每经评论员 杜恒峰

曾经被产业界寄予厚望的 "token 经济 "，如今却成了 "token 刺客 " —— Meta、Uber、亚马逊等全球科技巨头近期不约而同为员工使用 AI 踩下刹车。

Uber 的案例最为典型。其原本规划覆盖全年的 token（词元）预算，仅四个月便消耗殆尽，单个工程师月均 AI（人工智能）开销达到 500 至 2000 美元。为遏制成本失控，Uber 直接划定了单人每月 1500 美元的 token 使用上限。

Meta 内部测算显示，若维持当前员工调用增速，2026 年仅内部 AI 使用一项支出便将达数十亿美元，公司面向 6000 名核心员工发放备忘录，明确了全员 token 配额限制。亚马逊高管也公开告诫员工 " 不要为了使用 AI 而使用 AI"，考核指标从 token 消耗量切换为标准化业务交付成果。

这些企业此前全力推动全员 AI 落地，核心诉求清晰。其一，以 AI 替代重复性人力工作，压缩研发、运营、客服岗位人力开支，依靠大模型自动生成代码、整理数据、撰写方案，缩短项目周期。其二，抢占 AI 转型先发红利，依靠全员深度使用积累落地经验，探索业务智能化新模式，拉开与同行数字化差距。其三，依托 token 单价持续下行的行业趋势，认定 AI 边际成本会持续走低，长期投入将形成正向收益循环。

不难看出，这些企业激进的 AI 推广目标已经落空。企业非但没有实现人力成本缩减，反而新增一笔难以预估的巨额算力账单，大量 token 投入能否转化为业务增量仍有待验证。

而预期与现实严重背离，根源集中在三个矛盾。

第一，企业的消耗量呈指数级膨胀，形成难以逾越的 " 成本墙 "。公开数据显示，主流大模型 token 单价较 2023 年初降幅最高达 98%，但 AI 智能体等应用需要多轮推理、长文本循环交互，企业员工日均调用量呈百倍增长，单价下跌无法抵消总量暴涨带来的总开支，哪怕微小的单位成本，乘以海量的使用规模后，最终总成本也将是个天文数字。

第二，企业内部存在严重的 token 浪费。原本大量仅靠人脑思考、搜索引擎即可快速解决的简单需求，员工全部交由 AI 处理。大模型的底层推理逻辑意味着，即便简单的问答也要完整加载模型、生成多轮文本，天然比人工检索成本更高。头部大厂急于抢占 AI 红利，将 token 消耗纳入正向考核，设立消耗排行榜，只考核使用频次，未配套产出、效率约束指标，员工刻意刷高 token 用量以换取绩效认可，进一步放大了浪费。

第三，现阶段 AI 存在明显能力局限，企业尚未找到高效落地路径。当前大模型仍无法深度适配细分业务场景，产出内容常需要员工二次核对修正，员工只是从生产者变成了审核者，企业并未真正解放人力；多数企业对 AI 的使用，也仅停留在浅层文案、代码辅助层面，没能搭建完整 AI 业务闭环。纵使 Meta、亚马逊这类巨头有海量的资金支持，只要投入无法创造净收益，就失去了商业逻辑。集体限制 token 使用，正是市场给出的答案。

token 作为 AI 时代的核心资源，相当于互联网时代的网络流量、工业时代的能源，这些生产要素必须普惠低价，不构成企业主要的运营成本。如今头部企业因 token 账单主动收缩 AI 使用，表明 AI 大模型远未达到基础设施的标准，token 的价格战也将成为必然。最新的情况是，OpenAI 已启动大幅降价规划，一旦落地，其他厂商可能跟进。

token 降价不能仅依靠大模型厂商单方面让利，整条产业链都需要同步降本。目前唯一有望实现季度运营盈利的头部 AI 厂商是 Anthropic，其余厂商普遍处于亏损状态。想要持续压低 token 定价，除了大模型厂商持续优化架构、压缩推理算力损耗，上游 GPU（图形处理器）、存储等硬件价格，机房的能源消耗，电力价格都必须同步下降。整条链路成本同步下探，token 才能走向廉价普惠，AI 才有机会真正赋能各行各业。