20%的任务吃掉80%的用量：企业AI成本治理的三个抓手

成本结构已经变了

过去买软件按席位、按年付，预算可预测；现在智能体接入业务后，账单随使用深度浮动。这不是价格问题，是核算方式的问题。

据腾讯2026年10月发布的《企业级Token治理实践指南》，企业AI的成本结构正在发生实质变化：过去按席位或按年订阅的固定支出，逐步转为随调用量变动的Token支出。指南给出的一个关键分布特征是，约20%的AI任务占用了80%以上的Token。

这个比例值得反复咀嚼。它说明AI用量并非均匀分布，少数复杂任务才是消耗主体。如果企业只有一张总账单，看不到任务级的分布，很容易做出错误决策——比如对全部门统一压缩用量，结果砍掉的是成本极低的日常问答，真正该优化的高消耗任务原地不动。

三种路径，对应三种组织状态

放开用、不敢用、按任务算账——前两者是同一个问题的两端，第三种才把成本变成了经营变量。

指南把企业的成本管理路径归纳为三类：完全放开使用、因顾虑成本而收紧使用、按任务核算成本。

其一常见于探索期，业务部门自由试用，好处是快速跑出场景，代价是账单不可归因；其二出现在账单超出预期之后，往往伴随层层审批与额度限制，短期压住了支出，同时也压住了场景探索；其三把完整任务作为成本核算单位，按任务带来的价值分配资源，优先保障高价值场景。

从行业观察的角度看，这三种状态并非线性演进，更像反复震荡。企业真正需要跨过的门槛，是从"控制总量"转为"核算单任务"，而这需要计量能力先行。

四层框架：看得见、管得住、用得省、信得过

四层的顺序不能颠倒。没有可见性就设额度，等于用猜的数字管预算。

指南提出的治理框架分四层。看得见，指用量与成本能被观测、被拆解；管得住，指配额、权限与调用边界可配置，超出阈值能有预警甚至自动熔断；用得省，指按任务特性匹配模型、利用缓存与链路优化减少无效消耗；信得过，指数据流向、调用记录可追溯，敏感操作可管控。

值得注意的是，指南援引的行业案例几乎都落在前三层。教育科技企业通过对任务价值重新分配模型与供给方式，单题成本下降60%以上；互联网保险企业统一管理多个模型，降低单一模型故障的影响并让成本边界更清晰；终端助手类产品用经济型模型承接主链路、专用能力匹配特定任务、预留容量保障高峰；制造企业的代码评审智能体则通过链路定位减少无效消耗。

这些做法的共同点在于：把Token当作可计量、可归集的运营资源，而不是一笔笼统的技术开销。

落地起点：先让每一笔消耗找得到归属

治理的起点不是省钱，是让用量能对上部门、场景与任务。

对多数企业而言，可操作的次序是三件事：配额基线、使用流水、成本效益对照。先为部门与场景设定可调整的额度，避免无边界使用；再把调用记录沉淀成可查询的流水，能按部门、应用、任务回溯；最后把消耗与业务产出放在一起看，判断哪些任务值得继续加码、哪些属于形式化消耗。

这与企业资产数字化的思路一脉相承——把分散的消耗转化为可管理、可核算的数字化资产单元，让成本从"月底才知道"变成"过程中可干预"。需要说明的是，Token用量管理本质是内部资源配置机制，不涉及任何资金运作，也不做任何结果承诺；对用量做治理，目的是让投入产出关系看得清，而不是承诺某个结果。

（本文据腾讯2026年10月发布的《企业级Token治理实践指南》公开内容整理，仅做行业方法论观察，不构成任何专业意见或建议。）