代币账单到期：深入解析AI行业应对失控成本的紧急 scramble

背景

曾经被视为“无限自助餐”式订阅的AI时代正在迅速终结。尽管单个Token（令牌/词元）的价格在不断下降，但随着企业加速采用AI以及日益自主化的AI Agent（智能体）的普及，Token的消耗量呈指数级增长。

2025年初，许多公司疯狂采购AI服务，如今却陷入了预算超支的困境。从Uber在4月份就耗尽了2026年的AI编程预算，到微软在启用Claude Code后不久便撤销了开发者的许可证，再到Priceline员工发现Cursor合同续约费用暴涨4-5倍，行业内的企业开始对AI的高昂价格感到震惊和退缩。

与此同时，一场旨在解决这一问题的市场正在形成。初创公司、成熟厂商以及一个新的标准制定机构——Linux基金会旗下的Tokenomics Foundation（代币经济学基金会）——正在竞相为企业提供追踪支出、理解成本构成以及从预算废墟中挽救投资回报率（ROI）的工具和语言。

核心内容

1. 对话焦点的转变：从“能力”到“成本可见性”

OpenAI企业负责人Alexander Embricos指出，客户对话的焦点已发生根本性转移。六个月前，讨论集中在“它能做什么？是否足够好？”；而现在，对话完全转向了成本控制：“我们花费巨大，你们有可见性吗？可审计性如何？Token控制机制是什么？模型效率如何？”

这种转变源于企业面临的“存在性危机”。FinOps基金会执行董事J.R. Storment透露，他在2025年4月和5月听到大量企业抱怨：“天哪，我们才4月份，就已经超支了2026年整个Token预算的3倍。”

2. 失控的根源：CEO的推动与Agent的爆发

这种成本危机的背后，是CEO们推动团队使用最佳模型并追求速度的文化，往往忽视了成本。2024年11月发布的Anthropic Claude Opus 4.5、OpenAI GPT-5.1和Google Gemini 3 Pro等新模型，显著提升了Agentic Tools（智能体工具）的能力，导致消耗量倍增。

• 极端案例：一家公司因未为员工设置使用限制，最终收到了高达5亿美元的Claude账单。
• 成瘾性比喻：Priceline IT财务高级总监Chris Reed将这种现象比作“可卡因流行病”，指出AI让企业先尝到甜头产生依赖，如今却不得不为其买单。
• 管理困境：Faros AI CEO Vitaly Gordon分享了一个CTO的困惑：一名工程师上月花费了4万美元购买Token，管理者不知道该阻止他，还是该让其他人效仿他。

3. 生产力与成本的悖论

尽管支出爆炸式增长，但生产力的提升并不成比例。

• Faros AI调查：在20,000名开发者中，虽然产出增加，但Bug数量和代码重写率也在上升。
• Jellyfish数据：使用AI最多的工程师生产力约为少用AI者的两倍，但为此消耗的Token数量却是后者的10倍。
• ROI难以衡量：Jellyfish研究主管Nicholas Arcolano指出，极端支出是否值得，取决于最终交付代码的业务价值（如收入），而大多数公司仍无法准确衡量这一点。

4. 技术挑战：数据规模的质变

追踪AI成本比追踪云成本复杂得多。FinOps基金会执行董事J.R. Storment表示，云成本追踪是一个每月涉及数亿行数据的问题，而Token成本追踪则是每月涉及数万亿行数据的问题。简单的电子表格或基础工具已无法应对，企业必须从根本上重新思考其工具、规格和会计系统。

此外，账单差异普遍存在。Priceline的Chris Reed发现，供应商报告的用量与公司内部数据存在 discrepancies（差异），这类似于电信费用管理中的历史问题，新事物的引入往往伴随着计费错误和审计优化的空间。

