7 月 6 日，特斯拉一纸内部备忘录，给整个 AI 行业浇了一盆冷水。
每名员工每周使用第三方 AI 工具的支出上限被卡在 200 美元，超额需要主管审批。几个月前，这家公司还在内部搞「Token 消耗排行榜」，鼓励员工多用 AI、拥抱未来。而现在，部分工程师每周烧掉数千美元的好日子，到头了。
有意思的是，马斯克自家 xAI 的 Grok 不在此限。但员工用脚投票——大多数人宁可自掏腰包或者申请额度，也要继续用 Claude。
这件事单独看，不过是一家公司的成本管控。但把最近半年的新闻串起来看，你会发现这不是孤例，而是一场席卷全行业的集体转向。
AI 公司真正的敌人，从来不是隔壁发布了更强的模型。而是有一天，客户突然安静下来，打开 Excel，开始一笔一笔算账。
一、从「卷 Token」到「限 Token」，只用了半年
2026 年初的硅谷，还是另一番景象。
那时流行一个词叫「Tokenmaxxing」——Token 最大化。公司鼓励员工尽可能多地消耗 Token，谁用得多谁就先进，谁烧得狠谁就拥抱未来。有些团队甚至把 Token 消耗量跟 KPI 挂钩，排行榜上名列前茅的员工，脸上都有光。
然后账单来了。
最先爆雷的是 Uber。 2025 年底，公司给大约 5000 名工程师全面开放 Claude Code，管理层的态度很明确：大力推、全面上。结果仅仅四个月，原本为 2026 全年准备的 AI 编程工具预算，直接被烧穿了底。
人均月账单在 500 到 2000 美元之间浮动，使用率从最初的 32% 狂飙到 84%，代码库里 70% 的提交都带着 AI 痕迹。数字很漂亮，但 Uber 总裁兼首席运营官 Andrew Macdonald 说了一句大实话：Token 消耗量确实在激增，但我们还很难把它和用户能感知到的功能提升直接联系起来。
翻译成人话：钱花了，效果在哪？说不清楚。
紧接着是微软。这家向 Anthropic 投了 50 亿美元的科技巨头，在 2026 年 5 月突然宣布：6 月 30 日前，取消体验与设备部门大部分工程师的 Claude Code 直接许可证，全员迁移到自家的 GitHub Copilot CLI。
官方说法是「统一工具链」，但明眼人都看得出来——这首先是一笔财务账。Claude Code 按 Token 计费，越好用员工用得越多，用得越多账单越高。自家产品哪怕能力差一点，至少成本可控、肥水不流外人田。
更荒诞的故事发生在亚马逊。这家云计算霸主内部有个叫 KiroRank 的排行榜，按工程师消耗的 Token 量排名。初衷是激励大家拥抱 AI，结果员工很快找到了「优化空间」：派 Agent 去执行大量无意义的任务，纯刷 Token 消耗量。
最后亚马逊高级副总裁 Dave Treadwell 亲自下场，说了一句被业内反复引用的话：「不要为了用 AI 而用 AI。」
排行榜随即下线，考核指标换成了「标准化部署量」——你用 AI 交付了多少有用的东西，而不是烧了多少钱。
国内也没好到哪里去。腾讯内部额度收紧，核心研发团队月额度压到 7000 元，外包砍到 1000 元。从全员敞开用到分级限额，只用了三个月。
连 OpenAI 的 Altman 都松了口。他说一年前根本没人提的 AI 运行成本问题，现在突然变成了巨大的问题——客户真的在说，我们第一季度就花光了全年预算。
从「比谁用得多」到「比谁会省」，这场转向只用了半年。
二、AI 把软件的钱，收出了水电费的账
大多数分析都停留在「企业开始理性了」这个层面，但这背后有一个更本质的问题很少被讲透：
AI 的成本结构，从根上就不是软件。
传统 SaaS 为什么是门好生意？因为一次开发、无限复制。你多卖一份 Office、多开一个 Salesforce 账号，厂商的边际成本几乎为零。所以它可以按座位包月，企业财务也能精准预算——多少人、多少钱，算得明明白白。
但大模型不是这样。你每问一个问题，每读一份文档，每生成一段代码，背后都是 GPU 在转、内存在跑、电表在跳。它的成本逻辑不像软件，更像水电煤——用多少，烧多少。
更要命的是，AI 正在从聊天机器人进化成 Agent。
