2026年5月，业界热议的Token（词元）开始被放进“话费账单”。中国移动、中国联通、中国电信三大运营商相继推出Token套餐产品。过去我们买通话时长、短信包、流量包；现在，运营商开始售卖Token，说明AI算力正在被包装成一种可购买、可计量、可结算的基础资源。AI时代的“流量包”来了。
对企业来说，这意味着AI不再只是一个新工具，而是一个持续消耗预算的新账本。企业用AI写文案、生成合同摘要、回复客户、辅助写代码、运行Agent，背后都在消耗Token。过去企业管理软件，主要看账号、席位、服务器和云资源；现在，一个智能应用的真实成本，还取决于输入有多长、输出有多少、是否调用搜索、是否使用长上下文、是否启用自动化Agent。
因此，企业不能只问“哪个模型更聪明”，还要追问：这些Token花在哪里？产生了什么价值？有没有被浪费？又带来了哪些新的风险？
一、AI正在改变企业成本结构
企业早期使用AI，往往带着工具思维。哪个模型效果好，就接入哪个；哪个部门需求强，就先给哪个部门试点；哪个员工会写Prompt，就让他多用一点。这种方式适合探索，却很难支撑规模化应用。
当AI嵌入业务流程后，Token消耗就会从偶发成本变成持续成本。客服系统每一次自动回复，销售系统每一次生成客户画像，研发系统每一次写代码、跑测试、生成说明，也在消耗Token。尤其是Agent兴起之后，用户只看到一个任务完成，后台可能已经经历了多轮规划、检索、调用工具、反思和修正。
这给企业提出了一个新的管理命题：AI不能只靠热情驱动，也不能只靠技术部门兜底。企业必须像管理现金流、库存、工时和云资源一样管理Token。
Token管理的第一步，是让消耗可见。企业至少要知道：哪个部门用了多少Token，哪个应用消耗最多，哪个模型最贵，哪些任务反复重试，哪些Prompt导致输出冗长，哪些Agent存在异常循环。没有可见化，Token账单就会变成新的“黑箱成本”。
不过，“可见”只是开始。真正的Token管理，要从“看账单”走向“算经营账”。一个部门用了1亿Token，不能简单判断它浪费或高效。关键要看这些Token带来了什么：客服转人工率是否下降，研发交付周期是否缩短，营销转化率是否提高，法务审查效率是否改善，员工是否从重复劳动中释放出来。Token本身只是消耗单位，管理者要把它转换成业务价值指标。
这也是为什么企业不能简单把AI成本视为“又一笔软件费用”。传统SaaS通常按账号或模块收费，费用相对稳定。而AI的成本更像水电气，也像云计算。员工越依赖，系统越自动化，调用越频繁，费用越容易从小额试用变成持续开支。特别是在智能客服、代码助手、企业知识库、自动化营销、数据分析等场景中，AI一旦进入日常流程，就会形成稳定的Token消耗。
二、企业Token管理的三重陷阱
Token管理容易遇到的第一重陷阱，是“单次便宜，总量失控”。
按Token计费有一个特点：单次调用成本看起来很低。正因为便宜，企业容易放松管理。但规模化之后，调用次数会迅速放大。AI越好用，员工越愿意用；系统越智能，后台越会自动调用；Agent越主动，Token消耗越难被人直观看见。
最近一个极端案例很能说明问题。OpenClaw创始人Peter Steinberger披露，其仅有3人的团队在云端运行了约100个Codex实例，30天内产生了约130万美元的 OpenAI API账单，涉及约6030亿个Token 和760万次请求。这个案例提醒管理者：当 AI 代理开始自动执行任务，Token 消耗会从“人发起的一次请求”变成“系统后台连续运行的成本”。
Token管理容易遇到的第二重陷阱，是“账单清楚，价值模糊”。
企业可能很快建起Token看板，却很难回答一个更重要的问题：这些Token到底值不值？一个月消耗10亿Token，看起来AI应用很活跃，但这可能意味着业务效率提升，也可能意味着大量低质量生成、重复调用和无效输出。
