随着 AI智能体（Agent）的普及，曾经被视为“生产力倍增器”的大语言模型 API 调用，正逐渐演变成企业财务部门眼中的“黑洞”。OpenAI CEO 萨姆·奥尔特曼（Sam Altman） 近日公开承认，AI Token 成本已成为一个“大问题”。这一表态标志着 AI 行业从“不计成本的探索期”正式进入“精打细算的效率期”。
核心现状：预算耗尽与成本焦虑
1. “季度花光全年预算”成新梗
- 客户反馈激增：奥尔特曼指出，2026 年初以来，大量企业客户抱怨 AI 使用成本失控，甚至出现“第一季度就花光全年 AI 预算”的现象。
- 效率诉求迫切：企业不再仅仅关注模型能力，而是强烈要求 OpenAI 提供更高性价比的解决方案，以实现“更少开支，更大价值”。
2. 惊人的用量增长
- 人均用量飙升：六年半前，OpenAI 内部重度用户月均消耗 10 万 Token；如今，这已成为全球人均平均水平。
- 头部效应显著：目前 OpenAI 的顶级用户月均消耗约 1000 亿 Token，且仍有更高使用者。奥尔特曼预测，若线性增长，未来全球人均月用量将达到 1000 亿 Token。
典型案例：狂热后的理性回调
尽管英伟达 CEO 黄仁勋曾建议工程师使用“年薪一半”价值的 Token，但现实中的盲目跟风已带来负面效果：
- 亚马逊（Amazon）：员工承认为了在内部 AI 采用率排行榜上保持名次，将 AI 智能体用于不必要的任务，导致资源浪费。
- 微软（Microsoft）：因成本激增，被迫削减部分员工的 Claude Code 许可证数量，重新评估投入产出比。
- Uber：CEO 坦言，目前尚未在“全力投入 AI”与“成功产品交付”之间建立明确的正向联系，ROI（投资回报率）尚不清晰。
- OpenClaw 案例：创建者 Peter Steinberger 的团队在一个月内花费 130 万美元购买 Token（总计 6030 亿），凸显了智能体自动化带来的指数级成本膨胀。
深层原因：杰文斯悖论与智能体爆炸
1. 杰文斯悖论（Jevons Paradox）
- 定义：当某种资源（如 AI Token）变得更便宜或更易获取时，其总消耗量反而会增加，而非减少。
- 现状：虽然模型推理成本在下降，但智能体（Agent）的复杂交互、多步推理及后台持续运行，使得 Token 消耗呈指数级增长，远超效率提升带来的节省。
2. 智能体的“隐形吞噬”
- 自主运行：不同于单次问答，AI 智能体会在后台自动执行搜索、编码、调试等多步任务，每次交互可能消耗数千至数万 Token。
- 缺乏节制：许多企业尚未建立有效的 Token 监控与配额管理机制，导致“无人看管”的智能体疯狂消耗资源。
效率为王
面对成本危机，OpenAI 及整个行业正在转向：
- 模型优化：奥尔特曼承诺将持续推动模型效率改进，通过技术升级降低单位 Token 成本。
- 价值重构：企业将从“Token 最大化”转向“价值最大化”，严格筛选高 ROI 的 AI 应用场景，砍掉无效试用。
- 治理机制：预计将出现更多针对 AI 支出的 FinOps（云财务运营）工具，用于监控、预警和优化 Token 使用。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