普通聊天机器人，你问一句，它答一句，成本可控。但 Agent 不一样，你给它一个目标，它会自己读文件、搜代码、调工具、写程序、跑测试、发现错误、反思重试，循环往复直到完成或者失败。
它不睡觉，但它烧钱。
2026 年 4 月，斯坦福、MIT 等机构联合发布了一项研究，系统分析了 8 个前沿大模型在 Agent 编码任务中的 Token 消耗模式，结论非常惊人：
Agent 任务消耗的 Token 量，是普通代码问答的约 1000 倍。
差了整整三个数量级。钱主要不是花在「写代码」上，而是花在「读代码」上——Agent 每执行一步，都要把整个项目的上下文重新喂给模型。这就像请了一个修理工，每拧一下螺丝之前，都要把整栋楼的图纸从头念一遍给他听，念图纸的钱远比拧螺丝贵。
更反常识的是：烧更多 Token，并不必然得到更好的结果。
同一任务重复运行，Token 消耗最高可以相差 30 倍；很多任务在中等成本时准确率就已经达到峰值，之后继续堆计算量，收益开始饱和甚至下降。
这就构成了 AI 时代最棘手的一道财务题：支出不稳定，结果不确定，连模型自己都没法准确预测最终要花多少钱。
CFO 不怕贵，怕的是无法预测的贵。你告诉她这个部门一年要花一千万，她能做预算。但你告诉她可能一百万也可能五千万，她晚上会睡不着觉。
而杰文斯悖论还在雪上加霜。贝恩的数据显示，2024 年底到 2025 年底，AI 模型单价下降了约 50%，但同期 Token 总消耗量增长到原来的 4.5 倍。单价腰斩，用量翻四倍半，总账单不降反升。
高盛的测算更吓人：AI 智能体完成单个任务所需的算力，最高是普通聊天机器人的 50 倍；未来四年，智能体 Token 消耗量还将增长 24 倍。
技术越进步，效率越高，总账单反而越膨胀。这就是 AI 版的效率陷阱。
三、真正的病根：不是 AI 太贵，是账没算对
很多人把这轮收紧解读为「AI 泡沫破裂」，我不同意。
企业砍预算，砍的不是 AI，砍的是「信仰式花钱」。
前两年企业买 AI，买的其实是一张「免罪符」。董事会问「我们的 AI 战略是什么」，你得有得说；竞争对手全员上 Copilot，你不能落后；行业都在谈 AI 转型，你不能显得落伍。
这种 FOMO 驱动的预算，有一个特点：花的时候不问效果。因为买的本来就不是效果，是心理安慰，是政治正确。
但心理安慰是有保质期的。
当账单越堆越高，当 CFO 开始追问 ROI，当经济环境一收紧，最先挨刀的就是这种「说不清楚价值」的开支。
这里有一个特别扎心的结构性问题：大多数公司采用的「AI 副驾」模式，从财务上天生就是算不过账的。
你给年薪 30 万美元的工程师配上 AI 工具，他的产出提升了 20%，但他的工资一分没少。公司的成本结构变成了「原有工资 + 新增 Token 账单」，而产出提升 20% 并不等于营收增加 20%——他写得更快，不代表产品卖得更多。
人没少招，钱没少花，还多了一笔 AI 开销。这不是降本增效，这是增本加「销」。
反过来，真正算得过来账的是另一类公司。YC 今年春季批次里，不少创业公司只用 5-6 个人就干完了过去 20-30 人的活。Token 成本确实高，但人员成本砍了一大截，整体反而盈利。
所以问题从来不在 AI 本身，而在组织。在旧流程上叠一层 AI，等于给低效装了个按秒计费的发动机。
这也是为什么亚马逊那句「不要为了用 AI 而用 AI」分量这么重。它说出了一个所有人都心知肚明但没人愿意戳破的事实：很多 AI 支出，从一开始就不是为了解决问题，而是为了表演先进。
Token 使用量，可能是这个时代最荒唐的生产力指标。一个员工烧掉 100 万美元 Token，不代表创造了 100 万美元价值，他也可能只是特别不会用 AI。
真正会用 AI 的人，不是用得最多的人，而是用最少的计算量解决最大问题的人。
四、算账时代，整个行业都要重写规则
客户开始算账，影响远不止「AI 公司日子不好过」这么简单。我看到三层深刻的变化正在发生。
第一层，采购逻辑彻底变了
FinOps 基金会 2026 年的报告显示，98% 的 FinOps 团队现在承担着管理 AI 支出的职责，而这个数字在两年前只有 31%。AI 从创新预算里的一笔糊涂账，正式进入了成本核算的正经科目。
