（本文作者为 强调 Next，钛媒体经授权发布）
文 | 强调 Next
企业降本增效省下来的钱可能正在被无效的 Token 烧掉。
据报道，微软开始收缩 Claude Code 的内部授权。The Verge 披露，微软 Experiences + Devices 团队将于 6 月底关停大部分第三方 Claude Code 授权席位，全面切换至自家 GitHub Copilot CLI，核心诉求之一就是缓解 AI 成本压力。Uber 的情况更为严峻，其 CTO Praveen Neppalli Naga 公开坦言，公司 2026 年全年的 AI 预算，仅用四个月就已基本透支。
Meta 走的是另一条路，而且方向完全相反。Meta 内部上线 Token 消耗排行榜，对高用量员工授予“Token 传奇”“ 缓存魔法师” 等荣誉，甚至将用量与考核挂钩、实行末位淘汰。这套机制落地仅 30 天，Meta 全员 Token 总消耗量从 6 万亿暴涨至 73.7 万亿，增幅超 12 倍，AI 消耗彻底失控。
有的公司在踩刹车，有的在踩油门，但面临的问题是一样的。行业至今没有一套成熟、稳定、可落地的 AI 价值衡量标准，于是简单易统计的 Token 消耗量，就成了唯一硬性指标。
百度 CEO 李彦宏就在两周前的大会上指出，Token 好统计，但不等于实际产出。
一个员工跑了更多 Agent、塞进更长上下文、让模型反复试错，账单会快速变大，业务结果却未必同步改善。
01.Token KPI：一场制造浪费的考核实验
以最大化 Token 消耗为目标的工作方式 （“Tokenmaxxing”），自去年底开始在硅谷蔓延，现在已传导至国内。阿里、腾讯、字节等大厂技术团队，不同程度地将 Token 使用量纳入转正和晋升参考。
当考核与 Token 用量深度绑定，职场形式主义迅速向 AI 工作场景蔓延。据 《财经》 报道，不少员工为达标，刻意让 AI Agent 批量读取上万行代码、堆砌数万字文献数据，单纯靠“ 堆工作量” 刷高 Token 消耗，并无实际工作产出。这并非个例，公开数据显示，全球企业级 AI 应用中，近半数 Token 消耗都属于无效浪费。
Meta 的 73.7 万亿 Token，究竟有多少真正转化成了有效产出？这恰恰是所有 Token KPI 制度的核心漏洞。
与硅谷企业的成本焦虑不同，国内头部大厂正通过高额 Token 补贴，全力降低员工 AI 使用门槛。
从不同渠道披露的信息来看，各家企业福利政策各有侧重：腾讯为核心研发配了年度 22.8 万元的 Token 专属套餐，另加每月 1000 美元外部工具报销；字节对内开放 AI 工具不限量使用，员工业余体验 AI 可报销 50%，技术岗上限 1000 美元/年；百度给技术岗配文心一言无限量使用权，外加最高 800 美元/年的外部 Token 补贴；360 干脆直接给全员充了 1 亿 Token。
AI 工具已经不是一个办公软件插件，而是在变成新的生产资料。过去企业给员工配电脑、软件账号、云盘和报销额度；现在，研发、设计、产品、运营都可能需要模型调用额度。尤其在代码生成、Agent 工作流、视频生成、知识检索这些场景里，Token 就是干活的燃料。
问题在于，燃料发出去了，油耗怎么算，很多公司还没想清楚。
02. 吞金的 Agent，算不清的变量账
Uber 的内部数据，精准暴露了企业 AI 成本失控的核心机制漏洞。目前其 95% 的工程师常态化使用 AI 编码工具，单人每月 AI 调用成本达 500 至 2000 美元，70% 的代码提交由 AI 生成，AI Agent 每周可完成 1800 次代码变更，相关工作量占比从不足 1% 攀升至 8%。
从业务落地视角看，这是 AI 渗透率的大幅提升，但对企业财务部门而言，这意味着刚性可控的 IT 成本体系彻底被打破。
成本失控的根源，在于 AI Agent 的高消耗特性。Gartner 指出，完成同等任务量，Agent 的 Token 消耗是传统聊天机器人的 5 至 30 倍。高盛更是预测，到 2030 年，全球 Token 消耗量将达到每月约 120 quadrillion（约 12 亿亿），是 2026 年水平的 24 倍，驱动力正是企业端 Agent 的规模化部署。
传统 SaaS 按席位计费，IT 部门可以在采购时锁定全年支出上限。
AI 工具的成本结构与此根本不兼容。Token 账单随使用行为动态增长，而财务部门缺乏历史数据建立基准，IT 部门没有成熟工具进行实时追踪与成本分摊，业务部门推广使用时也没有同步建立成本归因机制。
