腾讯研究院公众号刊发了睿格钛氪（北京）技术有限公司 CEO 杜宁所著《一本书读懂词元经济》的摘文，主题是「谁在用词元」。文章把讨论重点放在需求侧：词元并不因为被消耗就天然产生价值，关键在于它完成了什么任务、替代了多少劳动、最终形成了什么结果。
文中以一个示意情境开篇：一位消费品公司的市场经理需要在两天内提交一份竞品分析报告，覆盖 5 个品牌在 3 个渠道的定价、促销和用户评价。她将 20 份行业报告和电商数据导入 AI 分析工具，用自然语言描述分析框架，两小时后得到一份结构清晰的初稿，再用半天修改判断、补充内部数据并调整结论措辞，当天下午完成提交。系统账单显示，这次分析消耗约 50 万词元。作者说明，这一情境仅用于展示词元消耗量级，并非特定真实案例。
从流量经济到词元经济，需求侧的衡量对象发生变化
文章指出，过去二十多年，数字经济的核心衡量对象是流量，常见指标包括日活、点击率、停留时长、转化率和复购率。词元经济关注的则不再只是用户看了多少信息，而是智能系统完成了多少认知任务、生成了多少可用结果、节省了多少专业劳动。
作者写道，如果说流量经济衡量的是注意力，那么词元经济关注的是智能系统完成了多少认知任务、产出了多少可用结果。为说明这一变化，文中回顾了互联网平台长期围绕注意力展开竞争的旧逻辑，并引用赫伯特·西蒙 1971 年的观点：信息的丰富会造成另一种东西的稀缺，即信息接收者的注意力。
在这一框架下，搜索、社交、短视频和电商平台争夺的是用户停留与转化；而在词元经济中，用户首先是任务发起者。用户打开 AI 工具，不只是为了看内容，而是为了解释材料、生成文字、修改方案、分析数据、翻译合同、编写代码、整理会议，或者让智能体连续处理复杂流程。表面上是与模型对话，实质上是把一部分认知劳动交给智能系统。
文章将这种变化概括为 4 点：
- 需求不再主要由内容消费驱动，而由任务完成驱动；
- 需求不只来自人类主动点击，也来自软件和智能体的自动调用；
- 数字经济的关注点从占用了多少注意力时间，转向完成了多少任务；
- 需求从获取信息走向获得能力，生成式 AI 参与写、改、算、画、编程、分析、比较、规划和执行。
文中援引麦肯锡估计称，生成式 AI 每年可能创造 2.6 万亿至 4.4 万亿美元的经济价值，在客户运营、营销销售、软件工程、研发等知识工作密集领域潜力较大。Anthropic 基于数百万次 Claude 对话的研究也显示，AI 使用高度集中在软件开发和写作等任务上，既包括增强人类能力，也包括自动化完成请求。作者据此认为，词元需求正在围绕任务而不是内容展开。
不过，文章也强调，流量经济与词元经济并非互斥替代。AI 应用仍可能依赖流量与注意力，流量平台也在嵌入任务型服务，两者更多是叠加与融合。流量经济不会消失，但词元经济会形成另一套增长逻辑：个人把 AI 作为能力延伸，企业把词元嵌入组织流程，智能体在后台自动消耗词元。
谁在消耗词元：个人、企业与智能体
文章先区分了两个层面。个人和企业是承担付费、决策与责任的最终需求主体，政府、教育、医疗等机构也归入这一类；系统软件与智能体则是代表这些主体自动消耗词元的调用触发主体。开发者通常依附于个人或企业。
作者认为，表面上看，个人打开聊天机器人、企业接入模型 API、开发者调用模型接口、智能体在后台执行任务，都会产生词元消耗；但背后的经济逻辑并不相同。个人消耗词元，是为了延伸能力；企业消耗词元，是为了重组效率；智能体消耗词元，则意味着词元需求从人类触发扩展到机器触发。
个人用户：从信息获取到能力延伸
文章称，个人用户是词元经济最早、最直观的需求方。搜索时代，个人主要通过关键词寻找网页；移动互联网时代，个人主要通过推荐系统消费内容；生成式 AI 时代，个人开始把任务交给模型，写邮件、改文字、解释论文、生成图片、辅导数学题、规划旅行、翻译材料、解读体检报告，都可能对应一次词元消耗。
