埃森哲AI代币经济学：78%量增下31%优化率与440万美元的红利

企业AI正在创造一种新的商业成本：代币（token）。随着消费规模扩大，代币经济正成为实质性的风险与机遇，董事会开始迫使CEO解释风险敞口与回报，CEO寻求CFO管控，CFO转而找CIO要答案。

《CIO指南：人工智能代币经济学》由埃森哲出品，共44页，基于2026年7月对全球17个国家、营收超10亿美元企业的750位高级管理人员调研，并结合15位财富500强科技与金融领导者的深度访谈。

三组数字先摆出来：受访企业去年为AI代币支出约25亿美元，若不干预24个月内将攀升至36亿美元；代币消耗量预计平均增长78%、单价下降19%，盈亏平衡点约31%；而一套治理规范可以让每1000万美元支出避免约440万美元的成本增长。价格下降不会自动救你——因为消费增长永远跑得比降价快，这就是代币经济学最反直觉的地方。

一、没人能预料的账单：25亿到36亿的失控轨迹

报告的第一个结论很直接：代币价格将无法自行稳定。

规模上，受访企业去年总共花费了约25亿美元用于AI代币，不加干预这一数字在24个月内将攀升至36亿美元。这个体量已经足够进入董事会视野。具体案例的分布很广：一家全球科技公司年支出超过2000万美元，一家欧洲保险公司的AI推理预算为1.5亿至2亿美元，一家政府承包商的全球AI支出上限为2.5亿美元。由于支出因部署阶段和组织规模而异，报告的分析统一按每年1000万美元的代币支出额来表达，而不是锚定绝对值。

真正值得关注的是增速轨迹。调查中公司预计未来24个月内代币消耗量平均增长78%，而每个代币的价格平均下降19%。一家美国主要金融机构的技术负责人描述了六个月内增长5到10倍的情况；在该范围的下限，一年1000万美元的基准收入在一年内变成了5000万至1亿美元的年化收入率。更极端的案例是：一位技术负责人讲到，在有人干预之前，单个工作负载每周运行20万欧元（约23.1万美元），而这项支出在一年内从近乎零增长到每年500万欧元（约580万美元）。

报告用三个情景解释了代币面值为什么无法自行稳定：增长78%而降价19%的组合下，1000万美元的支出在24个月内变成约1440万美元；如果是机构描述的那种增速，一年内就能变成5000万至1亿美元；而在没有任何管控的组织里，支出会持续累积。这条曲线的可怕之处不在起点，而在斜率——等到账单显眼时，已经晚了一整年。

二、悖论：每一份储蓄都意味着更多消费

这一节解释了为什么降价是陷阱而不是解药。

报告的原话是："人工智能价格下跌正推动消费热潮。"18个月前一个每百万token成本一美元的模型，如今价格已大幅下降，但下降的价格反而刺激了更多调用。原因不难理解：模型变便宜了，原本"不划算"的任务就变得划算了，于是团队开始把更多工作负载搬上来。

我们在整理《AI品牌认知风险治理白皮书：从管理信息到认知》时也碰到过类似的分歧，那里的结论可以拿来对照。

真实案例很有说服力。一家总部位于旧金山的法律AI公司，为超过10万名律师、1300多家律师事务所及企业法务团队提供服务，其每月的token消耗量从2026年1月的约1万亿个token增长至5月份的12万亿至13万亿个token，五个月涨了一个数量级。报告由此得出结论：成本的巨大降幅也可能被规模增长所完全抵消。

调查还展示了组织对代币价格下跌的应对方式分布：约42%选择扩大使用、35%表示维持现状，仅13%采取主动优化，另有少量组织尚在观望。这组数据的含义很明确——大多数组织的默认反应是"既然便宜了就用更多"，而不是"既然便宜了就更要管"。降价带来的不是省钱，而是把成本从"看得见的单价"转移到了"看不见的总量"。