5. 市场响应：新工具与新标准

针对这一痛点，市场正在快速分化：

• 纯AI成本优化公司：如Pay-i，专注于追踪、衡量和优化GenAI投资成本；Paid则允许开发者基于实际价值而非订阅费向用户计费。
• 工程管理平台：Jellyfish、Waydev和Faros AI提供AI Agent监控，以证明开发工具ROI。FinOps基金会内的180家供应商大多正转向这一领域。
• 现有巨头扩展功能：Ramp进入AI支出管理；Datadog和New Relic增加了云成本管理、Token级可观测性和GPU监控服务。AWS预计将在FinOps X大会上推出面向企业AI支出的新功能。
• 模型路由优化：NEA合伙人Tiffany Luck指出，Token效率和可观测性将增加在“Harness或应用层”。Factory等初创公司推出了自动选择最合适模型的模型路由器。Vitaly Gordon预测，前沿实验室将采用类似OpenRouter的优化策略，将查询引导至最便宜的模型（如在使用Opus时，部分流量会被智能路由至Sonnet或Haiku）。

6. 标准化努力：Tokenomics Foundation

目前，所有工具缺乏共同的语言和定义，无法跨供应商比较成本。为此，Linux基金会推出了Tokenomics Foundation，旨在为AI Token建立类似FinOps在云支出管理中的成本纪律。

• 目标：建立“Tokenomics”的规范定义和框架；制定AI Token使用和计费的开放标准、规范和指标；引入新的经济指标，如“每单位智能成本”（cost-per-intelligence）或“每瓦特Token数”（tokens-per-watt）。
• 时间表：计划于7月正式推出，并将在FinOps X大会上宣布更多成员。
• 挑战：Salesforce首席可用性官Nishant Gupta表示，Token经济比之前管理的任何规模都更抽象、更不透明，需要不同的运营能力。

尽管Goldman Sachs预测全球Token使用量到2030年将增长24倍，但企业急需解决方案，而基金会的首个交付成果仍需数月时间。正如Gordon所言：“也许我们创造了蒸汽机，但我们尚未找到装配线。”

关键要点

• 预算危机爆发：Uber、Microsoft、Priceline等巨头出现严重的AI预算超支，部分企业甚至面临数亿美元的账单，迫使企业从“激进采用”转向“成本管控”。
• 消耗量激增原因：尽管单价下降，但AI Agent的自主性增强和新模型（如Claude Opus 4.5, GPT-5.1）的能力提升，导致Token消耗量呈指数级增长。
• ROI模糊不清：高Token消耗并未带来同比例的生产力提升。数据显示，高消耗用户的Bug率和代码重写率更高，且大多数公司无法准确衡量AI代码带来的最终业务价值。
• 数据规模挑战：Token成本追踪涉及每月数万亿行数据，远超传统云成本追踪的复杂度，现有工具（如电子表格）失效，亟需重构会计和监控体系。
• 市场分层形成：
  • 垂直工具：Pay-i、Paid等专注于AI成本追踪和优化。
  • 工程平台：Jellyfish、Faros AI等提供Agent监控以验证ROI。
  • 基础设施扩展：Datadog、New Relic、Ramp等现有平台增加Token级可观测性和支出管理功能。
  • 智能路由：模型提供商和中间件开始自动将请求路由至最具成本效益的模型。
• 标准化缺失与补救：缺乏跨供应商的统一计量标准，Linux基金会成立Tokenomics Foundation，旨在建立Token经济学标准、开放规范和新型指标（如每瓦特Token数），预计7月正式推出。
• 未来趋势：Goldman Sachs预测2030年Token使用量将增长24倍。专家建议企业采取“广泛、适度”的采用策略，将中等用户从低使用量提升至中等使用量，而非进一步推高重度用户的使用量，以获得最佳ROI。

意义与影响

AI行业正从“野蛮生长”阶段进入“精细化运营”阶段。Token成本的失控不仅是一个财务问题，更是一个技术管理和工程文化问题。

1. 工程管理的范式转移：AI不再仅仅是辅助工具，而是