报告行业投资评级 本报告未设置相关行业投资评级内容 报告核心观点 - 企业AI催生了代币这一新型商业成本 代币经济正逐步成为高管层和董事会重点关注的实质性风险与机遇点 掌握代币经济管理规律的企业相比仅被动支付账单的企业将获得显著竞争优势 [5] - AI代币挑战同时属于成本问题与管理问题 企业可通过五项核心规范在不超预算的前提下扩展AI使用 对待AI代币经济学需秉持与资本 云基础设施 软件资产等其他技术资源同等的严谨管理态度 [6] - 24个月展望期内 采用相关管理规范的企业可避免代币成本预计增长44% 每1000万美元年支出可避免约440万美元成本增长 同时可将代币支出中能转化为量化财务成果的比例从每美元20美分提升至每美元32美分 每10万美元年支出可实现成本节省与可证明价值提升合计560万美元 年支出1亿美元时合计可达5500万美元 无需部署新模型或追加AI投资 [9] - 控制代币经济需要CIO联合财务 业务领袖 人力资源及其他高管团队成员 共同调整人工智能的资助 部署和使用方式 [7] 各目录内容总结 商业挑战 - 本次研究于2026年7月开展 调查覆盖全球17个年收入超10亿美元企业的750位高级管理人员 同时结合2026年6月至7月对15位财富500强科技和金融领域领导者的深度访谈 受访者评估了所在组织在人工智能消费 优化 路由 问责制和价值衡量方面的管理情况 [12] - 受访企业去年合计AI代币支出约25亿美元 若不加干预 该数字将在24个月内攀升至36亿美元 其中单家全球科技公司年支出超2000万美元 单家欧洲保险公司AI推理预算达1.5亿至2亿美元 单家政府承包商全球AI支出上限为2.5亿美元 AI代币成本在所有AI成本驱动因素中排名第三 仅次于基础设施和软件开发与维护 [15] - 受访企业预计未来24个月内代币消耗量平均增长78% 单个代币价格平均下降19% [19] - 三分之一的企业在年底前就已耗尽年度代币预算 代币费用不会自行趋于稳定 传统AI支出管理模式已不可持续 [21] - 代币消耗主要来自三类工作 员工和开发者工具占支出30% 内部流程自动化和企业软件占29% 面向客户的分析和代理式工作流占39% 代理式工作流当前占比仅11% 但每一步都会增加推理调用次数 增长速度最快 是最可能引发下一波预算外成本增长的类别 [24] - 企业当前面临两大核心困境 一是难以按季度预测代币数量和支出 二是资金支出后无法解释对应回报 成本不可预测会导致财务部门不愿批准更大规模的AI预算 价值难以衡量会导致领导者无法为AI预算申请提供合理依据 [18] - 多家企业出现代币支出超预期案例 优步在四个月内花完全年AI代币预算 一家美国主要金融机构的代币支出在六个月内增长5至10倍 一家大型欧洲银行一年内代币支出从近乎零增长至每年580万美元 甚至出现单个工作负载每周运行产生约23.1万美元支出的情况 [20] - 企业代币管理的核心盲点是无法在工作负载层面查看代币消耗情况 与工作负载无关的支出无法预测 与工作负载无关的价值也无法证明 [27] - 企业当前仅能将每1美元代币支出中的20美分转化为可向董事会或CFO展示的量化财务成果 剩余80%的支出对应的价值无法与具体金额挂钩 [30] - 代币价格下跌会触发杰文斯悖论 仅五分之一的高管表示若代币价格再下降25%会留存节省的资金 其余95%的高管会选择扩大AI使用规模 包括扩展现有AI工作负载 增加用户 启动此前不经济的用例 升级更高质量模型等 需求量的增长会完全抵消价格下跌的影响 导致总费用持续攀升 [32][34] - 法律AI公司哈维的月代币消耗量从2026年1月的约1万亿个增长至5月的12万亿至13万亿个 直观体现了AI生产部署后消费规模的扩张速度 [36] - 企业代币预算超支存在六大盲点 一是不可知任务成本 代币是AI模型处理的数据单位 任务运行后才会产生对应成本 无法提前预判单任务的代币消耗规模 二是默认边界 埃森哲从O*NET数据库分类的9368项职业任务中 不到10%的工作负载确实需要前沿模型能力 其余90%的工作负载被成本高出10至20倍的模型处理 三是代理乘数 代理式工作流的链式调用 扩展上下文和重复处理会加剧资源消耗 四是为昨日制定的预算 多数企业AI预算制定于自主工具成为主流之前 无法适配当前的消费增长速度 五是碎片化定价 多个供应商 模型和定价结构导致企业无法形成代币成本的整体视图 部分供应商开始按用例业务价值而非代币消耗量定价 同类工作负载可能产生差异极大的账单 六是有透明度无问责制 超过一半的组织仅具备展示回溯功能 仅7%的组织实施了计费回溯 消费数据可见但无对应财务后果 无法形成成本管控的直接激励 [39][40][43][48] - 仅35%的组织能够计算其单一最大AI用例的成本效益 59%的组织仍在使用方向性估算 48%的组织依赖共享的IT-财务问责制 没有单一专人对AI成本和回报负责 [52][53] - 财务问责制 路由质量 工作负载可见性三个因素共同驱动可归因的财务价值 从无成本分配到非正式报告 展示回溯 计费回溯的问责阶梯每提升一步 财务归因支出占比约提升6至7个百分点 无成本分配下财务归因价值约5% 非正式报告下约13% 展示回溯下约23% 计费回溯下约32% 能够将代币消耗追踪到特定用户 