AI賬單暴漲，實際效益難言：誰在助推“Token通脹”？

作者丨青風

編輯丨六子

100000000000000。

100萬億，1后面跟著14個0。這無疑是個天文數字，但可能還不到國人每天Token消耗量的一半。

2026年上半年，從中關村到硅谷，大廠茶水間里最熱的話題變成了一句：“你今天燒了多少？”幾十萬、幾百萬、幾千萬？旁邊桌吃飯的騎手聽見了，大概率以為這哥們在吹牛，或者腦子有毛病。其實沒扯謊，他們聊的不是人民幣，是Token。

Token和真金白銀之間雖然隔著數量級，但架不住后面的0漲得太兇。據報道，國外一家企業給員工批量開通Anthropic的Claude企業授權時忘了設消費上限，一個月后賬單出來——5億美元，約合人民幣34億元。

國內近期有個案例是米哈游，《崩壞》系列技術團隊負責人鄭銀河在2026年5月阿里云峰會上自曝：一名工程師測試多Agent協作時沒設置熔斷，數十個智能體陷入循環調用，13小時燒掉200萬元Token賬單。

賬單炸了，但問起AI帶來了什么實際效益？多數人可能會面露尷尬。米哈游工程師燒掉的200萬元，足夠支付一個小型研發團隊整月的薪資，最終換來了的卻只是一整夜毫無產出的“AI摸魚”。

或許，企業里只有HR完成了裁員KPI，老板轉頭把省下的人力成本又砸去建AI、買Token。

單位價值稀釋，消耗規模指數膨脹，投入與產出錯位——Token作為AI時代的硬通貨，正呈現出典型的通脹特征。而且其通脹程度，可能比津巴布韋人民扛一麻袋錢買大米還要瘋。

那么，到底是誰在為“Token通脹”推波助瀾？

*圖源互聯網

01
「從極大化使用，到限量使用」

2026年上半年，硅谷刮起一股名為"Tokenmaxxing"（極大化Token使用量）的風潮。大廠們主動鼓勵員工盡可能多地消耗Token，甚至將Token消耗量與KPI直接掛鉤。

Meta內部上線了追蹤8.5萬名員工Token消耗的排行榜，給排名靠前的員工授予“Token傳說”“緩存大師”等稱號；亞馬遜推出內部AI使用榜單“KiroRank”，將消耗數據納入團隊考評。

英偉達CEO黃仁勛的言論更火上澆油："如果我的工程師消耗的Token價值達不到他們年薪的一半，我會深感憂慮。"

國內廠商迅速跟進。騰訊在2026年3月推出全員AI激勵計劃，為員工提供每人年均22萬元的Token資源，覆蓋Cursor、CodeBuddy等多款國內外工具，內部也一度出現Token消耗排行榜。

于是，不出意外的，它們的AI賬單，都失控了。

短短30天，Meta員工消耗了60.2萬億token，成本超1億美元；Uber僅用4個月就耗盡了2026年全年的AI預算，管理層不得不緊急出臺限額令，每位員工每月AI工具費用不得超過1500美元；亞馬遜也開始推行嚴格的Token限額管理，高級副總裁Dave Treadwell甚至親自下場喊話“別為了用AI而用AI”。

就在上個月，騰訊內部也下發額度調整通知：全員Token配額大幅縮水，核心研發團隊月額度從寬松狀態收緊至7000元，外包崗位更是砍到1000元。

從全員敞開用，到限額使用，短短三個月，畫風突變。究其原因，無非是飛起的賬單讓財大氣粗的大廠們都頭皮發麻。

正如OpenAI CEO山姆·奧特曼近日在一個企業客戶活動上所說：“今年年初，AI運行成本還是一個從未被提起的問題，現在突然變成了一個巨大的問題?！?/p>

這背后是需求的爆炸式增長。國家數據局數據顯示，2026年3月中國日均Token調用量已突破140萬億，而2024年初僅為1000億，兩年增長超千倍。

而從全球范圍來看，這個增長趨勢還未看到放緩的苗頭。高盛近期發布的報告，預計到2030年，全球Token月消耗量將比2026年增長24倍，達到約120千萬億（120 quadrillion）個Token/月，其中企業級智能體是核心增長動力。

*圖源高盛

Token賬單失控還帶來一個副作用。為了填平AI的成本窟窿，今年一季度，海外十幾家科技巨頭裁員超4萬人，程序員首當其沖；而在國內，“630”成了不少互聯網人共同的Last Day。

在Meta，已經幾乎沒有人手寫代碼；在國內頭部大廠，新增代碼中最高90%由AI生成。AI代碼率的飆升，直接導致了人員需求的下跌，以及隨之而來的職場震蕩。

02
「Token賬單暴漲之謎」

賬單費用=用量 X 價格。這道簡單的公式背后，藏著兩層不那么透明的推高邏輯，最終疊加形成了指數級的成本膨脹。

很多人有個錯覺：大模型價格一直在降，AI不是越來越便宜嗎？實際上，這只說對了一半——便宜的永遠是通用輕量模型，而企業真正剛需的編程、長上下文、復雜推理等高價值場景，價格非但沒降，反而在逆勢上漲。

