企业AI应用成本超预期 人力与智能投入失衡分析

企业大规模部署AI工具以提升运营效率，近期却面临成本失控的挑战。多家科技公司发现，尽管AI能优化部分流程，但总体支出正急剧攀升，甚至出现“AI使用成本超过人力成本”的现象。

以微软为例，公司近期内部推动员工从使用第三方代码生成工具Claude Code转向自家产品Copilot CLI。这一决策表面是产品策略调整，但据内部人士分析，核心驱动力在于成本控制——随着使用规模扩大，Claude Code的调用费用持续上涨，已对企业预算构成压力。

面临类似困境的企业并不少见。据《财富》杂志报道，已有多家公司开始缩减AI工具的使用规模。这似乎与行业趋势相悖：AI模型训练成本逐年下降，处理基本单位“词元”（token）的价格也越来越低，为何总成本反而上升？

关键在于“使用量”的爆发式增长。虽然单个词元价格降低，但员工在日常工作中消耗的词元总量呈指数级上升。特别是能够执行多步骤任务的“智能体”（Agent），完成一项复杂指令可能需要消耗普通大语言模型查询上千倍的词元。实际开支有多大？OpenClaw创始人彼得・施泰因贝格尔透露，其团队单月词元使用成本已突破130万美元。

成本核算结果显示，在许多应用场景中，使用AI的直接开销已高于雇佣相应人力的成本，而效率提升却未必达到预期水平。

杰文斯悖论：效率提升反而刺激总消耗增长

这一现象正是经济学中“杰文斯悖论”的典型体现：技术效率提高后，往往会激发更大量的使用需求，导致资源总消耗不降反升。

历史上类似案例屡见不鲜。工业革命时期，高效蒸汽机的普及并未减少煤炭消耗，反而因应用范围扩大导致总耗煤量激增。航空业也是如此，飞机燃油效率提升、机票价格下降，刺激了更多出行需求，使航空燃油总需求持续增长。国际航空运输协会预测，到2050年航空出行需求可能翻倍。

AI领域正在重现这一规律。企业为提升效率部署AI工具，但员工的使用行为与用量增长，反而让总成本失去控制。

“词元最大化”与考核机制扭曲

英伟达CEO黄仁勋曾提出一个备受关注的观点：工程师每年至少应消耗相当于其年薪一半的算力词元，才能充分发挥AI价值。他甚至对抵触使用AI的管理者表示质疑。

这种对算力消耗的强调，在企业内部催生了“词元最大化”（tokenmaxxing）行为。为达成AI使用率考核指标，部分员工无论任务轻重、是否必要，都倾向于交由AI处理。有亚马逊员工承认，他们会用AI工具处理次要工作，主要目的是“提升”内部使用数据。类似情况在微软、Meta等重度投资AI研发的企业中也时有发生。

词元消耗激增与成本居高不下，已成为企业AI落地的重要挑战。AI技术本身具有显著价值，但部分企业“以AI简单替代人力、实现粗暴降本”的思路可能需要调整。如果任务所需的词元数量增速持续超过词元单价降幅，那么这场旨在降本增效的转型，很可能走向反面效果。