不是 AI 没用，而是企业 FinOps 体系完全没跟上 AI 的消费速度。于是微软和 Uber 紧急踩下刹车。
03. 员工在薅羊毛，业务在画饼
国内公司的现状，和硅谷略有不同。硅谷的焦虑在于用量跑得太快、账单超支；而国内大厂更现实的尴尬是：钱花出去了，员工用得却不够深，实际业务价值看不清。
从 C 端数据来看，国内 AI 应用热度空前高涨。量子位智库 2026 年行业报告显示，今年 4 月国内 AI 应用 Web 端月访问量突破 9 亿次，APP 端月下载量超 2.4 亿、日活达 6.7 亿，同比增幅 223%。QuestMobile 数据同步印证，截至 2026 年 3 月，国内 AI 原生 APP 月活达 4.4 亿，豆包、千问、DeepSeek 稳居行业前三。
火热的 C 端数据，并未同步转化为企业端的生产力增量。
埃森哲 《2025 中国企业数字化转型指数》 数据显示，国内 46% 的企业已启动 AI 适配与落地，但仅 9% 的企业实现了显著的业务价值突破。绝大多数企业的 AI 落地，仍停留在浅层试用、盲目推广、摸索场景的初级阶段。
内容创作、客服问答、代码辅助等浅层场景，AI 落地门槛低、见效快；但在核心研发、供应链管理、财务风控、组织协同等关键业务环节，AI 落地的适配难度、合规门槛和落地成本都大幅提升。
大厂全员发放 Token 补贴的目的是靠资金让利降低 AI 试错成本，强行推动全员融入 AI 工作流。这套打法有一定的合理性：只有足够的使用密度，才能倒逼企业筛选出适配业务的真实场景，同时培养员工的 AI 使用习惯。
但问题是，只鼓励使用不建立价值度量，福利就会变成账单压力，同时衍生出卷“PPT”、卷“ 文档” 式的伪 AI 工作方式。
AI 对职场的渗透速度，远超预期。据 Cognizant 2026 年报告测算，美国 93% 的岗位都将不同程度受到 AI 冲击，这一行业预判比此前预估提前了整整 6 年。
主要岗位 AI 渗透正在呈现全面爆发态势。数据显示，2023 年管理、金融运营、行政支持类岗位的 AI 暴露度仅 14%-21%，如今已飙升至 60%-68%；律师岗位 AI 暴露度从 9% 跃升至 63%，就连 CEO 岗位的 AI 理论暴露度也突破 60%。报告同时强调，理论渗透不代表实际替代，责任问责、行业监管、人类主观判断，仍是制约 AI 全面落地的核心壁垒。
这意味着，AI 会继续进入更多岗位，Token 消耗也会从研发部门扩散到更广的组织层面。企业真正要面对的是如何判断一笔 Token 花得值不值。
04. 挤掉 Token 泡沫：从“ 用量崇拜” 转向“ 效率度量”
Token 本身不是问题，企业想要搭建成熟的 AI 生产力体系，必然需要充足的 Token 投入作为支撑。行业乱象的核心症结，从来不是“Token 用太多”，而是“ 把 Token 用量当成唯一目标”。
Meta 的 Token 排行榜机制，看似激活了全员 AI 使用热情，一定程度上推动了员工尝试新型 AI 工具，但无法规避核心漏洞：Token 消耗总量，与员工的业务产出毫无直接关联。
而微软、Uber 的成本危机也印证，单纯一刀切缩减 Token 额度，只是治标不治本，反而可能误伤真正高效的 AI 办公场景。
李彦宏尝试给出答案，他提出了 DAA 的概念：Daily Active Agent，他主张用每日活跃 Agent 数量来衡量 AI 的实际渗透程度，而不是 Token 消耗总量。这个方向不能说没道理，但具体计算方式也有待完善，毕竟一个活跃的 Agent 也未必真正跑通业务流程。
企业的核心转型方向，是摒弃 Token 崇拜、建立 AI 效率思维。
考核研发 AI 工作质量，重点要看 AI 代码的合并通过率、缺陷率、返工率和项目交付周期，而非调用频次；
考核客服场景，核心关注问题一次解决率、人工接管率与用户满意度；
营销内容场景，侧重产出效率、转化效果与合规风险把控；
针对 AI Agent 工作流，则需要重点排查无效重试、冗余上下文、不合理模型调用等浪费行为。
这套精细化的成本与价值管理体系，核心逻辑是要精准区分有效 AI 调用与无效资源消耗，斩断纯堆量的浪费行为。
随着 AI 深度落地，Token 将成为与电费、云服务、人力成本并列的核心生产开支。硅谷企业正在为盲目扩量补课，国内企业正在靠补贴普及 AI 使用。
从 Token 到 DAA，是从“ 烧了多少” 走向“ 跑了多少”，算是往前迈了一步。但“ 值多少” 这个问题，还没人真正给出答案。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
