AI账单暴涨，实际效益难言：谁在助推“Token通胀”？

作者丨青风

编辑丨六子

100000000000000。

100万亿，1后面跟着14个0。这无疑是个天文数字，但可能还不到国人每天Token消耗量的一半。

2026年上半年，从中关村到硅谷，大厂茶水间里最热的话题变成了一句：“你今天烧了多少？”几十万、几百万、几千万？旁边桌吃饭的骑手听见了，大概率以为这哥们在吹牛，或者脑子有毛病。其实没扯谎，他们聊的不是人民币，是Token。

Token和真金白银之间虽然隔着数量级，但架不住后面的0涨得太凶。据报道，国外一家企业给员工批量开通Anthropic的Claude企业授权时忘了设消费上限，一个月后账单出来——5亿美元，约合人民币34亿元。

国内近期有个案例是米哈游，《崩坏》系列技术团队负责人郑银河在2026年5月阿里云峰会上自曝：一名工程师测试多Agent协作时没设置熔断，数十个智能体陷入循环调用，13小时烧掉200万元Token账单。

账单炸了，但问起AI带来了什么实际效益？多数人可能会面露尴尬。米哈游工程师烧掉的200万元，足够支付一个小型研发团队整月的薪资，最终换来了的却只是一整夜毫无产出的“AI摸鱼”。

或许，企业里只有HR完成了裁员KPI，老板转头把省下的人力成本又砸去建AI、买Token。

单位价值稀释，消耗规模指数膨胀，投入与产出错位——Token作为AI时代的硬通货，正呈现出典型的通胀特征。而且其通胀程度，可能比津巴布韦人民扛一麻袋钱买大米还要疯。

那么，到底是谁在为“Token通胀”推波助澜？

*图源互联网

01
「从极大化使用，到限量使用」

2026年上半年，硅谷刮起一股名为"Tokenmaxxing"（极大化Token使用量）的风潮。大厂们主动鼓励员工尽可能多地消耗Token，甚至将Token消耗量与KPI直接挂钩。

Meta内部上线了追踪8.5万名员工Token消耗的排行榜，给排名靠前的员工授予“Token传说”“缓存大师”等称号；亚马逊推出内部AI使用榜单“KiroRank”，将消耗数据纳入团队考评。

英伟达CEO黄仁勋的言论更火上浇油："如果我的工程师消耗的Token价值达不到他们年薪的一半，我会深感忧虑。"

国内厂商迅速跟进。腾讯在2026年3月推出全员AI激励计划，为员工提供每人年均22万元的Token资源，覆盖Cursor、CodeBuddy等多款国内外工具，内部也一度出现Token消耗排行榜。

于是，不出意外的，它们的AI账单，都失控了。

短短30天，Meta员工消耗了60.2万亿token，成本超1亿美元；Uber仅用4个月就耗尽了2026年全年的AI预算，管理层不得不紧急出台限额令，每位员工每月AI工具费用不得超过1500美元；亚马逊也开始推行严格的Token限额管理，高级副总裁Dave Treadwell甚至亲自下场喊话“别为了用AI而用AI”。

就在上个月，腾讯内部也下发额度调整通知：全员Token配额大幅缩水，核心研发团队月额度从宽松状态收紧至7000元，外包岗位更是砍到1000元。

从全员敞开用，到限额使用，短短三个月，画风突变。究其原因，无非是飞起的账单让财大气粗的大厂们都头皮发麻。

正如OpenAI CEO山姆·奥特曼近日在一个企业客户活动上所说：“今年年初，AI运行成本还是一个从未被提起的问题，现在突然变成了一个巨大的问题。”

这背后是需求的爆炸式增长。国家数据局数据显示，2026年3月中国日均Token调用量已突破140万亿，而2024年初仅为1000亿，两年增长超千倍。

而从全球范围来看，这个增长趋势还未看到放缓的苗头。高盛近期发布的报告，预计到2030年，全球Token月消耗量将比2026年增长24倍，达到约120千万亿（120 quadrillion）个Token/月，其中企业级智能体是核心增长动力。

*图源高盛

Token账单失控还带来一个副作用。为了填平AI的成本窟窿，今年一季度，海外十几家科技巨头裁员超4万人，程序员首当其冲；而在国内，“630”成了不少互联网人共同的Last Day。

在Meta，已经几乎没有人手写代码；在国内头部大厂，新增代码中最高90%由AI生成。AI代码率的飙升，直接导致了人员需求的下跌，以及随之而来的职场震荡。

02
「Token账单暴涨之谜」

账单费用=用量 X 价格。这道简单的公式背后，藏着两层不那么透明的推高逻辑，最终叠加形成了指数级的成本膨胀。

很多人有个错觉：大模型价格一直在降，AI不是越来越便宜吗？实际上，这只说对了一半——便宜的永远是通用轻量模型，而企业真正刚需的编程、长上下文、复杂推理等高价值场景，价格非但没降，反而在逆势上涨。