文中举例称，一位独立撰稿人过去完成一篇 3000 字稿件通常要花一整天，现在把客户提供的产品资料和竞品信息交给 AI，让模型生成结构化提纲和初稿段落，再由自己调整观点、打磨文风、核实细节，同样的工作可压缩到半天以内。更重要的是，她开始承接以前不敢接的技术类稿件，不是因为突然掌握了芯片工艺或云计算架构，而是模型帮助她快速消化技术材料，她再把技术语言转化为读者能理解的表达。作者同时强调，专业判断的准确性仍需要本人核实把关。
文章认为，这种变化的关键不在于个人多了一个问答工具，而在于普通人可以低成本调用过去只有专业人士、组织或昂贵软件才能提供的认知能力。一个非程序员可以让模型解释代码，一个家长可以让模型设计孩子的学习计划，一个自由职业者可以让模型辅助写方案，一个创业者可以让模型生成市场调研框架。词元在个人端的价值，首先体现为能力延伸。
作者把这种能力延伸拆成 3 个方面：降低知识获取门槛，提高表达和生产能力，扩大个体行动半径。文章提到，「一人公司」「超级个体」在大模型时代被反复讨论，原因就在于个人可以通过模型和工具，把写作、设计、调研、客服、营销、编程等能力临时组织起来。不过，个人端通常仍处在增强而非完全自动化阶段。模型生成内容之后，人仍需要判断、修改、整合并承担责任。Anthropic 研究显示，AI 使用中约 57% 更接近增强人类能力，约 43% 更接近自动化完成请求。
企业用户：从工具试用到流程重组
文章指出，如果个人用户代表词元经济的普及面，企业用户则决定词元经济的规模和深度。企业并不是为了尝鲜而消耗词元，而是因为组织内部存在大量知识工作：客服要回答问题，销售要写方案，法务要审合同，财务要看报表，人力要筛简历，研发要写代码，管理层要看经营分析。这些工作信息量大、重复性高、格式化程度较强，同时又需要一定理解、判断和表达能力。
作者认为，词元进入企业后，最先改造的往往不是最复杂的战略决策，而是会议纪要、文档摘要、客服辅助、销售话术、代码补全、知识库问答等高频环节。微软与 LinkedIn 发布的 2024 年 Work Trend Index 显示，75% 的知识工作者已经在工作中使用 AI；与此同时，许多领导者认为 AI 对竞争力至关重要，但组织缺乏清晰实施愿景和计划。文章据此指出，员工层面的工具使用往往快于组织层面的流程改造。
文中把企业词元消费分为 3 个阶段：
- 个人效率工具化，员工自发使用 AI 完成写作、总结、翻译、资料搜索和代码辅助；
- 部门流程嵌入，客服、销售、研发、法务、人力、财务等部门把模型接入具体系统；
- 组织级智能化，企业重新设计工作流，把任务拆解为人类判断、模型生成、工具调用、数据检索、系统执行和人工审核等环节。
文章补充称，这 3 个阶段并非严格线性，不同企业可能并行推进，也可能长期停留在某一阶段。到了第三阶段，词元就成为组织运行中的新型投入品，进入预算、审计、投资回报率（ROI）和风险管理。
作者还强调，企业与个人最大的不同在于可控性。个人使用 AI，如果回答不好，最多重问一次；企业如果把错误输出放进合同、授信、代码、客户沟通或医疗建议中，就可能带来真实损失。因此，企业级词元需求不会简单由「模型越便宜越好」驱动。低价模型适合低风险任务，高价值任务则需要更强模型、更好数据、更严格权限和更完整审核。
系统软件与智能体：词元的自动化消耗者
文章称，第三类需求主体是系统软件和智能体。早期大模型应用中，词元消耗通常由人直接触发；随着 API、插件、工具调用和智能体框架发展，越来越多词元消耗开始由软件触发。开发者把模型能力嵌入产品和流程，一个系统软件接入模型 API，就可能让成千上万用户间接消耗词元；一个企业系统集成模型，就可能让多个部门持续产生词元需求。
