作者 | 第一财经 刘佳

封图 | AI 生成

" 一个部门 20 来人，一个月消耗 5 万元 Token（词元），什么也没搞出来。"

一位科技大厂员工王昊（化名）向记者的这句吐槽，揭开了当前企业争相拥抱 AI 的另一面。

5 万元的费用，如果按每工作日 200 元的实习补助计算，相当于 10 名实习生工作一个月。可这笔钱化作无形的 Token 消耗后，没有形成能够落地的项目成果。

过去两年，AI 席卷全球资本市场和产业界。从科技大厂到传统企业，" 全面拥抱 AI" 成为最流行的口号。企业争相采购大模型服务、部署 AI 助手，发放、比拼员工 Token 福利，希望借助 AI 提升效率、创造新的增长空间。

然而到了 2026 年，一个新的问题开始浮现：为什么员工已经大量使用 AI，预算不断增长，Token 消耗越来越高，但一些企业却没有获得预期中的回报？

经历了过去两年的狂热之后，越来越多企业开始重新审视 AI 投入的真实价值。第一财经记者了解到，近期多家科技大厂已经开始调整员工 Token 额度管理机制。

王昊所在的部门并非技术部门。领导鼓励大家多尝试，每位员工每月都能获得几千元 Token 补贴。他的同事们热衷于尝鲜，各自选用市面上不同的主流 AI 工具，每个人都搭建出了一套属于自己的 AI 工作流。

表面看，局部效率提升了，但问题也逐渐暴露。他的部门下设多个小组，业务方向不同，大家搭建系统选用 AI 工具不一，有人用了公司自家的 AI 工具，有人用了开源 Hermes Agent，还有人用了其他第三方 AI 工具，各类系统无法串联，形成了一个个 "AI 孤岛 "，没有人从整个业务流程层面进行统一规划，更谈不上凝聚业务合力。

当领导试图将这些 AI 成果整合时才发现，难度远超预期。不同工具链积累下来的技术债、团队成员形成的路径依赖以及迁移成本，让原本看似热闹的 AI 实践难以形成规模效应。最终，部门不得不推倒重来，由负责人牵头重新梳理业务需求，引入公司技术团队，依托公司内部代码自定义搭建工具，从头打造一套整合式系统。

回过头来看，团队最大的损失不是 Token 费用，而是时间。

同样在非技术岗位的张岚（化名），供职于一家直播平台。在 CEO 的带动下，全员拥抱 AI。他告诉记者，每周公司都会组织工程师进行相关的 AI 培训，但这些培训并不接地气，很难真正转化到工作中的实际应用，更不用说凝练成有价值的、可以分享给同事的 skill（技能）。

有时候，AI 甚至没有带来效率提升，反而翻车了。

一位科技公司员工向记者透露，其所在公司开发了一款内部使用的 AI 助手，用于资料搜集、周报总结等办公场景。

然而一天晚上，在没有人为触发相关指令的情况下，该助手突然开始在公司工作群中持续发布与工作无关的内容，以及毫无逻辑的乱码，并随机 @员工，还自行发起线上会议。

此外，在一些科技公司，发放 Token 成为一项面向员工甚至包括实习生的福利，通常覆盖市面上主流的 AI 工具，其中不乏海外顶尖的编程助手和模型。有人注意到，部分员工拿着公司发放的 Token 挪作私用——有人用它辅助分析行情、有人用来写策划副业、有实习生用来完成毕设。这些发放的 Token 并未完全落实在公司业务中。

这些乱象并非国内独有。硅谷巨头们已经在 AI 狂热中踩了坑。

把 Token 消耗量等同于员工创新能力与工作效率的考核风潮，最早兴起于硅谷，被称为 Token Maxxing（Token 消耗最大化）。一些企业将 AI 工具使用量纳入内部考核体系，甚至建立排行榜，鼓励员工尽可能多地使用 AI。最初的出发点是推动组织变革，但很快演变成一场新的内部内卷。

部分员工开始让 AI 代理长时间运行研究任务，反复生成和修改代码，甚至执行大量并无实际意义的操作，只为提升排行榜成绩。结果是，Token 消耗快速膨胀，算力成本不断攀升，但实际业务价值却十分有限。

亚马逊和 Meta 都曾大力推动内部 AI 工具普及，并建立相关使用量的排行榜。但今年 5 月，亚马逊已经喊停了榜单，因为公司发现部分员工正在通过不必要的操作人为提高得分，为了 AI 而 AI，导致公司的算力成本上升。

Uber 同样是积极拥抱 AI 的代表企业之一。Uber 管理层此前表示，公司 2026 年度 Claude Code 预算在 4 月份就已提前耗尽。到今年 5 月底，Uber 高管表示，Token 的消耗量确实在激增，但这种高昂的投入与终端用户体验的实质性提升之间，尚未建立起清晰的逻辑关联。

这些案例背后，是许多企业 AI 落地过程中的共同烦恼。

咨询机构贝恩（Bain）6 月发布的一份题为《Your AI Budget Is Growing. Your Returns Aren ’ t. Here ’ s Why.》的报告显示，在能够量化 AI 降本效果的企业中，实际成本降幅在 10% 及以下的企业占比达到 40%，成为最大的单一群体。原本有 37% 的企业将目标设定在 11% 至 20% 的降本区间，但最终真正实现这一目标的企业仅有 31%。