因此，Token管理不能停留在财务账上。它还要进入业务指标。客服场景要看单位会话成本、一次解决率、客户满意度和转人工率；研发场景要看代码通过率、缺陷率、交付周期和开发者返工时间；营销场景要看内容生产效率、转化率和品牌一致性。没有业务指标，Token管理很容易变成“为了省钱而省钱”。
Token管理容易遇到的第三重陷阱，是“生成便宜，验证昂贵”。
AI生成文本、代码、方案和分析报告的速度很快，但企业不能忘记后续验证。越是专业场景，验证成本越高。AI写出一段客服回复，可能只需要简单检查；AI生成一份法律意见、投资分析或安全配置建议，就必须有专业人员复核。
这可以称为AI时代的“验证税”。生成式AI降低了产出门槛，也增加了组织内部的审核压力。企业如果只计算Token账单，不计算复核、返工、纠错和责任承担成本，就会低估AI应用的真实成本。
三、企业需要一套Token治理体系
很多企业把Token管理交给技术团队，认为这主要是工程问题：优化Prompt、做缓存、换模型、限速、限额。技术优化当然必要，但它无法独自解决Token管理的问题。
Token消耗来自业务流程。客服为什么要反复调用模型？可能是知识库质量不高。销售为什么生成大量无效客户分析？可能是CRM数据不完整。研发为什么让AI读一整个代码库？可能是代码结构混乱、文档缺失。
也就是说，Token浪费常常暴露的是组织问题，而非模型问题。企业要降低Token消耗，不能只盯着模型价格，还要改善知识管理、流程设计、数据治理和权限体系。
一个成熟的Token管理体系，首先要有预算管理。企业需要给部门、项目和应用设置Token预算，但预算不能“撒胡椒面”。核心业务、高价值场景、增长型项目，可以获得更高额度；低价值、重复性、探索性场景，应有更严格限制。预算也不能只看历史用量，还要看业务目标。一个帮助研发缩短交付周期的AI工具，哪怕Token消耗较高，也可能值得投入；一个每天生成大量低质量营销文案的工具，即使单价便宜，也可能应该收缩。
其次，要建立模型路由。不应让所有任务都调用最强模型。摘要、分类、格式转换可以交给低成本模型；复杂分析、代码生成、专业判断则使用更强模型；敏感数据处理可能需要私有化或本地模型。未来企业AI运营的重要能力，不是选出一个“万能模型”，而是在不同业务场景中配置合适的模型组合。
再次，要建立权限控制。不是每个员工都需要调用高价模型，也不是每个Agent都应该访问核心系统。企业要把Token权限、数据权限、系统权限和岗位职责绑定起来。尤其在Agent场景中，要限制循环次数、工具调用范围、单次任务上限和自动执行权限。
最后，Token管理必须进入绩效评估。每月不仅要看总账单，还要看单位业务产出的Token成本。哪些场景真正提升效率，哪些应用应该扩大，哪些应用应该优化，哪些应用应该关停。一个AI项目不能只证明“大家都在用”，还要证明“使用之后业务更好了”。
长远来看，企业最终要从Token管理走向Token治理。管理解决的是用了多少、花了多少、怎么省的问题，治理解决的是谁能用、怎么用、为何用、谁负责的问题。这些问题已经超出了技术和财务部门的范围，需要业务、法务、安全、合规、人力和高管层共同参与。
Token正在连接成本、数据、安全、责任和组织能力。它不再只是API账单上的数字，而是企业智能化程度的基础指标之一。这听起来像一个技术问题，其本质却是公司治理问题。因为Token背后真正需要被管理的，是企业如何分配智能资源、如何重组知识劳动、如何控制新型成本、如何避免平台依赖，以及如何把AI能力沉淀为长期竞争力。
一句话说，Token管理不是为了让企业少用AI，而是让企业更聪明地使用AI。智能时代，真正优秀的企业不会只问“这个模型多少钱”，还会追问：“这些Token，究竟为我们创造了什么？”
（作者王翔为复旦大学数字与移动治理实验室研究员）
来源：王翔
海量资讯、精准解读，尽在新浪财经APP
责任编辑：江钰涵
鼎宏优配提示：文章来自网络，不代表本站观点。
