AI 价格冲击：当企业炒作遇上 Token 账单

过去几年，企业界一直处于一场淘金热中。在错失恐惧症（FOMO）和前所未有的生产力承诺的驱动下，C-suite 高管们纷纷涌入，试图将 Large Language Models (LLMs) 集成到运营的每一个环节中。其策略很简单：大量购买许可证，看看哪些管用。

然而，蜜月期正在结束。美国企业界现在正经历“价格冲击”——一种突然且痛苦的意识到，运行这些 AI 系统所产生的成本往往超过了它们提供的切实的价值。从 Microsoft 取消 Claude Code 许可证到 Uber 的领导层承认 AI 成本正变得越来越难以证明其合理性，整个行业正在从盲目实验阶段转向被迫自律阶段。

“Tokenmaxxing” 时代

目前的财务压力很大程度上源于 Micro1 的 CEO Ali Ansari 所描述的一种现象，即“tokenmaxxing”。这是一种激进的推行方式，即在“使用量越多自动等同于价值越高”的假设下，尽可能多地消耗 AI tokens。

在一些极端案例中，缺乏监管导致了灾难性的账单。一位 AI 顾问报告称，一名客户在未能对员工许可证实施使用限制后，单月支出高达五亿美元。这种治理缺失凸显了一个根本性的脱节：虽然领导层将 AI 视为一种可扩展的生产力工具，但其底层的成本结构并非“自助餐式”的。

ROI 差距：为什么算不过来账

尽管支出激增，但许多公司发现，承诺的生产力提升其实是虚幻的。几个摩擦点正在导致这一差距：

1. 使用场景错位

正如 Microsoft 前首席 AI 官 Sophia Velastegui 所指出的，员工经常使用 AI 来自动化他们不喜欢的任务，而不是对公司有价值的任务。当 AI 被用于琐碎事务——例如查询天气或简化邮件——时，token 成本会迅速累积，却无法推动收入或战略增长。

2. “更多代码，相同时间线”悖论

在软件工程领域，AI 的影响尤其具有争议。虽然 GitHub Copilot 等工具增加了代码量和 merge requests (MRs) 的数量，但一些观察者指出，项目里程碑并没有因此提前达成。

“多亏了 AI，我们正在以比以往任何时候都更快的速度生产更多的代码和更多的 MRs，但里程碑并没有因此提前达成。实际上，情况可能适得其反。”

这表明，软件开发的瓶颈并不在于编写代码的速度，，而是架构、产品市场契合度以及问题解决——这些领域 AI 仍然难以提供决定性的优势。

3. 数据瓶颈与人为摩擦

AI agents 只有在它们能够访问的数据上才同样有效。当企业出于安全原因限制对专有数据的访问时，agents 变得不再那么有用，从而进一步侵蚀了 ROI。此外，“百花齐放”式的方法——在没有明确战略的情况下部署工具——使得许多组织陷入了碎片化的 AI 工具生态系统，这些工具之间无法沟通或提供凝聚性的价值。

反向叙事：破坏与策略

有趣的是，“价格冲击”可能并不完全是模型的错。一些社区成员建议，不满的员工（特别是 Gen Z 和 Millennials）可能会故意在无用任务上“燃烧 tokens”，作为对 AI 驱动的裁员和企业监控的一种无声反抗。

此外，从技术角度来看，目前的做法从根本上就是错误的。通过将 LLMs 视为必须“无所不知”的豪华版搜索引擎，公司被迫陷入了一场昂贵的硬件军备竞赛。一种更可持续的方法应该是将模型用于推理，同时将知识委托给更便宜、可扩展的软件工具，如数据库和 web search。

前瞻：修正还是管控？

企业目前正处于一个拐点。行业必须决定是过度修正并完全管控 AI 使用，还是转向一种更具纪律性、价值驱动的实施方式。

如果公司继续将 AI 视为创新的“魔杖”，他们很可能会继续看到令人失望的结果。真正的创新需要利用有限的资源解决真实的问题——这一过程无法通过一个旨在产生统计学平均结果的工具来自动化。下一波 AI 采用的挑战将是超越炒作，将 AI 视为解决特定高价值问题的精确工具，而非企业效率的全面解决方案。