过去两年，几乎所有硅谷科技巨头都在争相证明自己是 AI 时代最激进的拥抱者，而衡量一家企业是否真正投入 AI 的标准，也一度被简单粗暴地量化为一个数字——消耗了多少 Token。

然而，当数十亿美元的账单陆续摆上管理层办公桌之后，一场此前并不被外界注意到的变化正在发生：那些曾经鼓励员工疯狂使用 AI、甚至通过排行榜和绩效指标推动 AI 普及的大公司，开始反过来限制员工的 Token 消耗，并对 AI 使用情况进行更加严格的监控和审计。

几天前，有消息称微软已经悄悄停止了大部分员工的 Claude Code 企业许可。表面上看，这似乎有些令人费解。毕竟在过去两年的 AI 竞赛中，“提升生产效率”始终是企业采购 AI 产品最重要的理由。如果 AI 真能帮助员工完成更多工作、创造更多价值，那么理论上企业应该鼓励员工无限制使用才对。

但现实情况却恰恰相反。

微软并非个例。越来越多硅谷企业开始发现，AI 的使用量与企业获得的实际收益之间，并不存在人们最初想象中的线性关系。Uber 曾在短短四个月时间里消耗完原本规划一整年的 AI Token 预算；Salesforce 每年支付给 Anthropic 的费用已经达到数亿美元规模；一些大型企业甚至出现单月 AI 开支高达数亿美元的情况。Meta 内部此前曾经设立鼓励员工多使用 AI 的排行榜机制，而如今这一机制也已悄然消失。

一个曾经被视为企业数字化转型象征的指标，正在从荣耀勋章变成成本警报。

这种现象在行业内部甚至诞生了一个专属名词——“Tokenmaxxing”。

所谓 Tokenmaxxing，本质上是一种典型的增长思维逻辑。当企业花费巨额预算采购最先进的大模型服务之后，管理层自然希望员工能够充分利用这些资源，于是各种激励措施接踵而至：使用额度、部门排名、内部竞赛、绩效考核，甚至将 AI 使用频率与员工评价直接挂钩。

在这样的环境下，员工开始大量使用企业级模型处理各种事务，从代码生成到文档整理，从会议纪要到市场分析，甚至连查询天气、撰写生日祝福、规划午餐菜单这样的事情，也逐渐交给 AI 完成。

问题在于，Token 消耗量增长得极快，但真正创造的商业价值却远远没有同步增长。

越来越多企业开始发现，AI 的直接采购成本往往只是冰山露出水面的部分。在 AI 生成内容进入实际工作流程后，还会产生大量额外成本，例如代码审查、错误修复、结果验证、内容重写以及团队协同延迟等隐性支出。这些隐藏成本叠加之后，企业最终承担的真实开销往往远高于最初预算。

投资人 Shruti Gandhi 曾经做过一个形象的比喻：许多企业衡量 AI 应用效果的方式，就像一家工厂通过打开更多灯泡来证明生产效率提升一样。电费确实增加了，但产量未必同步增长。

更大的问题在于，很多企业甚至无法准确回答一个最基本的问题——员工究竟在用 AI 做什么，以及这些行为最终是否为公司创造了价值。

从 2024 年开始席卷全球的 AI 投资热潮，在经历两年狂飙之后，终于进入现实检验阶段。

越来越多上市公司开始在财报电话会上谈论 AI 成本压力，而不是 AI 愿景。过去企业讨论的是“如何尽快部署 AI”，如今讨论的则是“这些投入究竟是否值得”。

当 CEO 和 CFO 开始关注投资回报率时，AI 行业也进入了新的阶段。

一些调查显示，真正能够清晰量化 AI 投资回报的企业比例仍然相当有限。原因并不复杂，因为员工层面的效率提升与企业层面的经营成果之间，往往存在巨大的传导鸿沟。

一个员工借助 AI 将周报撰写速度提高三倍，并不意味着企业营收会因此增长；一个工程师利用 AI 将代码生成速度提高一倍，也不意味着产品上线速度会同步提升。事实上，一些企业甚至发现，虽然代码生成数量大幅增加，但后续被废弃、重构或重写的比例也显著上升。

很多企业逐渐意识到，他们自动化的往往只是员工最不喜欢做的工作，而未必是企业最能创造利润的工作。

这也是为什么大量生成式 AI 项目最终停留在概念验证阶段，迟迟无法进入规模化落地。因为管理层越来越难证明这些项目能够持续创造与成本相匹配的价值。

于是，一场迟来的精细化运营开始出现。

Salesforce CEO Marc Benioff 曾公开谈到，希望未来能够建立一种“智能路由系统”，根据任务复杂程度自动选择不同等级的模型，将昂贵的大模型资源保留给真正高价值场景，而把简单任务交给成本更低的小模型处理。

本质上，这与当年云计算行业经历过的资源优化浪潮非常相似。

当新技术刚刚出现时，人们首先关注的是能力边界；当技术开始大规模商业化之后，人们关注的则是成本结构。

AI 正在经历同样的过程。

最近几个月，围绕 AI 成本管理的新产品开始密集出现。越来越多创业公司开始提供实时 Token 监控、ROI 追踪以及 AI 财务分析工具，帮助企业将每一笔 AI 开销与实际业务成果建立关联。

与此同时，一些 AI 服务商也在调整商业模式。

例如部分企业软件厂商已经开始逐步弱化按 Token 收费的模式，转而按照实际完成的任务数量、解决的问题数量或者创造的商业结果收费。这种变化背后反映出一个越来越清晰的共识：企业真正愿意支付费用的并不是 Token 本身，而是最终产生的价值。

从这个角度看，当前发生的调整未必意味着 AI 热潮结束，反而可能意味着 AI 行业正在从狂热走向成熟。

真正值得关注的并不是企业是否减少了 Token 消耗，而是企业终于开始认真思考一个此前被忽略的问题：AI 到底是在帮助公司创造新的价值，还是仅仅让原有流程运行得更快一些。

因为如果 AI 只是加速旧流程，那么随着账单不断增长，企业迟早会重新审视投入产出比；但如果 AI 能够帮助企业重新设计工作方式、重构产品形态甚至创造新的商业模式，那么今天关于 Token 成本的争论，最终都只是通往下一阶段产业变革过程中的一个插曲。

AI 烧钱时代或许正在结束，但 AI 真正创造价值的时代，可能才刚刚开始。