AI账单暴涨，实际效益难言：谁在助推“Token通胀”？

Token消耗量呈现惊人的增长，其背后是AI成本的急剧上升，而实际效益却难以匹配。

100万亿，这个以“1”开头的数字后面伴随着14个零，代表着惊人的数量级。这甚至还不足以完全涵盖国内用户每天的Token使用量。到了2026年上半年，从科技中心的硅谷到中关村，企业内部最普遍的讨论已转变为“你今天消耗了多少Token？”。这个数字可能是几十万、几百万，甚至是几千万。对于旁观者而言，这听起来可能像是在夸大其词，甚至让人怀疑对方的理智。然而，这并非虚言，讨论的焦点是Token，而非人民币。

尽管Token与实际货币之间存在巨大的数量差距，但Token数量的飞速增长却是不争的事实。据报道，一家国外企业在为员工批量开通Anthropic的Claude企业版时，未能设置消费上限，结果一个月后收到了一张高达5亿美元（约合34亿元人民币）的账单。

在国内，近期米哈游也曝出了类似的案例。在2026年5月的阿里云峰会上，《崩坏》系列技术团队的负责人郑银河透露，一名工程师在测试多Agent协作功能时，由于未设置熔断机制，导致数十个智能体陷入了无限循环调用，短短13小时内便产生了200万元的Token费用。

尽管Token账单金额巨大，但当被问及AI带来了哪些实际效益时，大多数人可能都感到难以启齿。米哈游工程师那笔200万元的Token费用，足以支付一个小型研发团队一个月的薪资，然而最终的回报却仅仅是一夜之间毫无产出的“AI摸鱼”。

或许，企业中只有人力资源部门完成了裁员的KPI，而企业主则将节省下来的人力成本重新投入到AI建设和Token采购中。

随着单位价值的稀释和消耗规模的指数级增长，投入与产出之间的错位日益明显。Token，作为AI时代的关键要素，正显现出典型的通货膨胀特征，其通胀程度甚至可能比津巴布韦的货币贬值还要迅猛。

那么，究竟是谁在助推这种“Token通胀”？

01 从“用够”到“用好”：使用策略的转变

2026年上半年，一股名为“Tokenmaxxing”（最大化Token使用）的潮流席卷了硅谷。大型科技公司甚至鼓励员工尽可能多地消耗Token，并将Token消耗量与绩效考核直接挂钩。

Meta内部设立了追踪8.5万名员工Token消耗量的排行榜，并为排名靠前的员工颁发“Token传说”、“缓存大师”等称号。亚马逊推出了名为“KiroRank”的内部AI使用排行榜，将Token消耗数据纳入团队的绩效评估体系。

英伟达CEO黄仁勋的言论更是火上浇油：“如果我的工程师消耗的Token价值达不到他们年薪的一半，我会深感担忧。”

国内厂商也迅速跟进。腾讯在2026年3月推出了面向全体员工的AI激励计划，为每位员工提供了年均22万元的Token资源，涵盖Cursor、CodeBuddy等国内外多款工具，公司内部也一度出现了Token消耗排行榜。

不出所料，这些公司的AI账单也随之失控。

在短短30天内，Meta的员工消耗了60.2万亿Token，成本超过1亿美元。Uber仅用了4个月就耗尽了2026年全年的AI预算，管理层不得不紧急出台了限制令，规定每位员工每月AI工具费用不得超过1500美元。亚马逊也开始实施严格的Token限额管理，高级副总裁Dave Treadwell甚至亲自出面呼吁“不要为了使用AI而使用AI”。

就在上个月，腾讯内部也发布了额度调整通知：全员Token配额大幅缩减，核心研发团队的月度额度从之前的宽松状态收紧至7000元，而外包岗位的额度更是被削减至1000元。

从全员敞开使用到实施限额管理，短短三个月内，情况发生了急剧转变。究其原因，无非是飙升的账单让即使是财力雄厚的大公司也感到难以承受。

正如OpenAI首席执行官Sam Altman在近期的一次企业客户活动中所说：“今年年初，AI的运行成本还是一个从未被提及的问题，现在它突然变成了一个巨大的问题。”

这背后是需求的爆炸式增长。国家数据局数据显示，2026年3月，中国日均Token调用量已突破140万亿，而2024年初仅为1000亿，两年时间增长超过千倍。

从全球范围来看，这种增长趋势尚未出现放缓的迹象。高盛近期发布的报告预测，到2030年，全球Token月消耗量将比2026年增长24倍，达到约120千万亿（120 quadrillion）Token/月，其中企业级智能体将是主要的增长动力。

Token账单的失控也带来了另一个负面影响。为了弥补AI的成本缺口，今年第一季度，全球十几家科技巨头裁员超过4万人，其中程序员首当其冲；而在国内，“630”成为了许多互联网从业者的共同“最后一天”。

在Meta，几乎已经没有人手动编写代码；在国内的头部大厂，新增代码中高达90%由AI生成。AI代码生成率的飙升直接导致了人力需求的下降，并引发了随之而来的职场动荡。

02 Token账单飙升之谜

账单费用由“用量”和“价格”两个因素决定。在这看似简单的公式背后，隐藏着两层不透明的推高逻辑，最终叠加导致了指数级的成本膨胀。

许多人存在一种误解：大模型的价格一直在下降，AI不应该越来越便宜吗？实际上，这只说对了一半——价格持续下降的往往是通用型轻量模型，而企业真正刚需的编程、长上下文处理、复杂推理等高价值场景，其价格不仅没有下降，反而呈现出逆势上涨的趋势。