编程场景被文中列为目前典型的高频词元消费场景之一。GitHub Copilot 相关实验证据显示，在一项让开发者实现 HTTP 服务器的受控实验中，使用 AI 编程助手的实验组完成任务速度比对照组快 55.8%。作者指出，这一结果不能简单推广到所有软件开发场景，但说明模型嵌入开发工具后，词元不只是生成文本，也在参与软件生产。
智能体则进一步放大了这种趋势。文章写道，一个智能体不是只回答一次问题，而是围绕目标连续调用模型和工具：理解任务、制订计划、搜索资料、读取文件、调用代码环境、检查结果、修正输出。Anthropic 后续关于 Claude 使用的研究发现，用户将任务委托给 Claude 的比例在数月内上升，企业 API 场景也呈现更强的自动化和专业化特征。词元需求的增长，不只来自聊天次数增加，也来自系统把更多任务交给模型连续执行。
在作者看来，个人、企业和智能体看似不同，但共同点是：词元消费的本质不是使用 AI 工具，而是调用智能能力。个人把模型当作能力延伸，企业把模型嵌入组织流程，智能体把模型变成任务执行部件。三者共同推动词元需求从低频问答走向高频工作流，从人类主动输入走向系统自动触发，从内容生成走向任务完成。
文章据此总结，词元需求侧不是一个单一市场，而是由个人能力延伸、企业效率重组和智能体自动化执行共同组成的复合市场。大体上，个人需求影响普及速度，企业需求影响价值深度，智能体的自动调用则可能主导未来的消耗强度；此外，政府、教育、医疗等公共部门也是不可忽视的需求来源。
词元的价值如何体现：5 条转化路径
文章强调，词元本身不是价值。企业账单上可以看到输入词元、输出词元、缓存词元和工具调用，但这些数字本身并不直接等同于经济价值。一个部门消耗大量词元，可能是因为工作流程更智能，也可能是因为提示词低效、反复返工、模型选择不当，甚至是智能体无效循环。判断词元经济是否成立，不能只看消耗量，而要看价值转化机制。
从需求侧看，作者把词元价值概括为 5 条路径：效率提升、收入增长、能力扩展、组织形态变化和知识发现。效率提升回答「省了什么」，收入增长回答「新增了什么」，能力扩展回答「过去做不了的事情现在能不能做」，组织形态变化回答「工作如何重新分工」，知识发现则回答「能不能发现以前发现不了的东西」。
效率提升：节省时间和降低成本
文章称，词元最容易被观察到的价值是效率提升。在许多知识工作中，真正占用时间的并不是创造性灵感，而是阅读、整理、归纳、改写、查找、分类和格式化。会议纪要、客服回复、合同初审、代码补全、测试生成等环节，都包含大量高频、重复、半结构化的认知劳动。生成式 AI 进入这些环节后，词元首先压缩的就是这些任务片段。
文中引用 Noy 和 Zhang 在《Science》发表的实验研究：453 名受过大学教育的专业人士完成职业相关写作任务，随机让一部分人使用 ChatGPT。结果显示，使用 ChatGPT 的实验组完成任务的平均时间下降 40%，输出质量提高 18%。客服领域也呈现类似趋势。Brynjolfsson、Li 和 Raymond 基于 5179 名客服人员数据研究生成式 AI 对工作效率的影响，发现 AI 助手使每小时解决的问题数量平均提高 14%，且新手和低技能员工改善幅度更大。
不过，作者同时提醒，效率提升并不是无条件发生的。Dell’Acqua 等人与波士顿咨询公司合作开展的实验提出「锯齿状技术前沿」概念：在 AI 能力边界内的任务中，使用 GPT-4 的咨询顾问完成任务更多、速度更快、质量更高；但在被设计为超出 AI 能力边界的复杂管理任务中，使用 AI 的人反而更不容易给出正确解法。文章据此认为，关键不是所有任务都用 AI，而是识别哪些任务处在模型能力边界内，哪些任务必须保留人类判断。超出能力边界的任务上，消耗的词元不仅没有产生价值，反而可能带来错误和返工成本。
收入增长：提供新产品和新服务
第二条路径是收入增长。文章称，如果说效率提升主要体现为少花钱、少花时间，那么收入增长体现为做出新产品、服务新客户、打开新市场。许多 AI 应用的价值，不只是让原有流程更快，而是让过去无法规模化提供的服务变得可行。
