很多人默认一个认知：AI的Token消耗越多，创造的价值就越高，但事实并非如此。OpenAI上周发布的一份企业调研报告，通过分析1500余家企业的AI使用数据，得出了一个颠覆固有认知的结论：员工的Token使用量，和其个人产出、创收能力之间，并没有显著的正向关联。

有意思的是，即便企业始终无法精准将Token消耗与AI投资回报率(ROI)挂钩，全球企业的AI投入依然在逆势高速增长。依托企业卡与账单支付平台覆盖的7000多万家企业支出数据，金融机构推出的Ramp AI指数清晰展现了这一增长趋势：2026年7月，AI投入梯队顶端的企业，支出差距极为悬殊，其中支出排名前1%的企业，人均AI支出中位数达到7400美元，排名前10%的企业人均支出为650美元。

反观年初的数据，增长幅度更为惊人。2026年1月，头部1%企业的人均AI支出仅2590美元，前10%企业的人均支出更是只有281.23美元。短短半年时间，企业AI投入实现了跨越式攀升。

高盛对此做出了长期预判：随着消费者与企业全面落地AI智能体应用，2026至2030年四年间，全球Token消耗量将暴涨24倍，月总量将突破120千万亿次。与此同时，半导体行业的技术迭代将持续压缩成本，业内预计AI推理阶段的单Token成本，每年可实现60%至70%的降幅。

投入规模持续扩大，意味着企业必须直面一个核心难题：如何证明高额Token投入的商业价值。时至今日，AI应用的ROI评估依然是行业痛点，尤其对于不少陷入“tokenmaxxing”误区、盲目堆砌Token用量的企业而言，价值闭环更是无从谈起，但不可否认的是，Token消耗依旧是目前衡量企业AI普及度、使用频次最直观的指标——尽管它并不完美。

失控的Token支出：频发的预算超支困境

如果缺乏精细化管控，零散的Token消耗终将累积成巨额成本，不少企业已经为此付出了代价。早在2026年5月，Uber首席运营官(COO)就在采访中引发行业热议，他公开表示，公司仅仅四个月就耗尽了全年的AI预算，AI成本失控问题彻底暴露。

无独有偶，7月《金融时报》的报道再次敲响警钟：亚马逊在落地Claude Sonnet模型的部署项目时，因方案失误与管控缺失，直接造成180万美元的预算超支，高额损耗却未换来匹配的业务收益。

行业风向正在悄然转变。OpenAI董事长Bret Taylor近期预判，未来企业将不再为Token成本问题困扰，但市场调研机构G2的调研数据却展现了当下的真实现状：当前80%的企业，都会为技术研发人员划拨专属的大语言模型(LLM)与Token使用预算。这意味着，AI Token成本已经从可选支出，正式纳入企业常态化预算管理与成本追踪体系。

作为软件行业对比评测平台，G2自身也是AI精细化使用的践行者。该公司首席创新官Tim Sanders在7月的视频采访中透露，2026年公司AI Token总支出已突破127万美元，对应Token使用量高达9700亿个。

同时，公司内部AI工具的使用结构发生了颠覆性变化。年初1月时，Claude Code、Cowork两款核心工具的Token消耗仅占总支出的17%，而到7月，这一占比飙升至79%，成为员工日常工作的核心AI辅助工具。

在Sanders看来，当下的AI普及浪潮，与早年互联网基础设施的落地逻辑如出一辙。“早些年，企业甚至不会为员工开通T1网络专线，”Sanders回忆道，“我先后在Broadcast.com和雅虎任职，那时办公环境根本没有普及Wi-Fi。行业还在反复争论，企业搭建服务器、为员工配备宽带的ROI是否合理，但很快所有人都明白，网络是企业运转的基础设施。判断的方式很简单：一旦切断服务器、断开网络，整个办公体系就会陷入瘫痪。如今，企业标配Wi-Fi、办公电脑早已无需核算收益，因为这是刚需基建。”

基于这套逻辑，G2将AI定义为如同电力、网络一般的企业核心基础设施，但这并不代表可以无节制投入。公司始终秉持审慎的投入原则，所有AI支出都围绕三大核心价值：节省人力时间、降低运营成本、提升业务营收。

为了规避行业普遍的“tokenmaxxing”弊端——也就是盲目追求Token使用总量最大化、只重数量不重效率的误区，G2建立了专属的内部管控体系，以Token使用效率而非使用总量为核心考核标准。公司搭建了全域适用的AI效率指数(AI Efficiency Index)，精准筛选出能够最大化挖掘单Token价值的员工与团队，实现精准赋能。

这套量化体系落地后，G2也公开了内部核心员工的高效使用数据。2026年7月，公司联合创始人兼首席技术官(CTO)Mike Wheeler累计使用954万个Token，实现了每美元109万个Token的超高性价比，工程副总裁Dan Knox的Token使用量为955万个，性价比更是达到每美元134万个Token，用有限的成本实现了高效赋能。