如果说过去两年企业最担心的是 " 错过 AI"，那么到了 2026 年，一个更现实的问题正在出现：AI 投入不断增长，回报究竟在哪里？

AI 提效已是行业共识。一个典型场景是 AI 编码，从微软、Meta 到腾讯、阿里、百度，AI 已贡献可观比例的代码。在会议纪要整理、知识检索、文档生成等办公场景中，AI 对于效率提升效果明显。发放一定 Token 额度，激发员工的创造力、提升工作效率是具有正向意义的举措。它让 AI 变成每个人的工具，加速了技术在一线业务中的渗透，也培养了一支具备 AI 协作能力的员工队伍。

但为什么一些企业大规模投入 AI，却换不来预期中的产出？

AI 投入与产出严重脱节，根源往往不在技术，而在于如何使用 AI。贝恩报告认为，许多企业正陷入一种 " 基于信仰的豪赌 "。企业不断购买新的 AI 工具，为 Copilot、模型授权和云服务买单，却因为内部数据混乱、工作流割裂以及组织协同问题，导致大量项目长期停留在试点阶段，始终无法进入核心业务流程。

一位从业者对记者分析，过去两年，不少企业持续增加 AI 相关预算。但这些预算增长并不完全来自清晰的商业规划，更多源于 FOMO（错失恐惧）情绪——担心错过技术浪潮，担心在竞争中落后。于是，大量资金流向模型采购、软件授权、云服务和算力资源。但大家渐渐发现，Token 消耗量并不天然对应生产力。如果企业把 Token 消耗量当 KPI、把 AI 使用率等同于创新力，在不梳理流程和组织的前提下全员投入，再好的工具价值也会被稀释。

与此同时，许多企业低估了 AI 落地背后的工程复杂度。尽管 AI 能力出色，但将其适配到具体业务场景、与业务流程深度结合，仍需要大量的工程工作：提示词工程、检索增强生成（RAG）调优、输出校验、成本控制、权限管理 …… 这些累活往往被忽略。

艾媒咨询 CEO 张毅在接受第一财经采访时表示，自己在接触不少企业后发现，其中一些只计算了显性的 API 调用费，却忽视了人工校对、数据治理等隐性成本。还有的将 AI 大量用于处理低价值的杂活，难以转化为营收或财务报表上的产出。此外，由于缺乏分级限制，低端场景也在滥用高价大模型，导致无效调用激增。归结起来就是：高 Token 消耗，但降本效果不明显。

他分析道，在早期特定阶段，科技大厂以 Token 消耗量评价员工 AI 落地成效并绑定绩效，确实有助于鼓励员工融入 AI 环境。但时间一长，员工可以通过刷数据、堆砌算力制造 " 表面数字化 "，却没有实质业务产出。" 所有员工的参与，都应该以解决效率或利益最大化为方向去引导。"

一场针对 AI 成本的重新审视开始了。

第一财经记者了解到，近期多家科技厂商正在悄然调整员工的 Token 额度。大厂员工的 Token 额度在经历了初期无差别的人均分配后，开始走向更理性、更追求效率的分配方式。

一位腾讯内部人士对第一财经记者透露，近期腾讯调整了员工的 Token 分配机制，不再 " 吃大锅饭 "，由部门管理者按员工需求、按岗位职能等进行动态分配。

他表示，从去年开始，各种内部 AI 工具在腾讯大规模铺开，前期更多是通过统一发放配额来拉动使用习惯、验证工具价值。但到了现在，AI 已经成为日常生产资源，使用规模和投入量级都到了新阶段，配额管理从粗放走向精细化。

今年腾讯 AI 工具 Token 总预算，相比上一周期增长了数十倍。上述人士称，公司已在内部表态：衡量一个员工 AI 用得好不好，看的是工作中的提效和创造的价值，绝不单纯看 Token 消耗量、不做任何形式的 Token 排行榜，也绝不追踪员工实际用 AI 在做什么，让大家安心回归工作本身。

另一位北京的科技大厂员工告诉记者，过去公司曾将 AI 工具使用量视为重要 KPI 指标，员工使用得越多，似乎就意味着越积极拥抱创新。如今风向已经发生变化。他的个人 Token 额度约为每月 5000 元，当实际消耗刚达到一半时，领导便主动找他探讨使用情况和实际产出。

在海外，不少巨头开始对内部 AI 编程工具设置使用上限，将工程师的考核放在能否依托 AI 生成实用代码、解决实际业务问题、创造有效成果上。例如微软取消了大部分 Claude Code 许可，转向自家成本更可控的 GitHub Copilot CLI 方案。Uber 则给每位研发员工的 AI 工具支出设置上限。

一名科技公司 CTO 对第一财经记者表示，人与 AI 之间是互相倒逼成长的，但它的投入成本不低，如果主营业务营收、运营效率、业务交付能力没有明显提升，哪怕管理层暂时没法精准定位资源浪费在哪个环节，也会考虑先缩减 Token 投放规模，这是普遍的行业现状。

整个行业正在进入 AI 投入价值的重估阶段。张毅认为，烧钱热潮退去，越来越多的算力资源正在向能创造实际业务价值的场景倾斜。"Token 也好，模型也好，它的投入终究要锚定业务的增收、长期的降本、产品的迭代——这些可量化的商业结果，才能形成正向循环。"（记者吕倩对本文亦有贡献）