AI投入下半场：企业开始算清智能体的词元账

从拼模型到算账本

AI投入上半场的重点是做出能力更强的模型；到了下半场，企业要算清智能体完成一项业务任务消耗多少词元、这笔开支能带来多少回报。

据上海报业集团旗下界面2026年11月13日刊发的公开报道（该文在另一平台同步转载），11月10日的一场财经论坛上，一家数据智能企业的创始人提出了一个判断：AI投入的上半场重点是做出能力更强的模型，下半场企业要算清智能体完成一项业务任务消耗多少词元，以及这笔开支能带来多少回报。

这句话把讨论的重心从"模型有多强"拉回到"任务划不划算"。它的潜台词是：词元正在从技术计量单位，变成企业运营里的一项成本科目。

两笔测算账，两种付费逻辑

报道里用了两笔测算来说明规模效应。

其一，一家拥有数万名员工的企业，如果每名员工每年消耗价值10万元的词元，一年的推理支出就会达到数十亿元。其二，一款日活达到1亿的消费级应用，即使每位用户每天只发起一次请求，平台每天也要承担1亿次请求对应的成本。

两笔账对应不同的付费逻辑。消费级应用如果靠免费服务积累用户，就需要找到能覆盖推理开支的收入来源；企业愿意为AI付多少，则可以和具体业务结果挂钩。由此可以理解一个判断：企业市场将是智能体商业化的重要场景，而模型调用费用能否随业务规模扩大而受控，将直接影响企业能把智能体部署到多少岗位和流程。

对做企业服务的团队来说，这个视角的实用之处在于：报价模型和成本模型必须同时成立。只算单价不算任务链路，规模化之后账会失真。

一次任务不等于一次调用

报道用编程场景说明了成本口径的变化。从协助程序员补全代码，到智能体自行处理一个开发任务，再到多个智能体在同一个工作群里分工，交给AI的指令可以更简短，背后的执行链路却更长。只看每次调用的价格，很难判断这种工作方式是否划算；企业还需要把一次任务中多轮调用的开销加总，放到交付结果里衡量。

这指向一个常被忽略的事实：成本不是按调用累加，而是按任务聚合。一次用户请求可能包含意图判断、资料检索、上下文组装、工具调用与答案生成，如果模型判断不充分还会重复部分步骤。只盯最终那次回答，就会漏掉中间消耗。

报道还提到一个内部实践：工程师通过自研平台组织多个智能体协作编程，平台支持私有化部署，不同智能体可以作为机器人加入团队，人员负责判断与校准，协作中形成的知识、方法与反馈留给后续任务复用。这里的成本逻辑也变了——复用的部分越多，单项任务的边际消耗越低。

数据边界与模型选择，都落到任务上

智能体进入工作流程后会接触企业文件与代码仓库。报道提到，企业需要知道智能体能访问哪些资料，也要知道每次调用模型时哪些业务上下文会被发送到云端。报道把企业掌握自身数据、智能体权限与模型使用方式的能力，概括为"企业主权AI"。

对企业来说，这意味着要逐项判断：哪些数据可以随任务交给外部模型，哪些环节必须留在自己的环境里处理。这不是一次性动作，而是随场景增加持续要做的分账。

模型选择同样可以细化到任务。报道认为，对不少日常办公工作，前沿开源模型已能胜任；需要处理更难的问题时，仍可调用能力更强的模型；在特定业务场景中，还可以通过后训练提升开源模型表现，让它以更低成本接近前沿模型在该场景的能力。

换个说法：不是所有任务都值得用最贵的模型，也不是所有任务都能用最便宜的模型。分层路由的前提，是先知道自己有多少种任务。

主动式智能体带来的计费矛盾

当智能体开始主动查阅邮件、整理日程或在夜间完成调研，推理成本会随着它自主发起的任务增加。报道指出其中存在一对矛盾：按词元用量计费，智能体越主动，用户承担的开支越高；采用固定月费，智能体每多运行一次，服务商就要承担额外成本。

报道提到一条被看好的路径：用户自有算力。企业购置服务器后，可以自行安排智能体的运行频率，把已经投入的算力用在需要持续执行的任务上；对应的评估指标也随之变化——设备投入能否被长期、稳定的任务量摊薄。

这个视角对采购决策有直接含义：当一个场景的任务量稳定且长期，固定投入可能优于按量付费；当任务量波动大或仍在试验阶段，按量付费的灵活性更值钱。

词元市场的分工想象

报道还借用了程序化广告生态作类比：广告技术市场有代表广告主优化投放成本的一方，有帮助媒体提升流量变现效率的一方，也有撮合买卖双方的交易平台。报道认为，词元市场可能形成类似分工——算力提供方希望提高回报水平，使用方希望用更低成本完成同样任务，中间可能出现提供撮合服务的平台。

尤其是使用方，需要有人帮它看清每项工作消耗了多少词元，并据此优化模型与成本。这句话可以看作对整个赛道的一句定位：谁能让用量可见，谁就有位置。

三个可以先动手的动作

把这些观察落到企业侧，可以整理出三件相对先行的事。

其一，把计量做到任务级。以统一的任务标识串联同一次请求里的多次调用、检索与工具执行，算出任务总成本，而不是只看单次调用价格。

其二，把归因做到场景级。总支出只能说明花了多少，说明不了花得值不值；分摊到团队、流程与任务类型，再为每类任务设一个单位指标（比如单份报告成本、单次处理成本），比较才有基准。

其三，把优化做成顺序题。先明确口径再谈压缩，先做路由与缓存再谈换模型。口径不一致时，任何降本数字都不可比。

据界面2026年11月13日刊发的公开报道，本文基于该报道的公开内容改写，聚焦企业用量治理的方法讨论，不涉及任何资金运作，也不作任何结果承诺；企业与产品名称、人员信息均未在本文中出现。