The following article is from 数智猿 Author 赢家
"AI 使用量不等于生产力。
大数据产业创新服务媒体
——聚焦数据 · 改变商业
过去半年多，大公司几乎不约而同地干起同一件事：把 AI 塞进每个员工的工作台。企业希望先把工具放开，让员工自己跑出场景、找到效率。但当几万人同时开始调用模型，一场生产力实验很快变成了成本与管理压力测试。
Uber、Meta、亚马逊，几乎同时遇到了同一个问题：当企业真的放开 AI 使用，最先失控的往往不是员工效率，而是 Token 消耗。Uber 年初放开全员使用，4 月就耗尽全年 AI 预算；Meta 开始给核心员工设置 Token 配额；亚马逊甚至取消了原本用于鼓励 AI 使用的 Token 排行榜。国内的腾讯、字节、阿里、京东，也在陆续调整 Token 分配机制。
把这些动作拼在一起，一个趋势已经很清楚：半年前还是争先恐后喊 " 全员 AI"，如今集体踩了刹车——大厂正从 " 管够 " 切到 " 算账 "，从比拼使用量转向追问业务价值。人人都在养虾，只是没多少人养明白，更没人愿意公开承认。
8 月 12 日，2026 第十九届中国健康产业生态大会（简称：西普会）上，美团核心本地商业 CEO 王莆中打破了这种沉默。他复盘了自家那场被戏称为 " 养虾 " 的全员 AI 实验——全员上手、全面放开，最后被他定性为 AI 时代 " 高渗透、低回报 " 的生产率难题。
值得关注的是，美团借这场实验，系统性发现了全员 AI 探索过程中暴露出的成本、效率与组织问题。他在演讲中引用了麦肯锡 2025 年全球 AI 调研：88% 的企业已经在常态化使用 AI，只有 6% 能拿出可测量的收益。翻译一下，一百家上了 AI 的企业，能算平账的不超过六家。
钱烧了，人用了，利润表却没什么动静。这个全行业都在问的问题，美团用五个月时间，自己先趟了一遍。
一场花费千万的全员实验
始于 2026 年初的 OpenClaw 项目以小龙虾为 Logo，国内网友由此戏称使用这款软件为 " 养虾 "。美团也沿用了这一说法：员工像 " 饲养员 " 一样培育、投喂 AI Agent，期待最终 " 养 " 出真正能干活的 " 虾 "。
这阵仗有多大呢？据凤凰网等媒体报道，今年 2 到 3 月，美团面向 10 万员工大规模开放内部 AI 助手，公司里一度跑着约 8 万只 AI Agent，两周沉淀出约 10 万个 Skill。Token 不设上限、模型尽量用最贵的，结果全面失控——一边是账单爆炸，单日算力成本峰值最高约 1000 万元；一边是权限管控跟不上，模型产出的各种谬误开始干扰、破坏真实经营。用王莆中的话说，" 各种各样的谬误对于真实经营的破坏都出来了 "。
来源：知乎专栏作者 C 哥聊科技
失控之下，美团开始 " 收 "。4 月，各事业部成立 AI 组织，将散落在员工手中的 AI 尝试收拢起来，转向更有组织的生产力建设；6 月，AI Transformation 部门成立，与外卖、闪购平级，直接向王莆中汇报；6 到 7 月，上千个 AI 项目同步赛马：跑通业务价值的加资源，没效果立刻砍掉。几轮筛选下来，美团逐渐形成一个核心认知：AI 转型不单是技术问题，而是业务、组织、技术三位一体的系统性工程，纵使拥有两万名产研人员，证明单靠他们无法完成。
除去这五个月的节奏，" 养虾 " 这个名字本身更值得拆解——它暴露出管理者对 AI 的隐含预期。养虾是高投入、高密度、长周期、收益不确定的 " 农业 " 模式：投苗、喂料、清塘、控制密度、治病虫害，最后等待收成。用 " 养虾 " 命名一场全员 AI 实验，等于默认 AI 是 " 可规模化养殖的产出品 "，放进去养一养就能收获，而不是 " 需要和业务反复磨合、逐场景调试的工具 "。用农业思维做技术变革，求的是速度，缺的是章法。