Anthropic推出的安全增強版模型Fable 5，定價達到每百萬Token輸入10美元、輸出50美元，是同期Opus系列的兩倍。

國內的智譜AI也是一個典型樣本。據天眼查，2026年一季度，智譜伴隨新模型迭代連續三次上調核心API價格，累計漲幅達83%；其面向通用場景的GLM-4.7輕量模型，輸入價格僅2-4元/百萬Token，輸出8-16元；但對準編程與Agent場景的GLM-5.2，輸入價格漲到8元，輸出高達28元，兩者價差最高達4倍。

此外，騰訊云在2026年3-4月經歷兩輪調價，混元HY 2.0 Instruct模型輸入價格漲幅高達463%；MiniMax核心模型價格也有30%-50%的上調。

與此同時，模型廠商的計費模式從訂閱制全面轉向按量付費，廠商的收入直接和Token消耗量掛鉤。這就形成了一個結構性矛盾：客戶的目標是用最少的Token完成任務，而廠商的商業利益天然傾向于讓客戶消耗更多Token。

而從實際數據來看，近來Token消耗量的增長不是線性的，而是指數級的。

2025年底至今，AI產業最核心的變化，是從對話式AI向智能體Agent躍遷。AI不再是一問一答的線性交互，而是自主規劃、循環調用、多輪糾錯的復雜流程，Token消耗也隨之從線性增長變成指數膨脹。

*圖源互聯網

Agent雖然能力強大，但據騰訊研究院分析，它其實隱藏著幾類典型的低效消耗：

一是上下文陷阱，智能體每一步操作都會重復帶入歷史對話、工具日志和文件內容，同一批信息被反復計費；

二是技能Skill冗余，對49個軟件工程技能的基準測試顯示，79.6%的技能對任務通過率沒有任何提升，卻最高帶來451%的Token開銷增長；

三是多Agent的“溝通稅”，多個智能體分工協作時，會不斷重復任務背景、結論和格式化套話，每一次對話都是一次重復計費；

四是長任務的“熵增”，任務鏈條越長越容易跑偏，而為了糾偏又要增加摘要、檢查、回滾機制，進一步推高消耗。

這些損耗不是簡單的加和，而是互相疊加的乘積效應。一個復雜的多Agent任務，可能有近一半的Token花在了內部協調、自我糾偏和重復讀取上，真正用于生成有效內容的比例并不高。對缺乏技術能力的普通企業而言，這更是一筆看不清、算不明的糊涂賬。

03
「踏空的恐懼」

如果說大模型廠商的產品和定價策略是外部的“陽謀”，那么企業內部的Token消費，則是一場自上而下的“自我掏空”。

擔心踏空AI變革的浪潮，企業紛紛拼命擁抱AI。這種壓力自然會傳導到每個員工身上，尤其在AI替代裁員的陰影下，員工普遍把“會用AI、多用AI”當成安全感來源。

不少公司把AI代碼率、工具使用時長寫進了OKR，甚至上線全員可見的數據看板，倒逼每個人刷消耗。簡單的郵件回復、基礎代碼片段、常規數據查詢，明明用搜索引擎或人腦幾秒就能解決，也要交給大模型跑一遍——反正預算不是自己掏，用得越多越顯得“擁抱變革”。

企業這般將Token消耗量與員工績效掛鉤，默認“用了多少AI”等同于“創造了多少價值”，并愿意為此支付高額賬單。

有人說，這是歷史規律。歷史上每一次通用技術革命，都走過相似的路徑。蒸汽機剛發明時，工廠主算完賬發現還不如用馬匹便宜；電燈剛商用時，成本遠高于煤氣燈。

但不同的是，電力消耗產出的是實實在在、可衡量的工廠效益，但Token換來的“智能”，到底創造了多少價值？答案是，目前還難以量化。

據晚點LatePost報道，一位互聯網大廠技術管理者坦言，自己部門20多個人，一個月消耗5萬元Token，回頭看卻沒沉淀出幾個可落地的成果。這筆錢相當于10名實習生的月薪，化作無形的Token之后，連清晰的產出物都沒有。

*圖源互聯網

企業往往認為用AI替代人工是節省了成本。但反常識的是，大量基礎場景里，用AI反而比人工更貴。

國內某人力資源服務商做過測算：用AI篩選并初評一份簡歷，Token加系統成本約1.2元/份，而雇傭兼職人事處理的成本僅0.8元/份。類似的情況在數據標注、基礎文案撰寫、簡單客服問答中普遍存在。

AI還有更隱蔽的成本。有軟件公司的研發負責人反饋，引入AI編程工具后，初級開發的效率看似提升了，但高級工程師的評審工作量翻倍，線上故障的返工成本增加了30%以上，算總賬反而不劃算，而且，人反而更累了。

這正是Token經濟最核心的矛盾：Token消耗與價值創造之間，從來不是線性關系。不是消耗的Token越多，產出的價值就越大；相反，很多時候消耗的增長恰恰來自無效的循環、冗余的架構和盲目的焦慮。

04
「寫在最后」

回到最初的問題，誰在推動“Token通貨膨脹”？不是某一家AI廠商的惡意營銷，也不是某幾個員工的濫用浪費，而是在座的所有人。

從賣GPU賣存儲的底層算力基礎設施，到大模型架構的天然膨脹屬性；從每一個怕踏空AI而焦慮的企業，直至每一位擔心落伍的員工——所有人，共同推高了Token的消耗，推動了Token的貶值，也推高了那本越來越厚的AI賬單。

每個人都助推了Token的通脹。而每個人又在自己的推力下被拉得踉踉蹌蹌。