Anthropic推出的安全增强版模型Fable 5，定价达到每百万Token输入10美元、输出50美元，是同期Opus系列的两倍。

国内的智谱AI也是一个典型样本。据天眼查，2026年一季度，智谱伴随新模型迭代连续三次上调核心API价格，累计涨幅达83%；其面向通用场景的GLM-4.7轻量模型，输入价格仅2-4元/百万Token，输出8-16元；但对准编程与Agent场景的GLM-5.2，输入价格涨到8元，输出高达28元，两者价差最高达4倍。

此外，腾讯云在2026年3-4月经历两轮调价，混元HY 2.0 Instruct模型输入价格涨幅高达463%；MiniMax核心模型价格也有30%-50%的上调。

与此同时，模型厂商的计费模式从订阅制全面转向按量付费，厂商的收入直接和Token消耗量挂钩。这就形成了一个结构性矛盾：客户的目标是用最少的Token完成任务，而厂商的商业利益天然倾向于让客户消耗更多Token。

而从实际数据来看，近来Token消耗量的增长不是线性的，而是指数级的。

2025年底至今，AI产业最核心的变化，是从对话式AI向智能体Agent跃迁。AI不再是一问一答的线性交互，而是自主规划、循环调用、多轮纠错的复杂流程，Token消耗也随之从线性增长变成指数膨胀。

*图源互联网

Agent虽然能力强大，但据腾讯研究院分析，它其实隐藏着几类典型的低效消耗：

一是上下文陷阱，智能体每一步操作都会重复带入历史对话、工具日志和文件内容，同一批信息被反复计费；

二是技能Skill冗余，对49个软件工程技能的基准测试显示，79.6%的技能对任务通过率没有任何提升，却最高带来451%的Token开销增长；

三是多Agent的“沟通税”，多个智能体分工协作时，会不断重复任务背景、结论和格式化套话，每一次对话都是一次重复计费；

四是长任务的“熵增”，任务链条越长越容易跑偏，而为了纠偏又要增加摘要、检查、回滚机制，进一步推高消耗。

这些损耗不是简单的加和，而是互相叠加的乘积效应。一个复杂的多Agent任务，可能有近一半的Token花在了内部协调、自我纠偏和重复读取上，真正用于生成有效内容的比例并不高。对缺乏技术能力的普通企业而言，这更是一笔看不清、算不明的糊涂账。

03
「踏空的恐惧」

如果说大模型厂商的产品和定价策略是外部的“阳谋”，那么企业内部的Token消费，则是一场自上而下的“自我掏空”。

担心踏空AI变革的浪潮，企业纷纷拼命拥抱AI。这种压力自然会传导到每个员工身上，尤其在AI替代裁员的阴影下，员工普遍把“会用AI、多用AI”当成安全感来源。

不少公司把AI代码率、工具使用时长写进了OKR，甚至上线全员可见的数据看板，倒逼每个人刷消耗。简单的邮件回复、基础代码片段、常规数据查询，明明用搜索引擎或人脑几秒就能解决，也要交给大模型跑一遍——反正预算不是自己掏，用得越多越显得“拥抱变革”。

企业这般将Token消耗量与员工绩效挂钩，默认“用了多少AI”等同于“创造了多少价值”，并愿意为此支付高额账单。

有人说，这是历史规律。历史上每一次通用技术革命，都走过相似的路径。蒸汽机刚发明时，工厂主算完账发现还不如用马匹便宜；电灯刚商用时，成本远高于煤气灯。

但不同的是，电力消耗产出的是实实在在、可衡量的工厂效益，但Token换来的“智能”，到底创造了多少价值？答案是，目前还难以量化。

据晚点LatePost报道，一位互联网大厂技术管理者坦言，自己部门20多个人，一个月消耗5万元Token，回头看却没沉淀出几个可落地的成果。这笔钱相当于10名实习生的月薪，化作无形的Token之后，连清晰的产出物都没有。

*图源互联网

企业往往认为用AI替代人工是节省了成本。但反常识的是，大量基础场景里，用AI反而比人工更贵。

国内某人力资源服务商做过测算：用AI筛选并初评一份简历，Token加系统成本约1.2元/份，而雇佣兼职人事处理的成本仅0.8元/份。类似的情况在数据标注、基础文案撰写、简单客服问答中普遍存在。

AI还有更隐蔽的成本。有软件公司的研发负责人反馈，引入AI编程工具后，初级开发的效率看似提升了，但高级工程师的评审工作量翻倍，线上故障的返工成本增加了30%以上，算总账反而不划算，而且，人反而更累了。

这正是Token经济最核心的矛盾：Token消耗与价值创造之间，从来不是线性关系。不是消耗的Token越多，产出的价值就越大；相反，很多时候消耗的增长恰恰来自无效的循环、冗余的架构和盲目的焦虑。

04
「写在最后」

回到最初的问题，谁在推动“Token通货膨胀”？不是某一家AI厂商的恶意营销，也不是某几个员工的滥用浪费，而是在座的所有人。

从卖GPU卖存储的底层算力基础设施，到大模型架构的天然膨胀属性；从每一个怕踏空AI而焦虑的企业，直至每一位担心落伍的员工——所有人，共同推高了Token的消耗，推动了Token的贬值，也推高了那本越来越厚的AI账单。

每个人都助推了Token的通胀。而每个人又在自己的推力下被拉得踉踉跄跄。