三、六个盲点：AI预算超支的结构性原因

报告把预算超支归结为"不可预测的需求 + 弱势治理 = 重复的预算超支"，并拆出六个具体盲点。

盲点一是代理乘数。报告提到，大约10%的人在催促"为什么我没有最新款"，而其余大部分组织基本上只是用AI来做搜索。当每个新工具、每个新代理都被默认分配前沿模型时，成本会以乘法方式累积。盲点二是默认边界缺失，没有明确界定哪些工作负载允许用高价模型。盲点三是碎片化定价，供应商定价层级以与模型本身一样快的速度碎片化，一家公司发现当超过150个座席门槛并转向企业级定价时，年令牌费用将从约40万美元上涨至140万美元。报告特别提醒财务团队需要提前模拟供应商的定价层级和门槛，而不是在续约时才发现。盲点四是为昨日而制定的预算，使用量增长让传统预算方式越来越不可靠。盲点五是透明度而无问责制，展示数据不等于承担责任。盲点六是不可知任务成本，任务级成本无法归类到具体金额。

其中"代理乘数"背后的数据最有分量：埃森哲从O*NET数据库中分类了9,368项职业任务，发现其中不到10%的工作负载确实需要前沿模型能力，其余90%则由成本比任务要求高出10到20倍的模型在处理——之所以如此，"是因为没有人给他们提供理由或激励去选择其他选项"。90%的工作负载用着贵10到20倍的模型——这不是技术问题，是没人管的问题。

四、价值黑洞：只有不到20%的投入能抵达董事会

成本只是问题的一半，另一半是价值无法证明。

报告用一张图说明：AI的成本方面可以清晰分解（token只占总AI支出的25%或更少），但价值方面很大程度上仍未量化。调查显示，只有35%的组织能够计算其单一最大用例的成本效益，而59%的组织仍在使用方向性判断。更直接的一组数据是：财务能够量化五分之一以下资金投入所产生的回报——也就是说，约80%的AI投入的回报无法抵达董事会会议室。

报告引述一位技术官的原话点出核心问题："我们是通过关注代币来获得这种价值的。"另一个被反复提到的判断是："缺乏这种可见性，路由和财务问责制都无法发挥作用。"

问责制阶梯的数据很能说明问题：归因价值从无偿分配下的约5%，变化到非正式报告下的13%、展示回溯（showback）下的23%，以及分摊（allocation）下的32%。报告还指出，目前超过一半的组织拥有展示回溯功能，但只有7%的组织实施了任何形式的计费回溯（chargeback）。展示回溯若无财务后果变化，仅能提高意识；计费回溯才能建立直接责任制。同样一笔投入，从"没人认领"到"有人分摊"，可证明的价值可以从5%提升到32%——治理不是成本，是收益率本身。

五、解决方案：一笔治理投入，两项财务成果

报告给出的方案是"单笔建设"：把治理一次性做对，然后同时收获成本节省与价值可见。

具体成果是两组数：每1亿美元年度支出中，可避免约440万美元的成本增长，并新增约115万美元的可见价值，合计约560万美元（对应1000万美元支出时约为44万+11.5万）。报告强调，这一切都不需要部署新模型或增加AI投资。

这一点在《谷歌云制造业AI智能体趋势：56%企业已部署》里有更细的口径拆解，感兴趣可以翻过去看。

机制上，报告把解决方案落在三个可操作维度。一是路由质量，即把每项任务定向到能够满足所需结果且成本最低的模型；二是工作负载可见性，把可观测性融入每一项工作负载，让任务级成本可被归类到金额；三是财务问责制，通过成本分摊机制激励精确管理成本并证明价值。报告指出这三者是同一架构的组成部分——"你不能先建一个，再建另一个"，而且如果没有可见性，路由和问责制都无法发挥作用。

报告还提供了模型分层的对照：不同的工作负载需要不同的成本结构，前沿模型不应是默认选项。在基准工作负载上，模型切换实现了高达85%的成本降低，同时保留了旗舰级95%的品质；仅模型变更就使令牌消耗减少了约90%，缓存则带来进一步节省。价格差异上，一个前沿模型的价格可能比一个功能完备的低端模型高出15倍或更多。