团队或工作负载的组织 复合归因得分几乎是无法做到这一点的组织的两倍 [56][58] 解决方案 - 工作负载层面的命名所有权 成本分摊 测量精度和模型路由纪律四个独立预测因素可同时影响成本优化和价值归因 所有四个因素都依赖于工作负载层面的所有权 可观察性和问责制这一共同基础 [63] - 当前大多数组织已优化23%的代币消耗量 未来24个月内用量增长近80%的背景下 企业需要约31%的优化率才能使支出保持稳定 存在8个百分点的优化差距 若无所作为 年支出1亿美元的企业代币支出将在24个月内攀升至1.44亿美元 36个月内攀升至1.73亿美元 [64] - 构建工作负载级别的责任归属和财务问责体系 每1亿美元年度代币支出可避免约440万美元的成本增长 同时新增约115万美元的可证明价值 合计产生560万美元的经济收益 [65] - 企业可根据不同工作负载需求选择对应部署架构 不同部署模式的成本结构 适用场景和权衡点存在差异 覆盖自托管开源权重模型 公有云平台开源权重模型 专有云服务平台 专有模型服务商直接API等多种类型 [72][73] - 运行专有和开放权重模型比例大致相等的组织 路由质量达55% 部署成熟度达61% 均高于以专有模型为主的组织 后者路由质量为47% 部署成熟度为32% 开放权重模型还具备数据主权 对前沿模型出口管制更具韧性 针对非英语特定领域任务微调表现更佳的额外优势 但转向自托管开源权重模型通常会增加基础设施 人才和运营成本 代币支出仅占人工智能总支出的25%或更低 企业需将每项工作任务指派到最能平衡成本 能力 数据治理和运营复杂性的模型层 [74][75] 下一步 - 企业可通过五项协同的运营纪律实现大规模AI运行 可见性是其余四项纪律的先决条件 其余四项可并行或按顺序实施以匹配组织AI成熟度 [77] - 纪律一 规模化应用AI之前 部署AI网关或可观测性层 捕获每次AI交互的工作负载名称 所属团队 使用的模型 令牌成本和输出 采用政策即代码和自动化经济护栏管控 无需人工审核单个工作负载 该机制是成本管理和价值归因的先决条件 [78] - 纪律二 按团队实际消耗的代币成本进行费用分摊 从工程部门和前三到四名高消耗功能团队开始推进 计费回溯是成本优化和价值归属的最强预测指标之一 当前仅不到十二分之一的组织在使用该机制 实施计费回溯需以工作负载级别的可见性和清晰职责划分为前提 [81] - 纪律三 识别出约10%确实需要前沿能力的工作负载 其余所有内容路由到中端模型或开放权重模型 通过网关处的路由策略强制执行 前沿模型价格可能比功能完备的低端模型高出15倍以上 RouteLLM开源框架可在基准工作负载上实现高达85%的成本降低 同时保留旗舰级模型95%的品质 埃森哲自身生产平台通过结合自托管开放权重推理和智能路由 每周处理约87万亿个代币 成本仅为前沿API成本的六分之一 到2028年 70%的顶尖AI驱动型企业将使用先进的多工具架构 动态自主管理跨不同模型的模型路由 [83][84][86] - 纪律四 任何新AI工作负载上线前 要求提供可衡量的价值案例 明确当前流程的成本 AI将改善的具体财务成果 以及成果的美元衡量方式 仅在工作负载层面可观测性工具到位 优化路径清晰 预期价值可量化的前提下才批准商业案例 多家企业已落地相关实践 荷兰合作银行要求所有AI应用场景投入生产前必须对应至少一个定义的价值成果 截至2026年5月已有40个场景投入生产 Klarna从部署初期就将成果衡量融入架构 2024年启动客户支持AI部署时就报告节省4000万美元招聘成本 2025年第三季度该数值增长至约6000万美元 [91][95][96] - 纪律五 在整个组织中培养适配的AI技能 为开发者和员工提供清晰的任务-模型匹配框架 让成本对相关人员可见 通过网关路由策略设置默认选项 让正确选择成为最容易的选择 代币经济学管理需要跨部门协同 CIO需联合CFO CHRO和业务负责人共同推进相关规则落地 [99][101] 结论 - 具备代币管理纪律的企业可在代币成为需要事后证明合理性的成本之前就完成管控 并将其与可解释的价值案例关联 先接入AI后补治理的模式 比部署初期就做好管控的难度更高 成本更大 早期试点项目组织平均优化约15%的代币支出 正确路由30%的请求 大规模在生产环境运行AI的组织平均优化约28%的代币支出 正确路由58%的请求 [103] - 当前构建代币经济学管理基础设施的企业将在数年内获得叠加优势 代币经济学正逐步成为企业级AI运营的标准学科 提前完成体系搭建的CIO可让CFO确认AI经济性 让CEO获得可量化的回报 支撑企业基于明确依据而非主观预期扩展AI [104] 埃森哲如何提供帮助 - 埃森哲可协助客户整合正确的技术基石 运营模式和投资逻辑 与业务利益相关者协同制定优先行动路线图 最大化业务价值 [106] - 埃森哲通过"看见它 修复它 保持它"三阶段方法 搭配AI令牌导航器工具包 为客户落地代币经济学管理体系 该工具包涵盖AI资产取证评估 实时模型基准测试 预算即代码和策略即代码运行时执行 业务行动成本实时监控 工程和人才实践等七项专业工具 埃森哲自身生产平台已实现自托管开放权重推理和智能路由 以约前沿API六分之一的成本每周处理约87万亿个令牌 [107]