在价值评估维度，Sanders始终坚持质量优先原则，摒弃了行业单一的“省时量化”思维。“我们不再只统计AI帮员工节省了多少工作时长，更核心的是追踪：AI是否加速了核心业务目标的落地推进，是否切实提升了整体工作效能。”

转向价值导向：精准用AI，而非盲目用AI

归根结底，脱离实际业务价值的Token消耗，都是无效成本。企业想要让AI投入产生正向回报，关键不在于加大使用量，而在于精准筛选适配AI落地的工作流程，让智能体的每一次调用都能解决实际问题。

自动化平台Zapier 7月发布的《AI工作流指数》，印证了“精准使用优于全面堆砌”的核心逻辑。该报告调研1500余家企业的AI落地现状后发现：即便是行业内的AI领先使用者，也仅在18%的工作流程环节中引入AI，剩余82%的常规流程，依然依靠传统代码与标准化逻辑高效运转。

“真正懂AI落地的企业，都在清晰区分‘该用’和‘不该用’的场景。AI的赋能效果毋庸置疑，但它绝非万能解药，无法适配所有工作场景。”Zapier联合创始人兼CEO Wade Foster在视频采访中说道。

他用一组对比数据直观说明了精准落地的价值：仅在需要主观判断、灵活分析的环节启用AI，其余环节沿用传统自动化方案，整体工作流的运行成本，比全流程无脑调用AI模型降低了71%，效率与性价比实现双重提升。

结合大量落地案例，Foster总结出AI价值最大化的四大核心场景，AI在这四类角色中能发挥不可替代的作用：一是沟通者，高效完成各类内容撰写、文案输出工作，二是文员，精准从非结构化的海量文档中提取、整合结构化数据，三是分析师，依托数据完成主观判断与决策分析，四是协调员，统筹团队任务、合理分配工作资源，而除此之外的标准化、流程化、机械化工作，传统自动化工具的落地效果与成本控制更优。

谈及行业整体AI使用现状，Foster直言，绝大多数企业都尚未实现高效落地，“tokenmaxxing”的低效乱象依旧普遍。他将这种乱象定义为“海量消耗Token、资源投入巨大，但业务产出极低”的无效投入模式。

目前，这种盲目烧量的行业趋势，已经引发了企业财务端的强力管控。越来越多首席财务官(CFO)开始质疑高额Token支出的实际价值，倒逼业务部门复盘AI投入的真实回报率。

当然，高效用AI不等于零投入，Foster介绍了企业内部真实的支出梯度：普通非技术员工每月AI Token支出可达数百美元，研发人员因工作场景需求，月支出普遍达到数千美元，而核心顶尖技术员工、新项目负责人的月支出最高可达3万美元。

这些高额投入并非无效消耗，大多集中在全新的从零开发(Greenfield)项目中。这类项目中，AI编程智能体能够依托清晰的反馈闭环，持续迭代优化，自主修复漏洞、开发新功能，全程参与项目搭建，能够切实为研发工作提效赋能。

管控误区：单纯设Token上限，治标不治本

面对日益攀升的AI成本，多数企业选择用“设置Token使用上限”的方式控制支出，但在AI合同全生命周期管理平台Agiloft的首席财务官Angel Lange看来，这种粗放式的管控手段，根本无法解决核心问题，本质是无效管理。

“我们在实践中发现，AI成本管控的核心，从来不是单纯限制用量，而是找准价值产出的核心源头。”Lange在邮件采访中明确表示。她结合平台数据指出，行业内74%的用户，甚至从未触及企业设置的Token使用上限。这一数据充分说明，一刀切的用量限制，没有解决成本失控的根本诱因，只是流于形式。

“真正有效的管控，核心是透明化管理。”Lange强调，“企业需要厘清两个核心问题：究竟是哪些工作流在消耗AI资源?这些资源消耗，是否能落地为可量化的业务成果?”

“管控的重点不该是‘我们用了多少Token’，而应该是‘这些Token创造了什么价值’。”她解释道，“如果AI投入能够加速项目交付、提升工作质量，解放员工的时间与精力，让团队聚焦更高价值的核心业务，那么这笔Token支出就是赋能生产力的有效投资，而非需要极力压缩的无效成本。”

依托这套精细化管控逻辑，Agiloft内部的AI落地实现了质效双升。通过规范Token使用场景、精准匹配业务需求、杜绝无效消耗，公司研发团队的整体生产力提升了67%，真正实现了成本与价值的平衡。

结语：从“堆用量”到“拼价值”，是AI落地的必然趋势

Token使用量，只是衡量企业AI普及程度的浅层指标，只能直观展现AI的使用频次与覆盖规模，却无法等同于业务价值。当下行业最大的痛点，就是多数企业只盯着“消耗了多少Token”，却忽略了“Token创造了什么价值”。

未来企业的AI成本管理，必然告别粗放式的用量管控、无脑式的Token堆砌。唯有建立覆盖支出成本、时间节省、交付效率、员工生产力的全方位评估体系，打通AI消耗与业务收益的价值闭环，才能让每一笔AI投入都转化为实实在在的企业生产力。