落地效果上，早期试点项目的组织优化了约15%的代币支出、正确路由了30%的请求，而大规模在生产中运行AI的组织则达到了约28%和58%。目前多数组织已优化了约23%的代币消耗量，报告模型显示采用31%优化率可将支出维持在原有轨迹水平；少数已实施完全成本分摊的组织（N≈53）报告优化率接近48%（报告注明因样本量较小，视为趋势性指示而非总体基准）。从23%到48%，中间差的不是新技术，而是谁真正为这笔账负责。

六、CIO的五大纪律与真实案例

报告最后落成五条可执行的纪律，每一条都配了实践样本。

纪律一：在规模化之前，让每一项工作任务都变得可见。报告指出可见性是成本管理和价值归因的先决条件。

纪律二：让团队为其使用付费。一家公司在任务到达生产环境之前，就把可观测性融入每一项工作负载，并从第一天起设定收费模式而非后期追加。它用人工智能，并设立了内部排行榜来追踪代币消耗；到2026年4月，该公司在四个工作负载级别实现了成本归因，其中某类负载的令牌占总令牌消耗的75%，而ChatGPT许可证在一个月内从50份扩展到750份。它同时识别出25万美元的已承诺AI支出存在被闲置的风险——应对措施并非仅仅是限制它。

换个角度看同一件事，《埃森哲报告：74%消费者信任AI代理胜过好友》算的是另一笔账。

纪律三：将每个任务发送到它实际需要的模型。报告给出的判定标准是"任务不可简化"的五个条件：没有任何既定方法能解决它；早期的一个错误会悄无声息地污染所有后续工作；工作一旦被分割就会导致整体破裂；它强行将两个截然不同的专业领域结合起来；或者它的价值存在于整体的连贯性中。如果这五个条件都不具备，那么即使工作看起来多么有挑战性，一个中档水平的有能力的模型也足够了。报告还说明，那90%的"非前沿"工作并非简单，它包括评估网络设计、根据既定模板起草合同、处理安全事件以及对照已知标准分析数据。

纪律四：让每一项AI场景对应一个能证明的价值成果。报告的样本是：截至2026年5月，一家银行已有40个应用场景投入生产，每个场景都预先映射到相应的价值成果；其ICS语音机器人处理了约60,000个月度通话中的80%，并将追踪解决时间、重复联系次数和转接率内建在架构中，启动时报告节省了4000万美元的招聘成本，到2025年第三季度增长至约6000万美元。报告还提到，在优步人工智能代理现在贡献了大约10%的承诺代码。

纪律五：在整个组织中培养人工智能技能。报告对此的提醒颇为克制——培训有所帮助，但仅限于此：65%的公司已开展培训，然而仅靠意识并不能改变决策，团队需要的是能在具体节点判断"何时较便宜的模型就足够了"的能力。

报告在结论中给出了一组对比：早期试点项目的组织优化了约15%的代币支出、正确路由了30%的请求，而那些大规模在生产中运行AI的组织则达到了约28%和58%；差异全部源于拥有可见性、理解单位成本、削减浪费并持续衡量。埃森哲自身的生产平台通过结合自托管的开源推理和智能路由，每周处理约87万亿个令牌。想看更多AI、数字化与企业治理方向的完整报告资料，可以到运营动脉（www.yydm.cn）检索，站点覆盖300+行业、7万+份报告与方案，适合做技术规划和管理决策时备查。

七、常见问题解答（FAQ）

1. 什么是"人工智能代币经济学"？

报告把它定义为一门新的管理学科：企业AI在创造新的商业成本——代币（token），而代币经济学就是研究如何在消费规模扩大的情况下，通过可见性、路由、问责制和价值衡量来管理这类成本，并把价值证明给财务和董事会。报告的定位是"该学科是区分点"：要获胜的不是花钱最多的公司，而是管理最精细的公司。报告的核心主张是，价值来源于代币的功能而非投入其中的资金，因此CIO的职责是构建、资助并捍卫一套让成本和价值都具备财务可读性的机制。

