企业在引入 AI 时，正遭遇越来越突出的成本管理难题。当前主流 AI 服务多按 Token（代币）计费，但内容生成质量本身仍存在不确定性，企业很难准确估算并控制运营成本。与此同时，大语言模型的计费结构频繁调整，第三方软件厂商的利润空间也受到挤压；再叠加 AI 代理用量快速增长，如何在技术价值与财务成本之间找到平衡，已成为科技行业眼下的一项核心议题。
Token 预算为何难以提前锁定
大语言模型在处理提示词和生成回复时，会把内容拆分为最小计算单位 Token。问题在于，AI 具有非确定性特征，相同提示词未必每次都产生相同结果；只要微调指令，或改用另一种模型，Token 消耗量就可能明显变化。
这让企业很难建立稳定的成本模型，尤其是在使用周期拉长到两三年时更是如此。若企业开始把多个 AI Agent 串联起来进行协同决策，Token 消耗和不确定性还会继续放大，成本预测难度随之上升。
使用量下降不了，总支出反而更难压
尽管近年 Token 单位成本有所下降，但总体用量正在快速增长。高盛预测，随着企业大规模转向 AI 代理，2026 至 2030 年间全球 Token 消耗量将暴增 24 倍，达到每月 1,200 兆（120 Quadrillion）的规模。
不少企业直到收到月度账单，才发现代币预算早已超支。报道提到，Uber 仅用数月便耗尽全年 Token 预算。
在产品中接入 AI Agent 的门槛并不高，管理层只需点按按钮就能完成部署，速度远快于调整人力配置或招聘员工。但也正因为部署过于方便，安全测试和防护机制这类隐性 Token 成本往往会在不知不觉中攀升。
上游价格频繁变化，产品定价跟着失稳
AI 音乐创作公司 Sumo 表示，公司正在为如何向客户收费而苦恼，曾考虑过全面涨价、按成果付费和按件收费等方式。但上游大语言模型供应商每隔几个月就调整一次价格，原有定价结构很容易被打乱。
对 Sumo 来说，这类成本也很难直接转嫁给消费者，因为用户并不喜欢浮动收费模式。
多代理协同正在把成本继续抬高
在当前的 AI 系统中，单一模型已经很难覆盖复杂任务需求，企业越来越依赖多个 AI Agent 协同执行工作。问题在于，Agent 之间连续发生的 chained calls，以及更频繁的交互，会进一步推高 Token 消耗。
企业正在采用哪些控费手段
为了给 AI 代币成本加上护栏，企业目前主要从几个方向入手。
限制高成本工具的使用
一些企业会直接限制员工或工程师使用特定外部 AI 工具。微软就限制了旗下工程师使用部分第三方 AI 编码工具，以压缩不必要的预算支出。
提高提示词的精确度
企业也开始训练员工向 AI 提供更精确、更完整的指令。报道将这一做法比作让家人出门采购时附上一张清晰的购物清单。提示词越准确，AI 产生无效或冗余回复的概率越低，Token 浪费也会相应减少。
谨慎挑选 AI 模型
企业在导入 AI 技术时，并不适合一味追逐最新或最复杂的模型。更现实的做法，是根据具体任务评估哪种模型更匹配、性价比更合适。
把安全和测试成本提前算进去
不少产品经理在部署 AI 时，只计算了开发成本，但建立安全防护与开展系统测试，同样会消耗大量 Token。企业若要建立完整防护机制，需要把这些支出预先纳入预算。
用个人账户过渡并非长期方案
部分小型企业目前会利用个人账户，暂时避开昂贵的企业账户流量计费。不过，报道援引专家提醒，随着大型 AI 公司都面临来自股东的盈利压力，这类灰色做法迟早会被全面整顿，企业不应把它当作长期控费方案。