过去两年，关于人工智能（AI）的公共讨论主要聚焦于其对就业市场的影响：哪些岗位将被重塑？哪些任务会被自动化？未来组织的人员配置将如何调整？
然而，在与企业客户的实际沟通中，一种新的焦虑正在浮现。随着董事会推动 AI 采纳、执行团队发起行动以及业务部门竞相寻找用例以应对竞争，账单开始成为焦点。
从创新热情到成本失控
科技新闻中关于“AI 支出失控”的报道日益增多。许多企业领袖指出，由于代币（token）的大量消耗和意外的高额发票，预算超支已成为常态。尽管各行业加速部署 AI，但许多组织发现自身对消费情况的洞察力远低于预期。
AI 并非单纯的创新工具，它伴随着明确的财务成本。每一次 AI 决策和行动都在产生费用：AI 不仅回答问题，还进行推理、重试、规划、触发电话呼叫，并利用数据和计算资源完成任务。如今，这些功能已深度集成至 Microsoft Copilot、Google Gemini、SAP、Workday 和 LinkedIn 等日常商业应用中。无论用户是否察觉，计费机制始终在运行。
对于许多组织而言，这一挑战超出了原有的准备范围。
云计算问题的规模化重现
十年前，企业在采用云计算时曾面临类似困境：团队快速提供服务，却缺乏治理、可见性和问责制，导致成本增长远超预期，最终迫使组织引入新的管理学科。
目前，AI 正在更大范围内制造同样的挑战。不同之处在于，AI 的使用不再局限于单一团队或部门，而是渗透至营销、销售、产品和开发等组织的各个角落。
除了嵌入现有商业应用的能力外，组织还在构建自定义代理和工作流程。根据高盛（Goldman Sachs）的预测，到 2030 年，代理式 AI（Agentic AI）将使代币消费量增加 24 倍。这意味着 AI 支出将在企业内部各处分散出现。
许多组织目前仍不清楚具体使用了哪些模型、哪些代理消耗了资源、哪些团队产生了最高成本，以及代币消耗与特定业务成果、价值和实际投资回报率之间的关联。缺乏这种可见性，组织便无法建立有效的治理、控制或问责基础。
隐性成本与虚假的节省
当组织基于预计的 AI 节约做出劳动力决策时，可见性的缺失变得尤为关键。常见的比较往往仅涉及薪资与 AI 许可证费用，但许可证仅是成本构成的一部分。
实际成本还包括代币消耗、基础设施、数据平台、云资源、失败的尝试、重试过程，以及验证输出和管理异常所需的人类监督。这些成本分散在不同的系统、团队和预算中，难以准确衡量。
薪资相对可预测，而 AI 成本则不然。同一任务的成本可能因选择的模型、提供的上下文量、系统重试次数以及所需的计算能力而产生巨大差异。这种波动意味着，从工资单上移除的角色并不自动转化为净节省，开支可能转移至其他领域：如云消耗、AI 服务、基础设施成本，或是负责审查产品和管理例外的员工额外工作负荷。
若缺乏对这些成本的全面可见性，组织实际上是在将薪资与假设进行比较，而非与真实的 AI 总拥有成本进行比较。
优化前的必要步骤：可见性
解决方案并非减缓创新或放弃 AI 计划，而是要求企业领导者深入了解 AI 在哪里创造价值、大规模运营的成本结构以及如何做出明智决策。这一切始于可见性。
组织需要识别整个业务中使用的所有 AI 应用程序、代理和模型。他们需要追踪代币消耗地点、成本累积位置，并将使用情况映射到具体的业务单元、产品和结果。
只有具备这种透明度，组织才能开始做出有关优化的明智决策。这可能包括为不同用例选择更合适的模型、识别不必要的消费、理解低成本替代方案是否能达到相同效果，或者发现少数用户或工作负载是否造成了不成比例的支出。
这些问题是可以解决的。相比之下，在不了解经济学原理之前做出财务决策的风险要大得多。
AI 代币经济的兴起
AI 已进入推理经济时代，成本由使用量、代币和实时执行驱动。代币正成为 AI 支出、价值和定价的基本原子单位。随着 AI 在企业中的普及，组织需要新的方法来管理、测量和优化消费，以便以可负担的规模运行 AI。这促使“AI 代币经济学”这一新兴学科变得日益重要。
当前所见的是一个新经济管理模式的开端，许多公司尚不具备相应的管理能力。随着 AI 融入应用程序、代理和工作流程，了解消费情况变得与了解采用率同等重要。
最终，组织应关注的不仅是 AI 的成本，更是其回报：它创造了什么商业价值？改善了哪些结果？其价值量化是多少？能够自信回答这些问题的组织，将能更好地决定 AI 适用的场景及其提供可衡量结果的潜力。
在计算由 AI 驱动的裁员节省之前，首先要了解所做工作的全部成本。获得最大价值的组织不会基于效率做出最快的假设，而是依据可见性、证据以及对技术实际成本的清晰理解来做出决定。
