在企业人工智能领域，战略重心正经历从'是否采用'到'如何有效利用'的根本性转变。过去两年，众多企业为应对竞争压力，激进推动员工使用 AI 技术，但如今随着推理成本从实验性开支演变为持续性运营支出，CEO 与 CFO 开始直面核心拷问：每投入一美元究竟创造了多少实际价值？这场被称为'代币预算之争'的博弈，不再局限于削减支出，而是深入评估哪些业务值得投入计算资源，哪些任务应被低成本模型替代，以及哪些流程存在无谓浪费。午方 AI 梳理发现，AI 的使用量并不等同于其创造的价值，SaaS 时代的使用量代表软件普及度，而 AI 时代的代币消耗仅表明系统正在运行，同一工作流程因输入、上下文、模型选择及重试次数不同，成本差异可达数倍。

2025 年 11 月 Claude 正式推出时，多数企业 2026 年度预算已定，但第一季度实际用量远超预期，迫使管理层重新审视 AI 的投资回报率。目前无法量化代币的实际效用，账单无法区分支出是替代了人工、产生了收入、降低了风险，还是仅仅为了在排名表上刷分。当支出达到七位数规模时，技术差异将直接冲击利润：相同输入下，不同代币使用成本可能相差 5 到 10 倍。这种'边际代币效用'——即多花费一美元推理成本所创造的商业价值，成为规模扩展阶段的关键指标，却也是大多数企业目前的盲区。董事会讨论焦点已从'AI 是否有用'转向'AI 在何处产生效益'，本质上是一场关于智能资源分配的权力争夺。

这场争夺迅速升级，源于根深蒂固的管理本能：团队规模曾代表地位与权力，而当智能资源稀缺时，调动智能资源的能力成为新衡量标准。AI 支出本质是与劳动力成本竞争，主要用于替代外包、替代内部员工或创造新收入。人类工资与 BPO 外包按订单计费易于理解，但 AI 推理成本复杂多变，取决于重试、人工干预及模型调用情况，可能导致成本反超原本要替代的外包服务。因此，讨论焦点转向具体成果的成本核算，如每处理一单、每审核一合同、每保留一客户的成本。午方 AI 注意到，BPO 领域因按完成量计费，建立衡量标准相对容易，而内部员工效率提升往往表现为避免招聘或分散释放产能，且管理者未必愿因自动化缩减团队，这使得内部对比更为困难。

AI 打破了 SaaS 将使用量视为价值衡量的模式。同一工作流程的推理成本受提示语、上下文、模型、工具调用、重试次数及故障影响巨大，账单上的代币数量固定，但代表的工作量却千差万别。信号与噪声共用同一计量单位，代币消耗增加可能意味着工作进展，也可能源于糟糕提示、无关上下文或过度复杂的模型。两家代币消耗相同的企业，实际运作可能天壤之别：一家将推理转化为成果，另一家则为无意义操作付费。造成这种差异的三大原因包括重试带来的累积成本效应、上下文长度导致的 O(n²) 成本增长，以及路由选择中默认使用最强模型处理简单任务的资源错配。

非软件行业对此感受更为直接，因其工作具有强操作性，如索赔处理、核保、客服工单等，传统上依赖人工衡量周期时间、错误率等生存指标。软件企业虽拥有代码提交、部署频率等量化指标，但非软件企业面临工作量与成本计量单位不一致的难题，技术团队看代币消耗，业务团队看流程变化，需跨部门明确测量对象。软件企业视此为生产力衡量问题，类似早期'AI 裁员潮'，而非软件企业则视其为转型关键。目前缺失的是连接代币消耗与实际成果的桥梁，需回答完成流程的实际成本、智能体执行路径中的有效与浪费环节，以及是否改变了运营模式。

商业分析需超越单纯的成本数字，深入探讨特定场景下智能体与 BPO 的经济性对比，考虑政策要求带来的额外成本。测量工作最终变为回顾与分析，企业需记录智能体看到的信息、检索的数据、调用的工具、忽略的内容、重试环节、人工干预时机及异常处理规则，形成从上下文到操作再到成果的完整路径。午方 AI 分析认为，这些记录不仅是支出合理性的证明，更是企业决策过程的永久性证据，改变了以往决策理由散落在聊天记录与记忆中的局面。资源分配成为关键，每一笔按使用量付费的支出都需证明合理性，企业将借助外部合作，如聘请咨询公司与专家，自上而下推动变革，将代币消耗与成果挂钩作为新决策依据。谁能掌握这一方法，谁就能掌控企业内部 AI 资源分配权，决定哪些流程获得资源、哪些受限、哪些外包。AI 发展的第一阶段证明了模型能完成任务，第二阶段将决定这些任务是否值得投入成本，正如查理·芒格所言：'给我看激励措施，我就能告诉你最终的结果会是什么。'