客观来看，把账算到底，全员放开也未必完全是 " 败家 "。10 万个 Skill，本质上是 10 万次探测：企业用高成本买一张 " 哪些场景值得做 " 的地图，这是一种期权式探索——先花钱覆盖未知，再按 " 地图 " 调整资源。关键不在于这张期权值不值得买，而在于能否行权，即拿到结果后，及时撤出低价值场景，转向真正有效的方向。
可以说，当美团发现问题后，调整速度并不慢：上千个项目同场竞技，跑通业务价值的项目加资源，效果不佳则立即下线；到 6 月，美团 LongCat-2.0 大模型开源，7 月 CatPaw 上线、医药案例落地，都可以说是这轮探索调整后，兑现价值的结果。不过这一切是以千万级账单为代价，并不是每家公司都能买得起。
钱烧得这么狠，值不值？王莆中的回答是：值。他把这段定义为 AI 变革的第一阶段——一场全员 AI 启蒙。让 10 万人亲身撞一次墙，比讲一百场培训课管用，认知转变不是买来的，是撞出来的。先放开、再收拢，热情有了释放的地方，教训也有了沉淀的机会。
五大错配，卡住了谁
10 万人的热情，为什么没有变成利润表上的数字呢？王莆中在演讲中总结了五大错配：认知、效率、场景、考核、流程。
美团本地商业 CEO 王莆中，来源：证券时报网、美团
首先是认知错配，很多人把 AI 当 " 万能药 "，以为部署了就什么问题都解决了，等于请了一个什么都能干的员工，结果期望越高、失望越大；另一个极端，有人被几次幻觉吓到，干脆全盘否定，觉得 AI 一无是处。两种极端，都离真实能力太远。
其次是效率错配，不知道该给不同的模型分配什么任务——最好的模型被拿去发邮件、改 PPT、聊天，产出是快了，但对收入、成本和客户体验几乎没什么影响，钱花在了刀背上。
第三是场景错配，AI 始终游走在企业经营的外围，写方案、做总结跑得欢，却切不进库存管理、供应链协同、门店运营这些真正产生收入和利润的核心链路，碰不到真金白银。
第四是考核错配，就像买了原材料就等着马上见效，可 AI 真正产生效益，得先完成大量内部改造和训练——流程没理顺、员工没学会，再好的模型也出不了满意的成果。
最后是流程错配，人和机器、人和新设计的分工要重构——哪些环节交给 AI、哪些留给人、出错找谁、责任怎么划分，这一层理顺了才算落地。这是最深的一道坎，远不是技术部门能独立跨过去的。
五类错配看下来，其实是一条递进的链条：认知偏了，AI 就容易停留在低价值的效率环节；只会写报告、做总结，AI 就难以进入核心业务场景；无法影响核心业务，考核自然难以拿到高分；真正走向价值兑现时，又会卡在人与机器的分工重构。一环扣一环，越往后越深——这也是为什么多数企业卡在半路就走不动。
而这并非美团一家的问题，海外大厂集体踩刹车的画面，国内也在同步上演。据媒体报道，腾讯把 Token 从统一配发改为按部门、岗位差异化分配，被业内概括为 " 从免费资源变成部门可控的预算资产 "；字节自研模型不限量、外部模型按比例报销；阿里、京东也各有额度机制。
有意思的是另一面：收缩的是使用端，供给端反而在加注。8 月 23 日晚，阿里公告宣布 800 亿港元新股配售，款项 100% 投入全栈 AI ——头部大厂一边收紧 Token、一边重注算力。" 从管够到算账 " 从来不是退出 AI，而是把资源从撒胡椒面的铺开，转向聚焦的投入。
这也解释了美团的 " 养虾 " 为什么不是孤例：问题不在 AI 够不够强，而在于即便是互联网大厂，也仍在摸索让 AI 真正创造价值的方法。
那为什么大家不约而同拿 Token 当 KPI？传统软件是一次性采购，买断之后成本固定。而 AI 是持续成本，用一次烧一次，企业的账本和成本结构却没跟上这种模式。更抓狂的是，AI 的产出价值没法低成本验证：省了多少时间？带来多少收入？诸如此类，很难归因，而 Token 消耗量一查就有。只度量投入、度量不了产出，激励自然扭曲。
早在 1987 年，诺贝尔经济学奖得主索洛就提出了著名的 " 生产率悖论 "：" 计算机到处可见，唯独没有体现在生产率统计里。" 近 40 年后，这句话似乎正在 AI 身上重演—员工使用 AI 工具，并不等于组织生产力的提升。工具只是变量，真正决定 AI 能否转化为生产率的，是组织机制。
先有经营问题，再算 AI 值不值
