企业Token成本在智能体时代怎么变

单价在降，支出为何在涨

Token单价持续下探，经济档模型每百万Token已低于0.3美元，但企业侧的实际账单并未同步收缩。

据腾讯网《AI大家说》2026年10月12日发布的内容，经济档模型的价格已经低到每百万Token不足0.3美元。按直觉，单价下降应当带来支出下降，但企业的总支出反而在增长。原因并不神秘：单价只是账单里的一个因子，调用量、任务复杂度与并发规模的增长速度，超过了单价下行的速度。

该文把这一变化拆成三重。

第一重，降价的未必是企业真正依赖的那个模型。企业实际使用的往往是一个模型组合：关键任务用前沿旗舰，日常工作用中间档，批量处理用经济档。混合均价取决于任务组合，而非单一模型的定价趋势。

第二重，也是成本增长最重要的驱动力——智能体时代每个任务的Token消耗在非线性膨胀。一个简单问答消耗约500个Token，而一个智能体完成复杂任务可能消耗1万到10万个Token，相差两个数量级。更麻烦的是不可预测：消耗取决于任务复杂度、工具调用次数、重试逻辑，以及智能体自主决策的路径长度。

第三重，成本的可预测性在变差。传统IT支出——服务器租金、SaaS订阅费、人力成本——每月波动通常在10%以内；Token支出不同，一次智能体工作流的异常重试就可能让当日成本放大十倍。企业面对的已不是"Token太贵"，而是"不知道下个月账单会落在什么量级"。

IDC对318名企业决策者的调研也印证了这种落差：92%表示AI智能体的实际成本高于预期。

两类任务，两个相反的走向

该文提出一个对预算规划有用的切分：按任务的智力含量分类，两类任务成本走向截然相反。

一类是高智力依赖、强推理的任务，例如销售策略制定、高风险决策、面向科学发现的研究。这类任务追求最高质量的Token，会主动选用最强、最贵的模型，单位成本不仅不趋向于零，反而可能越来越高，但换来的价值也足够大。

另一类是低智力依赖、高确定性的流程化工作。这类任务对智力水平要求不高，随着经济档模型降价，其Token成本会迅速趋近于零，很多环节甚至可以直接用确定性脚本替代，根本不必动用模型。

换句话说，单价下降的红利主要落在低智力任务上，而高智力任务的账单仍会随能力升级而抬高。企业真正要规划的，是这两类任务在自己业务里的比例。

从单价管理转向用量治理

落到管理动作，企业需要的不只是采购折扣，而是一套可计量、可归集的运营口径。可参照三个步骤：

任务分级。 先给业务任务打标签，区分哪些必须用前沿模型、哪些用经济档即可、哪些根本不需要模型。任务分级是成本治理的起点，没有分级，后面所有优化都无从谈起。

预算前置。 把Token花费从"事后看账单"变成"事前的额度"。按部门、按项目、按任务类型设定调用额度与频率上限，超出即拦截，让成本在执行侧被记录，而不是靠人工填报汇总。这样才具备倒推预算的基础。

价值对齐。 治理目标不是"少用"，而是"用对"。先明确任务成功标准，再评估业务产出与Token成本的对应关系；冗长上下文、重复推理、模型配置过高或工具调用陷入循环，都是典型的低效消耗。

这个思路与北京大学一场关于企业Token经济学的讲座判断一致：企业关注的不应只是模型能力本身，更应关注单位Token的生产成本和使用价值；Token治理不能只以"少用"为目标，而要让资源投入尽可能转化为有效成果。自建还是外采，则应综合考虑数据安全要求、使用规模以及AI是否属于核心业务，从全生命周期视角比较成本与效益。

在单价长期下行的趋势下，管住用量结构、看清单位Token的产出，比追逐最低标价更有意义。

本文为企业管理视角的行业观察，聚焦成本治理方法论，不涉及任何金融产品。