Anthropic推出的安全增强版模型Fable 5，其定价高达每百万Token输入10美元、输出50美元，是同期Opus系列的两倍。

国内的智谱AI也是一个典型例子。据天眼查数据显示，2026年第一季度，智谱AI伴随新模型的迭代连续三次上调了核心API的价格，累计涨幅达到83%。其面向通用场景的GLM-4.7轻量模型，输入价格仅为2-4元/百万Token，输出价格为8-16元；然而，针对编程和Agent场景的GLM-5.2，输入价格上涨至8元，输出价格高达28元，两者价差最高可达4倍。

此外，腾讯云在2026年3月至4月经历了两次调价，混元HY 2.0 Instruct模型的输入价格涨幅高达463%；MiniMax的核心模型价格也有30%-50%的上调。

与此同时，模型厂商的计费模式已从订阅制全面转向按量付费，这意味着厂商的收入直接与Token消耗量挂钩。这就产生了一个结构性矛盾：客户的目标是以最少的Token完成任务，而厂商的商业利益则天然地倾向于让客户消耗更多的Token。

从实际数据来看，近来Token消耗量的增长并非线性，而是呈现指数级增长。

自2025年底至今，AI产业最核心的变化是从对话式AI向智能体（Agent）的跃迁。AI不再是简单的问答式线性交互，而是演变为自主规划、循环调用、多轮纠错的复杂流程，Token消耗也随之从线性增长转变为指数级膨胀。

Agent虽然能力强大，但据腾讯研究院分析，它隐藏着几类典型的低效消耗模式：

• **上下文陷阱：**智能体在每一步操作中都会重复地带入历史对话、工具日志和文件内容，导致相同的信息被反复计费。
• **技能冗余：**对49个软件工程技能的基准测试显示，79.6%的技能对任务通过率没有带来任何提升，却最高增加了451%的Token开销。
• **多Agent的“沟通成本”：**当多个智能体协同工作时，它们会不断重复任务背景、结论和格式化的套话，每一次对话都意味着一次重复计费。
• **长任务的“熵增”：**任务链条越长，越容易偏离预期。为了纠正偏差，需要增加摘要、检查、回滚等机制，进一步推高消耗。

这些损耗并非简单的加总，而是相互叠加的乘积效应。一个复杂的多Agent任务，可能近一半的Token被用于内部协调、自我纠错和重复读取，真正用于生成有效内容的比例并不高。对于缺乏技术能力的企业而言，这更是一笔难以看清、无法计算的糊涂账。

03 错失的恐惧

如果说大模型厂商的产品和定价策略是公开的“阳谋”，那么企业内部的Token消费则是一场自上而下的“自我消耗”。

**担心错过AI变革浪潮的企业，纷纷不遗余力地拥抱AI。**这种压力也自然而然地传递到每一位员工身上，尤其是在AI可能取代人类岗位的阴影下，员工普遍将“会用AI、多用AI”视为获得安全感的方式。

许多公司将AI代码生成率、工具使用时长纳入OKR考核，甚至上线全员可见的数据看板，迫使每个人都去“刷”消耗量。明明可以通过搜索引擎或人力在几秒钟内解决的简单邮件回复、基础代码片段、常规数据查询，也要交给大模型处理一遍——反正费用不是自己掏的，用得越多似乎越能体现“拥抱变革”。

企业将Token消耗量与员工绩效挂钩，默认“使用了多少AI”等同于“创造了多少价值”，并愿意为此支付高昂的账单。

有人认为，这是历史的必然。历史上每一次通用技术革命，都走过类似的道路。蒸汽机刚发明时，工厂主计算后发现，使用马匹比蒸汽机更经济；电灯刚问世时，其成本远高于煤气灯。

但不同的是，电力消耗产出的是实实在在、可衡量的工厂效益，而Token换来的“智能”到底创造了多少价值？答案是，目前仍难以量化。

据“晚点LatePost”报道，一位大型互联网科技公司的技术管理者表示，他部门的20多人，一个月消耗了5万元Token，但回顾下来，却未能沉淀出几个可落地的成果。这笔钱相当于10名实习生的月薪，化为无形的Token后，甚至连清晰的产出物都没有。

在许多基础场景中，使用AI反而比人工成本更高。

国内一家人力资源服务商进行过测算：使用AI筛选并初步评估一份简历，Token和系统成本约为1.2元/份，而雇佣兼职人事处理的成本仅为0.8元/份。类似的情况在数据标注、基础文案撰写、简单客服问答等场景中也普遍存在。

**AI还带来了更隐蔽的成本。**有软件公司的研发负责人反馈，引入AI编程工具后，初级开发人员的效率看似提升了，但高级工程师的评审工作量翻倍，线上故障的返工成本增加了30%以上。总账算下来，反而不划算，而且，员工的工作负担更重了。

这正是Token经济最核心的矛盾所在：Token消耗与价值创造之间，从来都不是简单的线性关系。消耗的Token越多，产出的价值并不一定越大；相反，很多时候消耗的增长恰恰源于无效的循环、冗余的架构和盲目的焦虑。

04 结语

回到最初的问题，谁在推动“Token通货膨胀”？这不是某个AI厂商的恶意营销，也不是少数员工的滥用浪费，而是我们所有人。

从提供底层算力基础设施的GPU和存储供应商，到大模型架构固有的膨胀属性；从每一个担心错过AI浪潮而焦虑的企业，直到每一位担心落伍的员工——所有人，共同推高了Token的消耗，加速了Token的贬值，也催生了那本日益增厚的AI账单。

每个人都在助推Token的通胀，而每个人又在自身推力的作用下步履蹒跚。