文中列举的场景包括：教育机构用模型生成个性化讲解和练习题，文旅企业根据用户偏好生成路线和导览内容，金融机构为长尾客户提供初步投资教育和产品解释，设计平台让普通用户快速生成视觉素材，软件公司把代码生成、测试生成、文档生成集成到开发流程中。作者认为，这些场景说明，词元把原本高度依赖人工的服务拆成可被模型参与的任务，使服务能够以更低边际成本覆盖更多用户。
收入增长还来自产品形态变化。文章写道，传统软件销售功能，AI 原生产品往往销售结果。用户购买的不是一个文本编辑器，而是「帮我写好一封邮件」；不是一个搜索框，而是「帮我完成调研」；不是一个客服系统，而是「帮我解决客户问题」。当产品从功能导向转向任务导向，词元就成为新产品的底层成本单位和价值实现单位。作者也补充区分，实际收费上，多数 AI 产品仍采用账号订阅、功能套餐或 API 用量计费，纯粹按结果付费目前只出现在部分服务中。
能力扩展：让非专业者获得专业支持
第三条路径是能力扩展。文章指出，过去很多专业能力被绑定在特定人群、机构和软件系统中。会写代码的人才能开发工具，懂设计的人才能做视觉方案，懂法律的人才能审合同，懂财务的人才能读报表。生成式 AI 没有消除专业差异，但降低了初步调用专业能力的门槛。
一个普通员工可以让模型解释财务指标，一个小企业主可以让模型起草合同条款，一个学生可以让模型拆解复杂概念，一个个体创业者可以让模型生成营销方案。模型输出未必能直接作为最终答案，但可以成为草稿、框架、解释器和陪练者。前述客服研究显示，AI 助手对新手和低技能员工帮助更大。作者据此认为，AI 可能起到「经验扩散器」的作用，把高绩效员工的部分做法传递给低经验员工。
文章把能力扩展分为横向扩展和纵向扩展。横向扩展是个人或组织进入原本不熟悉的领域，完成初步探索；纵向扩展是专业人士利用模型放大自身能力，把低价值环节交给模型，把精力集中在判断、责任和创造性问题上。作者强调，词元可以降低进入门槛，但不能取消责任门槛。这种扩展停留在初步理解和辅助准备层面；真正进入专业决策，仍需专业人员核验并承担责任。
组织形态变化：从岗位分工到任务编排
第四条路径是组织形态变化。文章认为，当词元只是个人偶尔用于写作和问答时，它只是工具；当词元持续嵌入企业流程时，组织结构就会受到影响。企业原本围绕岗位分工运行：客服回答问题，法务审合同，研发写代码，管理层做决策。大模型进入后，许多工作被拆成任务片段：检索、总结、生成、校验、判断、执行。
这会推动企业从岗位分工走向任务编排。文中以合同审查为例，系统可以先读取合同、提取条款、匹配模板、标记风险、生成修改建议；法务人员再判断风险是否真实、建议是否可行、谈判策略如何安排。客服场景中，模型识别意图、检索知识库、生成答复，人工客服处理复杂情绪、特殊权限和高风险问题。在这种结构中，人的角色从单纯执行者转向任务设计者、模型使用者、结果审核者和责任承担者。
文章还提到，2025 年关于宝洁公司 776 名专业人士的现场实验显示，AI 不仅影响个体效率，也可能重塑团队协作：使用 AI 的个人表现可接近未使用 AI 的双人团队，同时 AI 有助于打破研发和商业人员之间的功能壁垒。作者据此认为，AI 不只是加速个人工作，还可能改变团队中知识如何流动、专业如何互补、协作如何组织。
知识发现：让 AI 参与科学探索
第五条路径是知识发现。文章称，前四条路径主要是把已有的人类工作做得更快、更省、更广；知识发现则指向另一种价值，即借助 AI 发现以前难以发现的东西。在科学研究中，模型可以从海量文献、实验数据和分子结构中提出假设、筛选方案、加速实验设计，所谓「AI for science」正在材料、生物医药、化学等领域展开。
