Token账单失控与40%项目停摆，AI投资正撞上定价悬崖

“他们不是在为模型付费，他们是在为Token付费。而这两件事，正在变成两种完全不同的生意。”

这句话是上周一个做企业AI咨询的朋友跟我说的。他刚从一家制造业客户那里回来，对方上了三个生成式AI项目，两个已经悄悄停了。不是效果不好，是账单扛不住。

Token正在变成企业AI的隐形黑洞

野村最近的一份分析报告给出了一个让人坐不住的数：尽管AI投资在激增，但只有13%的组织从生成式AI投资中获得了显著的企业级价值，40%的项目根本没达到目标。

注意，这不是“效果不够惊艳”的问题，是40%的项目直接没达标。

钱花出去了，模型部署了，员工培训做了，然后呢？然后发现每个月的Token消耗量在非线性增长。野村特别点出了一个概念叫“定价悬崖”——当使用量跨过某个阈值，成本结构会突然恶化，不是线性上升，是跳涨。

我一开始以为这只是大企业的烦恼，后来发现不是。我认识一个做法律科技的小团队，六个人，去年接了个合同审查的AI工具，刚开始每个月API费用两千多，团队觉得完全可控。今年年初用户量翻了三倍，Token账单直接飙到两万八。创始人跟我说了句话，我记到现在：“我们不是被竞争对手打败的，我们是被自己的增长打败的。”

这就是Token经济的残酷之处。传统软件的成本是固定的，多一个用户多一份服务器开销，但边际成本趋近于零。AI产品的成本跟使用深度强相关，用户越活跃，你亏得越多。

部署速度曾经是KPI，现在正在变成负债。

吞吐量上去了，质量掉下来了

Faros AI刚发布的2026工程报告里有一组数据，我看了两遍才确认没读错：AI编码工具让工程吞吐量显著上升，但Bug、事故和返工的增长速度更快。

翻译一下就是：代码写得更多了，但能用的更少了。

Faros为此专门推出了一个叫Token Engineering的功能，帮企业跨智能体和工具链管理AI编码支出，包括配额、路由和告警。说白了，就是给Token装一个“预算阀门”。这件事本身就说明问题，当一家公司需要专门做一套系统来管住AI的Token消耗时，说明Token已经从一个技术细节变成了财务风险。

我跟一个在深圳做研发管理的朋友聊过这事。他说他们团队去年底开始全员用AI辅助编码，前三个月大家都很兴奋，代码提交量涨了40%。到第四个月，测试团队开始抱怨了，返工率飙升，有些模块的缺陷密度是之前的1.8倍。最讽刺的是什么？修这些Bug本身也在消耗Token。

一个负向循环：AI写代码 → 产生Bug → 用AI修Bug → 产生新Bug → 继续消耗Token。

吞吐量不是产出。产出是能交付的东西。

管住Token，比部署模型难十倍

野村的建议很直接：企业应该从追求部署速度转向成本治理，合理选择模型规模、本地推理，并把Token视为受管理资本。

“受管理资本”这个词用得很重。资本意味着它需要预算、需要审计、需要ROI核算，不是IT部门随手刷的信用卡。

但坦白说，大部分企业根本没准备好做这件事。因为Token治理需要一套全新的能力：你得知道哪个团队在用什么模型、消耗了多少、产出了什么、值不值。这跟传统的IT成本管理完全是两回事。

Faros的做法是把Token治理嵌入到工程工作流里，按团队、按项目、按智能体分配配额。听起来很美好，但前提是你的组织已经知道怎么衡量AI的产出价值。而野村的数据告诉我们，87%的组织连这个都没搞明白。

我之前的判断需要修正。我原以为企业AI的瓶颈在模型能力，后来发现模型已经不是问题了。瓶颈在组织有没有能力把Token当成钱来管。

这听起来像是一句废话。但你去看那些停掉的AI项目，十有八九不是模型不行，是没人算得清这笔账。

写在最后

AI的价值从来不在部署了多少个模型、接入了多少个智能体。那些是手段，不是结果。

真正的分水岭在于：你能不能像管预算一样管住Token的流向，能不能在吞吐量和质量之间找到那条线，能不能在成本失控之前踩住刹车。

Token不是技术指标，它是新的损益表科目。

至于那些还在比谁部署快的公司，我猜明年这个时候，他们比的会是谁停得更体面。