以后企业不会再问「我们要不要全员上 AI」，而会问一串更具体的问题：谁应该用最好的模型？什么任务值得调用最贵的模型？每一美元 AI 成本创造了多少可验证的价值？做到什么程度就该停止？
企业内部会出现一套全新的 AI 等级制度：简单总结用小模型，普通写作用便宜模型，复杂分析才调用旗舰模型，真正高价值的代码和战略决策，才允许长时间深度推理。
现在已经有人把这种趋势总结为从「Tokenmaxxing」转向「Modelmaxxing」——不再追求无限制烧 Token，而是根据任务在不同价格和能力的模型之间智能路由。
第二层，定价模式要换血
按座位收费的 SaaS 时代正在落幕，按 Token 收费也只是过渡，终局是按结果收费。
Intercom 的 Fin AI Agent，每成功解决一个客户问题收 0.99 美元，没解决转人工的不收费。Zendesk 的 AI Agent，每次自动解决收 1.5 到 2 美元。Salesforce 的 Agentforce 也在往这个方向走。
这个转变的意义怎么高估都不为过。
以前是「AI 犯错，客户买单」。Agent 调用了 50 次工具，错了 40 次，客户照样付 50 次的钱。AI 读了 100 万个 Token 最后给了错误答案，成本全部由客户承担。
按结果收费之后，风险彻底转移了。AI 走了弯路，供应商自己扛；AI 失败了，供应商自己吞掉计算成本。谁的模型效率高、少绕路，谁赚钱；谁的 Agent 喜欢瞎折腾，谁亏钱。
到那个时候，AI 公司才真正进入商业世界。
第三层，财务逻辑反过来重塑技术路线
过去三年，AI 发展的逻辑非常简单：只要能力更强，钱不是问题。模型越做越大，参数越来越多，推理越来越深，没有人在乎成本。
但当客户开始精打细算，未来真正重要的就不只是「更大的模型」，而是更便宜的推理、更好的路由、更高的缓存命中率、更小的专用模型、更高效的芯片。
财务部门最终会反过来影响模型架构。
这也是为什么 DeepSeek 式的低成本创新杀伤力如此巨大。它改变的不是一张跑分榜，而是客户的心理价格锚点。一旦有人证明 10 美元可以办成的事，就再也没有人愿意为同样的结果支付 100 美元。
上游几千亿美元的算力豪赌，最终都要靠下游企业的账单来还。下游开始一个座位一个座位地抠，上游的宏大叙事就得一个数据中心一个数据中心地接受拷问。
五、这不是葬礼，是成人礼
有人问：企业开始砍 AI 预算，是不是说明 AI 不行了？
恰恰相反。这是一个产业开始成熟的标志。
历史上每一次技术革命，都要经历从「信仰」到「会计」的阶段。铁路狂热的时候人人买铁路股，泡沫破了之后，铁路才真正开始赚钱。互联网 2000 年崩盘，之后才长出亚马逊和谷歌。云计算刚出来的时候大家觉得计算资源取之不尽，后来催生了整个 FinOps 行业，专门帮企业查哪台服务器在偷偷烧钱。
AI 也逃不过这一关。
Gartner 最新预测，2026 年全球 AI 支出将达到 2.59 万亿美元，同比增长 47%。总盘子还在暴涨，但钱会越来越难赚。能创造价值的 AI 越来越受欢迎，只会烧 Token、堆参数、讲故事的产品越来越难活。
这就是成熟的代价。
以前 CEO 问：我们公司有多少人在用 AI？
以后 CFO 会问：用了以后，少招了几个人？多赚了多少钱？产品提前了几天上线？客户投诉下降了多少？
如果什么都回答不出来，一天调用一亿次模型也没有意义。
所以我说，AI 公司真正应该害怕的，从来不是竞争对手又发布了一个更强的模型。模型输了，可以继续训练；价格贵了，可以继续降价。那些都是明枪，躲得过、打得过。
真正可怕的是有一天，客户不再讨论你的参数量，不再关心你的跑分，也不再为演示视频惊叹。他只是安静地打开财务报表，把一年的 AI 费用加起来，然后问一句：
「所以，这些钱到底给我赚回来了多少？」
当这个问题越来越多人开始问的时候，真正的淘汰赛才刚刚开始。
因为客户从来不需要 Token。
客户甚至不需要 AI。
客户只需要结果。
而直到 2026 年，整个 AI 行业才终于开始认真面对这件事。