作者指出，这类任务消耗的词元，价值不在于省下多少工时，而在于能否撬动新的发现。单位词元的潜在回报可能极高，但也高度依赖数据质量、专业判断和反复验证。文章同时强调，这几条路径都不是自动发生的。词元能否真正转化为价值，既取决于任务适配、质量控制与人机分工，也取决于数据质量、系统集成、组织能力与预算治理。
词元预算与运营：企业如何管理新型成本科目
文章指出，需求侧的成本管理压力主要落在企业身上。个人用量小，智能体最终也由企业部署和买单，因此这一部分聚焦企业。作者将其与第三章供给侧讨论的价格形成区分开来：供给侧讨论价格怎么来，需求侧讨论企业如何规划、归因和管控自己的词元支出。
文中称，当企业只是零星试用 AI 工具时，词元消耗往往只是技术部门或创新部门的一笔小额费用；但当 AI 进入客服、销售、研发、法务、财务、知识管理和智能体流程后，词元就不再是试用费用，而会变成企业经营中的新型成本科目。此时企业不能只问「用了多少 AI」，而要追问：谁在用词元、用在哪些任务上、结果是否有价值、有没有重复调用、有没有把敏感数据输入外部模型、有没有让智能体在后台无节制运行、有没有低价值任务占用高成本模型。作者认为，词元消耗规模扩大后，企业需要的不只是模型接入能力，更是词元运营能力。
从 API 账单到词元预算
文章称，许多企业最早接触词元成本，是从模型 API 账单开始的。开发者调用模型，账单显示输入词元、输出词元、缓存词元和工具调用费用；部门购买 AI 产品，账单显示账号数、额度、套餐和超额费用。试点阶段，这种成本规模不大，往往由创新预算覆盖。但当客服系统、研发平台、知识库系统和智能体持续运行时，词元成本会变得高频、分散、增长迅速，更像云计算费用，会随着使用强度自动增长。
作者提到，云计算时代已经形成云财务运营（FinOps）经验。FinOps 基金会将 FinOps 定义为一种运营框架和文化实践，通过工程、财务和业务团队协作，最大化技术商业价值，促成及时的数据驱动决策，并建立财务问责。文章认为，词元经济中的成本管理可以借鉴这一思想，但也要看到差异：云成本主要对应计算、存储、网络等资源；词元成本对应的是认知任务、模型能力和输出结果。企业不仅要控制消耗，还要判断消耗是否创造价值。
文中指出，词元预算的第一步，是把总账单拆解到部门、项目和任务。部门维度回答「谁在用」，项目维度回答「为哪个业务目标使用」，任务维度回答「具体用来做什么」。只有完成这些归因，企业才可能建立预算。否则，词元账单只是一个总数，看似可控，实际无法管理。
预算不是压低消耗，而是合理规划投入
文章强调，词元预算容易被误解为如何少用 AI。事实上，企业做词元预算的目标不应是简单压低消耗，而是合理规划投入水平：哪些任务该用 AI、用什么等级的模型、额度如何在部门和项目之间分配。如果一个任务消耗很多词元，但显著节省人力、缩短交付周期、提高转化率或降低风险，它可能是值得的；如果一个任务消耗不多，但结果不可用、需要反复修改，甚至引入错误，低成本也可能是浪费。
作者据此提出任务分级：
- 低风险低价值任务，如普通改写、格式调整、简单摘要，适合使用低成本模型；
- 高频提效任务，如客服辅助、会议纪要、知识库问答、代码补全，需要关注整体成本和稳定收益；
- 高价值复杂任务，如金融投研、法律审查、工业故障诊断，可以使用更强模型、更长上下文和更多工具，但必须配套人工审核；
- 高风险限制任务，如医疗诊疗建议、重大金融决策、生产控制指令，则必须纳入合规、责任和审批流程。
文章还提到，微软关于 Azure AI Foundry 成本管理的文档也体现了类似思路：企业应在部署前估算费用，在使用过程中跟踪支出，并设置预算和提醒，以避免超出预期；同时，模型服务成本只是整体应用或解决方案成本的一部分。作者据此认为，企业级 AI 成本管理已经从看账单走向部署前规划、使用中监控、超额时预警的全过程管理。
词元 ROI、审计与运营闭环
