo)?？头?chǎng)景要看單位會(huì)話成本、一次解決率、客戶滿意度和轉(zhuǎn)人工率；研發(fā)場(chǎng)景要看代碼通過率、缺陷率、交付周期和開發(fā)者返工時(shí)間；營(yíng)銷場(chǎng)景要看內(nèi)容生產(chǎn)效率、轉(zhuǎn)化率和品牌一致性。沒有業(yè)務(wù)指標(biāo)，Token管理很容易變成“為了省錢而省錢”。

Token管理容易遇到的第三重陷阱，是“生成便宜，驗(yàn)證昂貴”。

AI生成文本、代碼、方案和分析報(bào)告的速度很快，但企業(yè)不能忘記后續(xù)驗(yàn)證。越是專業(yè)場(chǎng)景，驗(yàn)證成本越高。AI寫出一段客服回復(fù)，可能只需要簡(jiǎn)單檢查；AI生成一份法律意見、投資分析或安全配置建議，就必須有專業(yè)人員復(fù)核。

這可以稱為AI時(shí)代的“驗(yàn)證稅”。生成式AI降低了產(chǎn)出門檻，也增加了組織內(nèi)部的審核壓力。企業(yè)如果只計(jì)算Token賬單，不計(jì)算復(fù)核、返工、糾錯(cuò)和責(zé)任承擔(dān)成本，就會(huì)低估AI應(yīng)用的真實(shí)成本。

三、企業(yè)需要一套Token治理體系

很多企業(yè)把Token管理交給技術(shù)團(tuán)隊(duì)，認(rèn)為這主要是工程問題：優(yōu)化Prompt、做緩存、換模型、限速、限額。技術(shù)優(yōu)化當(dāng)然必要，但它無法獨(dú)自解決Token管理的問題。

Token消耗來自業(yè)務(wù)流程。客服為什么要反復(fù)調(diào)用模型？可能是知識(shí)庫質(zhì)量不高。銷售為什么生成大量無效客戶分析？可能是CRM數(shù)據(jù)不完整。研發(fā)為什么讓AI讀一整個(gè)代碼庫？可能是代碼結(jié)構(gòu)混亂、文檔缺失。

也就是說，Token浪費(fèi)常常暴露的是組織問題，而非模型問題。企業(yè)要降低Token消耗，不能只盯著模型價(jià)格，還要改善知識(shí)管理、流程設(shè)計(jì)、數(shù)據(jù)治理和權(quán)限體系。

一個(gè)成熟的Token管理體系，首先要有預(yù)算管理。企業(yè)需要給部門、項(xiàng)目和應(yīng)用設(shè)置Token預(yù)算，但預(yù)算不能“撒胡椒面”。核心業(yè)務(wù)、高價(jià)值場(chǎng)景、增長(zhǎng)型項(xiàng)目，可以獲得更高額度；低價(jià)值、重復(fù)性、探索性場(chǎng)景，應(yīng)有更嚴(yán)格限制。預(yù)算也不能只看歷史用量，還要看業(yè)務(wù)目標(biāo)。一個(gè)幫助研發(fā)縮短交付周期的AI工具，哪怕Token消耗較高，也可能值得投入；一個(gè)每天生成大量低質(zhì)量營(yíng)銷文案的工具，即使單價(jià)便宜，也可能應(yīng)該收縮。

其次，要建立模型路由。不應(yīng)讓所有任務(wù)都調(diào)用最強(qiáng)模型。摘要、分類、格式轉(zhuǎn)換可以交給低成本模型；復(fù)雜分析、代碼生成、專業(yè)判斷則使用更強(qiáng)模型；敏感數(shù)據(jù)處理可能需要私有化或本地模型。未來企業(yè)AI運(yùn)營(yíng)的重要能力，不是選出一個(gè)“萬能模型”，而是在不同業(yè)務(wù)場(chǎng)景中配置合適的模型組合。

再次，要建立權(quán)限控制。不是每個(gè)員工都需要調(diào)用高價(jià)模型，也不是每個(gè)Agent都應(yīng)該訪問核心系統(tǒng)。企業(yè)要把Token權(quán)限、數(shù)據(jù)權(quán)限、系統(tǒng)權(quán)限和崗位職責(zé)綁定起來。尤其在Agent場(chǎng)景中，要限制循環(huán)次數(shù)、工具調(diào)用范圍、單次任務(wù)上限和自動(dòng)執(zhí)行權(quán)限。

最后，Token管理必須進(jìn)入績(jī)效評(píng)估。每月不僅要看總賬單，還要看單位業(yè)務(wù)產(chǎn)出的Token成本。哪些場(chǎng)景真正提升效率，哪些應(yīng)用應(yīng)該擴(kuò)大，哪些應(yīng)用應(yīng)該優(yōu)化，哪些應(yīng)用應(yīng)該關(guān)停。一個(gè)AI項(xiàng)目不能只證明“大家都在用”，還要證明“使用之后業(yè)務(wù)更好了”。

長(zhǎng)遠(yuǎn)來看，企業(yè)最終要從Token管理走向Token治理。管理解決的是用了多少、花了多少、怎么省的問題，治理解決的是誰能用、怎么用、為何用、誰負(fù)責(zé)的問題。這些問題已經(jīng)超出了技術(shù)和財(cái)務(wù)部門的范圍，需要業(yè)務(wù)、法務(wù)、安全、合規(guī)、人力和高管層共同參與。

Token正在連接成本、數(shù)據(jù)、安全、責(zé)任和組織能力。它不再只是API賬單上的數(shù)字，而是企業(yè)智能化程度的基礎(chǔ)指標(biāo)之一。這聽起來像一個(gè)技術(shù)問題，其本質(zhì)卻是公司治理問題。因?yàn)門oken背后真正需要被管理的，是企業(yè)如何分配智能資源、如何重組知識(shí)勞動(dòng)、如何控制新型成本、如何避免平臺(tái)依賴，以及如何把AI能力沉淀為長(zhǎng)期競(jìng)爭(zhēng)力。

一句話說，Token管理不是為了讓企業(yè)少用AI，而是讓企業(yè)更聰明地使用AI。智能時(shí)代，真正優(yōu)秀的企業(yè)不會(huì)只問“這個(gè)模型多少錢”，還會(huì)追問：“這些Token，究竟為我們創(chuàng)造了什么？”

（作者王翔為復(fù)旦大學(xué)數(shù)字與移動(dòng)治理實(shí)驗(yàn)室研究員）