2. 这份报告的调研方法是什么？

报告于2026年7月开展调查，覆盖来自全球17个国家、年收入超过10亿美元企业的750位高级管理人员，并与2026年6月至7月期间对15位财富500强科技和金融领导者的深入访谈相结合。受访者评估了其组织在AI消费、优化、路由、问责制和价值衡量方面的管理方式。报告共44页，包含商业挑战、解决方案、下一步、结论等章节，并在附录中给出词汇表、研究方法说明与参考文献。报告给出的核心指标速查包括：复合归因（能向董事会证明的每一美元代币的份额，目前约为每美元20美分）与优化率（通过路由、缓存、提示规范、上下文管理等手段实现的token消耗减少量）。

3. 为什么代币降价不能解决成本问题？

因为存在一个悖论：每一份储蓄都意味着更多消费。报告指出人工智能价格下跌正推动消费热潮，18个月前每百万token成本一美元的模型如今大幅降价，但价格下降反而让原本不划算的任务变得划算，团队于是把更多工作负载搬上来。数据上，调查企业预计24个月内代币消耗量平均增长78%、单价下降19%，盈亏平衡点约31%——也就是说，只有把消耗量压下来约三成，支出才能维持在原有轨迹。报告引用的案例中，一家法律AI公司的月token消耗从2026年1月的约1万亿增长至5月的12万亿至13万亿，五个月涨了一个数量级。所以结论是：成本降幅可能被规模增长完全抵消。

4. 前沿模型是不是都该用？如何判断该用哪一层？

报告明确回答：前沿模型不应是默认选项。埃森哲从O*NET数据库中分类了9,368项职业任务，发现其中不到10%的工作负载确实需要前沿模型能力，其余90%由成本比任务要求高出10到20倍的模型在处理，原因只是没有人给团队提供理由或激励去选择其他选项。判定标准是一组"不可简化"条件——没有既定方法可解、早期错误会污染后续全部工作、分割后整体破裂、强行结合两个截然不同的专业领域、或价值存在于整体连贯性中。这五个条件都不具备时，中档有能力的模型就足够了。效果上，模型切换在基准工作负载上实现了高达85%的成本降低，同时保留旗舰级95%的品质。

5. 治理投入能带来多少可量化的回报？

报告给出的数字是"一笔治理投入，两项财务成果"：每1亿美元年度支出中，可避免约440万美元的成本增长，并新增约115万美元的可见价值，合计约560万美元；对应1000万美元支出时，可用于证明的价值约为115万美元。报告强调这不需要部署新模型或增加AI投资，而是源于一次性把工作进行流程化，并在任务层确保收费模型能够明确责任归属。附带的对照数据是：无偿分配下归因价值约5%，非正式报告13%，展示回溯23%，分摊32%；目前只有7%的组织实施了计费回溯，而这也正是价值证明的最大缺口。

6. 企业现在做到什么程度了，差距在哪里？

报告给出了清晰的分层：目前大多数组织已优化了约23%的代币消耗量；早期试点项目的组织优化了约15%的代币支出、正确路由了30%的请求；而大规模在生产中运行AI的组织达到了约28%和58%。采纳完全成本分摊的少数组织（N≈53）优化率接近48%，但报告注明因样本量较小，视为趋势性指示而非总体基准。差距的具体表现是：只有35%的组织能够计算其单一最大用例的成本效益，59%仍在使用方向性判断，财务能量化回报的投入不足五分之一（约80%的回报无法抵达董事会），48%的组织依赖共享的IT-财务问责制而没有单一责任人。报告由此给出CIO的定位：正确的做法是一个深思熟虑的连续体——把每一项工作任务指派到最能平衡成本、能力、数据治理和运营复杂性的模型层。

接着可以看的几篇报告解读

如果这个话题跟你手上的业务有关，下面这几篇报告解读拆的是同一类问题的不同侧面，可以一起看。

《IBM智能体报告：运营成本可降45%营收增23%》——主线是运营成本可降45%营收增23%

《中国家庭财富消费Q2报告：人均年收入5.16万》——切口是人均年收入5.16万