文中称，词元预算解决的是「花了多少」，词元 ROI 解决的是「值不值」。企业至少应建立任务级评估框架，同时看效率、质量、业务和风险 4 类指标。效率指标包括任务完成时间、单位时间处理量、人工复核时间；质量指标包括输出可用率、一次通过率、错误率、返工率、人工采纳率；业务指标包括客户满意度、转化率、投诉率、风险识别率；风险指标包括是否出现敏感数据泄露、错误建议、合规问题和高风险决策误用。
词元审计则回答「模型读了什么、说了什么、影响了什么」。文章指出，传统软件审计主要关注谁登录系统、修改了什么数据；词元经济中的审计还要记录哪些数据进入模型、调用哪个模型和版本、使用什么提示词、输出什么结果、结果是否被采纳、是否进入合同、报告、代码仓库、审批流程或客户回复。
作者引用美国国家标准与技术研究院（NIST）人工智能风险管理框架（AI RMF 1.0）称，该框架把 AI 风险管理组织为治理、映射、度量和管理等核心功能，强调组织应识别、评估、管理和沟通 AI 风险。文章同时说明，文中所说的「词元审计」是借鉴 NIST 等治理框架思路后提出的分析性提法，并非 NIST 原文概念。
在作者看来，当预算、ROI 和审计结合起来，企业就会形成词元运营。它不是单纯由技术部门负责，也不只是财务部门看账单，而是业务、技术、财务、安全、法务和管理层共同参与的运营体系。文章把这套做法称为「词元运营」：它借鉴云计算的 FinOps，但管理对象不是计算、存储资源，而是认知任务、模型能力与输出结果。
这一部分的结论是，当词元成为企业新型成本科目，管理重点不是把词元用得越少越好，而是把词元用在正确任务上、用出可验证价值，并把风险控制在可接受范围内。
高价值任务与低价值任务：需求侧的价值密度分化
文章指出，不是所有词元都同样有价值。模型账单会告诉企业消耗了多少词元，但不会自动告诉企业这些词元创造了多少价值。同样 100 万词元，用于闲聊、娱乐和普通改写，可能只是改善体验；用于客服分流、代码生成和合同审查，可能节省大量人力；用于金融风控、工业诊断和药物研发，可能影响重大决策和高价值产出。数量相同，价值密度完全不同。
作者把价值密度定义为单位词元在特定任务中能够创造的经济价值、降低的成本、减少的风险或扩展的能力。一个任务消耗词元越多，不一定价值越高；一个任务消耗词元不多，也可能因为进入关键流程而产生巨大价值。文章说明，价值密度是一个相对的、定性的判断框架，用于帮助企业排序和取舍，而非可折算为同一刻度的精确数值，因为不同任务的收益单位不同，省下的工时、降低的风险、新增的收入很难统一计量。
低价值任务与中价值任务
文中称，低价值任务并不是没有价值，而是单位价值有限、错误代价较低、用户付费意愿较弱。典型场景包括闲聊、娱乐对话、简单问答、普通改写、低风险文案、日常摘要、轻量翻译、图片趣味生成等。这些任务门槛低、频率高、结果可替代性强，其作用更多在于普及和习惯养成，让用户熟悉 AI 交互方式，理解模型能力和限制。但作者提醒，低价值任务不宜长期占用高端模型资源，否则成本和收益会不匹配。这里的高低，指这些任务在通常情况下的单位经济价值和错误代价；同样是翻译或摘要，在重要合同、医疗资料等场景中也可能是高价值任务。分类是为了管理便利，而非给具体用途贴固定标签。
中价值任务则被作者视为当前最容易规模化、也最容易被企业感知的部分。典型场景包括会议纪要、文档摘要、知识库问答、客服辅助、销售话术、营销内容、翻译润色、代码补全、测试生成、数据解释、报表初稿、合同条款初筛等。这些任务发生频率高，有明确工作结果，错误代价可控，可以通过人工复核修正。前文提到的写作实验、客服研究和开发者实验，大多属于中价值任务范畴。
文章认为，中价值任务最需要关注总量和采纳率。单次调用可能不贵，但因为频率极高，很容易形成可观账单。一个客服辅助系统如果生成 10 条建议，只有 2 条被采纳，价值密度就偏低；如果 8 条被采纳，并显著缩短响应时间，价值密度就较高。企业应当关心「多少词元产生了被采纳的结果」，而不是只关心「消耗了多少词元」。