绕了一大圈，回到最实际的地方：这笔钱，到底怎么算？
在计算之前，首先要把口径摆正：企业衡量 AI 的指标，正在从 Token 消耗转向经营价值。然而这个转向并不容易，因为投入端好统计，产出端却难验证。
多数企业部署 AI 前没有留下基线：原先一次经营分析要多久、错误率多高、转化率多少，没有记录，AI 带来的 " 价值 " 和效率的变化也就无从比较。此外，AI 部署后还会存在很多隐性成本，包括人工复核、错误返工、组织调整等等，这些投入散落在运维费和加班工时里，也很难被准确计入。
口径摆正之后，王莆中给出了一套场景判断方法论，通过五个问题，给场景设基线、算全口径账，从而让企业管理者算明白这笔 " 糊涂账 "：
1. 是否直接影响收入、成本、体验或风险？
2. 流程是否高频、重复、耗时？
3. 数据是否存在、质量是否基本可用？
4. 结果好坏能否被清楚判断？
5. 出错时是否有人复核并承担责任？
他认为，五个问题里如果有三个答不上来，就先别买模型——把问题补齐，本身就是一次经营改善。这套标准的指向很明确：高价值场景存在于真实的经营中，而不是演示文稿里。客服、报表、库存这类 " 重复性高、规则清晰、可量化 " 的环节，天然比写邮件、做 PPT 更适合先投入。
方向定了，具体账怎么算？以美团与漱玉平民的合作为例：68 个城市的经营分析，原先每次要花约 2 小时，如今 AI 自动生成日报，5 分钟就能通览。假设每个城市每月做 4 次分析，每次省下约 115 分钟，全月 68 个城市合计能省出约 520 个工时——按分析岗综合人力成本折算，这就是看得见的月度收益；而投入端，主要是模型调用费加系统集成的一次性支出。这笔账能算明白，前提是部署前先记下 " 每次 2 小时 " 这个基线。多数企业恰恰缺了这一步：没有基线，AI 带来的变化就无从衡量。
把镜头拉远，这也不是美团一家的事。据 Business Insider 报道，麦肯锡追踪了 20 家全面改造组织流程、完整落地 AI 方法论的企业，其 AI 投入平均获得约 3 倍回报。这个结果并不意味着 AI 天然高回报，而是说明：真正把 AI 当作经营问题来管理的企业，确实能跑出可观的回报。
说到底，应该先有经营问题，再判断 AI 值不值得投入；倘若顺序反了，就容易重蹈美团五个月前的覆辙。
谁算得清，谁接得住
王莆中在演讲中留下一个判断："AI 是指数级技术，企业兑现 AI 红利的前提是组织底数大于 1。" 这场 " 养虾 " 实验，其实也印证了这一点：AI 是发动机，业务和组织管理是底盘——底盘稳固，AI 放大原有优势；底盘有短板，AI 反而会放大混乱，发动机越强劲，底盘越容易散架。
但账不能只算短期。经营价值不完全等于短期财务回报——认知普及、员工提效、创意发散、知识沉淀、组织协作，这些变化未必立刻体现在收入、利润和成本的报表里，却会在更长的时间里改变一家公司做事的方式。
美团最新财报也提供了一个现实注解：8 月 28 日发布的 2026 年二季度及半年报显示，美团研发投入同比增长 22.5%。除发布 AI 产品 LongCat 2.0、CatPaw 外，" 小团 "AI 助手也完成全面升级，并面向骑手推出 AI 安全助手 " 团宝 "。美团 CFO 陈少晖表示，公司将继续推进 AI 与业务场景深度融合，以真实需求和主业增长为导向。
路遥知马力，有些回报本来就要靠时间兑付，算不清的账，不一定是亏的。真正重要的是，企业能否在探索之后找到值得持续投入的方向。也因此，" 养虾 " 解决的是让更多人碰到 AI，真正要解决的却是如何 " 产虾 "：让 AI 进入业务、嵌入流程，最终产生可以被验证的结果。行业故事也正在从 " 谁用得多、谁跑得快 "，转向 " 谁算得清、谁接得住 "。
经过这轮 " 养虾 "，AI 已经不缺使用者，真正拉开企业差距的，是组织能否把越来越多的 AI 能力接入业务，并最终转化为有效生产力。
文：赢家 / 数智猿
责编：路易斯 / 数智猿
☆往期好文推荐☟
登录后才可以发布评论哦
打开小程序可以发布评论哦