高价值任务与高风险限制场景
文章称，高价值任务是词元经济最有潜力、也最难管理的部分。典型场景包括金融投研、信用风控、反欺诈、法律审查、药物研发、医疗辅助、工业故障诊断、复杂代码生成、网络安全分析、企业战略分析、供应链优化等。这些任务专业性强、信息密度高、错误代价大、结果价值高。
作者指出，高价值任务并不一定消耗最多，但单位价值可能最高。一份金融研报摘要如果帮助研究员更快发现关键风险，一次合同审查如果提前识别重大责任条款，一次工业故障分析如果减少停机时间，一次安全分析如果提前发现漏洞，其经济价值远高于普通文本生成。
不过，文章也强调，高价值任务不能简单等同于用最贵模型。高价值任务通常要求模型能力、行业数据、知识库、工具调用、人工审核和责任机制共同作用。一个高性能模型如果没有可靠数据，可能生成流畅但错误的判断；一个行业知识库如果没有更新，可能给出过时依据；一个智能体如果没有权限控制，可能把错误操作带入生产流程。
高风险限制场景则具有更强的责任约束。医疗诊疗、重大金融决策、生产控制、法律最终意见等任务，潜在价值很高，但错误代价极大。它们不能只按效率和成本衡量，还必须设置严格权限、专家复核、审计留痕和责任边界。
从消耗量管理走向价值密度管理
文章认为，价值密度首先取决于任务位置。一个强模型用于闲聊，其产出仍可能是低价值的；一个低成本模型用于高频客服分流，反而可能创造稳定商业价值。模型能力决定词元可能达到的质量上限，但任务位置决定词元是否有价值出口。
作者写道，价值密度至少受 6 个因素影响：任务重要性、输出可用性、替代劳动价值、错误代价、规模化程度、数据和流程嵌入深度。企业不能只看模型价格，也不能只看词元数量，而要看词元被放在什么任务里。一般而言，任务越重要、输出越可用、越能规模化复用，单位词元价值越高；反之，错误代价和复核成本越高，价值实现的难度也越大。
这一部分的结论是，词元经济的增长，不只在于词元总量增长，更在于更多词元进入高价值、高复杂度、高可信要求的任务，并且能够在可控风险下稳定创造价值。
需求侧风险：幻觉、泄密、依赖与责任归属
文章最后讨论了风险治理。作者指出，词元越深入个人生活和企业流程，风险就越不再只是模型答错了这么简单。当词元只用于闲聊，错误成本相对较低；当词元进入客服、合同、代码、金融、医疗、工业和政务流程，错误就可能带来客户损失、合规风险、系统漏洞、业务中断甚至责任纠纷。
因此，词元经济的需求增长必须伴随风险治理。企业和个人必须回答：模型输出是否可靠，输入数据是否安全，人是否过度依赖模型，模型输出是否存在系统性偏见，AI 参与决策是否符合公平性要求，如果模型输出造成损失，谁承担责任。作者认为，这些问题决定词元能否从低风险试用进入高价值业务流程。
幻觉风险：输出流畅不等于输出正确
文章称，生成式 AI 最常见、也最容易被低估的风险是幻觉。所谓幻觉，并不只是模型胡说，而是模型生成看似合理、语气自信、格式完整，但事实错误、依据不足或推理不成立的内容。在企业场景中，幻觉可能变成错误摘要、错误合同判断、错误代码、错误客户答复、错误投研结论。
作者引用 NIST《AI 风险管理框架：生成式 AI 画像》称，生成式 AI 具有信息完整性、虚构内容（Confabulation）等多类风险，并强调组织需要识别与管理生成式 AI 在设计、开发、部署和使用中的独特风险。文章据此指出，幻觉不是单一技术缺陷，而会与组织流程、数据来源、用户判断和责任机制交织在一起。
在治理上，作者认为不能只依赖换一个更强模型。更强模型可以降低错误率，但不能消除错误。低风险任务可以轻量自查，中风险任务需要检索增强、引用来源、人工复核和版本记录，高风险任务则必须建立专家审核、交叉验证、输出留痕和责任边界。
数据泄露、过度依赖与责任归属不清
文章指出，许多用户会自然地把文件、代码、合同、客户信息和业务材料输入模型。对企业来说，这可能涉及商业计划、客户名单、财务报表、源代码、研发资料、合同文件、交易数据和内部会议纪要。一次看似普通的模型调用，可能意味着敏感数据进入外部系统、日志、第三方服务或跨境数据流。
文中提到，开放式全球应用安全项目（OWASP）大语言模型应用安全项目把「敏感信息泄露」列为大语言模型（LLM）应用的重要风险之一。作者认为，这些风险对需求侧尤其重要，因为许多问题并不发生在基础模型内部，而发生在企业如何接入模型、开放权限、处理输出、设计插件和工具链上。
关于过度依赖，文章称，AI 可以降低任务门槛、提高效率、扩展能力，但也可能导致判断退化。用户长期依赖模型写作，可能降低独立组织表达的能力；开发者长期依赖代码生成，可能降低对底层逻辑和安全漏洞的敏感度；管理者长期依赖模型摘要，可能减少对原始材料的深入阅读。作者认为，治理依赖风险，需要重新设计人机分工：低风险任务可以自动化，中风险任务可以模型生成、人类审核，高风险任务必须保留专家判断。
责任归属不清也是文中重点讨论的问题。AI 客服给客户错误承诺，谁来负责；代码助手生成漏洞代码，谁来负责；智能体错误更新数据库，谁来负责；金融分析模型给出误导性判断，谁来负责。作者写道，这类责任问题最终需要制度化的责任界定与合规框架。欧盟《人工智能法案》围绕高风险 AI 系统、透明度与治理建立了规则，相关监管框架将在本书第九、十章专门讨论。
文章还提到公平性风险。当模型输出带有性别、种族、地域等偏见，并被用于筛选、评分、推荐等自动化决策时，可能造成系统性歧视、损害社会信任，甚至引发监管处罚。需求侧应通过偏见检测、公平性评估、多元数据集和人工抽检来防范。
成本风险同样被纳入讨论。智能体在后台无效循环、低价值任务长期占用高成本模型，都可能让词元账单失控。企业需要通过预算控制、调用限额、异常监控和模型路由，把成本约束在可接受范围内。
把 AI 使用纳入组织制度
文章认为，幻觉、泄密、依赖和责任归属，看似是 4 类风险，实质上都指向同一个问题：词元消费不能只靠个人习惯和工具体验，而必须纳入组织制度。企业可以从 5 个方面建立需求侧管理：任务分级、数据分级、模型分级、人员分工、持续监控。
- 任务分级决定哪些任务可自动化、哪些需复核、哪些需专家审核、哪些禁止自动化；
- 数据分级明确哪些数据可进入外部模型、哪些只能进入私有环境、哪些必须脱敏、哪些禁止输入；
- 模型分级要求不同任务使用不同模型，不同模型拥有不同权限；
- 人员分工明确使用者、审核者、审批者、技术维护者和风险负责人；
- 持续监控则通过日志、抽检、红队测试、用户反馈和错误复盘，改进模型、提示词、知识库和工作流。
作者将这一部分总结为：词元经济越深入业务流程，风险治理越不能事后补救。需求侧真正成熟的标志，不是每个人都会使用 AI，而是组织能够知道哪些任务适合 AI、哪些数据可以输入、哪些输出可以采纳、哪些结果必须审核，以及一旦发生错误由谁负责。
文章结论：词元需求的本质是智能能力转化
在结尾部分，文章将全篇观点归纳为 3 点。第一，词元需求来自个人、企业与智能体三类主体，前两者是最终主体，后者是触发主体。个人消费词元是能力延伸，企业消费词元是效率重组，智能体消费词元则意味着机器工作流开始自动消耗智能能力。
第二，词元价值通过 5 条路径实现：效率提升、收入增长、能力扩展、组织形态变化和知识发现。词元本身不是价值，只有进入具体任务、形成可用结果、嵌入合理流程，才能转化为经济价值。
第三，词元需求增长必须伴随风险治理。幻觉、泄密、依赖与责任归属等问题，决定词元能否进入高价值、高风险、高可信场景。
文章最后写道，第四章完成了从「谁在用词元」到「词元如何变成价值」的解释。下一部分将进入具体行业场景，讨论制造、文旅、金融、跨境服务等领域中，词元究竟如何被消耗，又如何改变成本结构、业务流程和产业逻辑。
本文摘选自《一本书读懂词元经济》，来自微信公众号「腾讯研究院」（ID：cyberlawrc），作者为杜宁。
