首席财务官们发出警告：新型人工智能代理的成本难以控制

生成式人工智能正处于根本性危机之中——不是因为技术本身出了问题，而是因为它的商业架构正在崩溃。.

微软、Uber 和 GitHub 等科技巨头已采取了激烈的应对措施：由于自主代理的广泛应用，人工智能工具的年度预算在短短几个月内便大幅缩减，而预期的生产力提升却往往难以估量。罪魁祸首是整个行业向基于代币的计费模式的转变。在“按需付费”的幌子下，供应商将全部财务风险转嫁给企业客户，仅对计算能力本身收费——无论人工智能是否正确解决任务或创造真正的经济价值。本文分析了当前人工智能定价模式转变中隐藏的风险，阐述了预算控制与人工智能应用之间致命的矛盾，并论证了基于结果的定价模式为何是企业人工智能未来发展的唯一可持续解决方案。.

与此相关：

• UNFRAME：基于代币的定价模式已经失效，基于结果的模型可以解决这个问题。

当人工智能毫无价值时，谁来买单？这是对一个不了解自身价值创造的行业的清算。

生成式人工智能的商业模式正面临根本性的危机。这并非因为技术本身存在缺陷，而是因为其计费方式颠覆了经济逻辑：企业承担全部财务风险——无论结果如何，提供商都能收取费用。2026年5月，微软取消了其体验与设备部门数千名员工的内部Claude Code许可。优步在短短四个月内就耗尽了其2026年的全部人工智能预算，因为5000名工程师都在大量使用Claude Code，每人每月成本高达500至2000美元。微软旗下的全球最大开发者平台GitHub于2026年6月1日取消了固定费率定价，转而采用基于代币的积分系统。这三件事在短短几周内接连发生绝非巧合——它们是人工智能行业定价架构中根深蒂固的结构性缺陷的征兆。.

补贴时代的终结：当市场发现价格

生成式人工智能的第一阶段很大程度上得益于补贴。像 Anthropic、OpenAI 和微软这样的供应商为了抢占市场份额、了解用户行为并构建开发者生态系统，以远低于实际基础设施成本的价格提供服务。编码助手的固定费用、每月只需支付个位数费用即可享受无限次聊天服务，以及供应商承担的慷慨的企业测试——所有这一切之所以成为可能，是因为风险投资弥补了价格差额，而且当时人们还不清楚使用基于代理的工作流程的真实成本。.

这一阶段显然已经结束。GitHub明确解释了其转向基于令牌的计费方式的理由：基于代理的使用已成为常态，而相关的计算成本已无法再支撑之前的固定费率模式。该公司直言不讳地指出：过去，简短的聊天提问和数小时的自主编码会话费用相同——这显然是不可持续的。此前每月只需花费10到39美元即可不受限制地使用代理的开发者，在切换之后，他们的成本从每月最低50美元飙升至超过3000美元。宣布这一变更的社区帖子收到了近900张反对票。.

Gartner预测，到2026年，全球人工智能支出将达到2.52万亿美元，同比增长44%。如此庞大的全球支出，使得成本承担者和收益受益者的问题不再是学术探讨，而是企业治理的根本问题。仅人工智能基础设施支出预计到2026年就将攀升至1.37万亿美元。与此同时，根据麻省理工学院2025年7月的一项研究，约95%的企业级全生命周期人工智能（GenAI）试点项目未能产生可衡量的损益效应。这种矛盾——支出不断增长，回报却缺乏——正是问题的核心所在。.

代币定价模型将五种风险类别转移到公司身上

“按需付费”这句看似无害的短语背后，隐藏着五种不同风险等级从服务提供商向企业客户的系统性转移。任何了解这种机制的人都会明白，代币计费并非中立的计费方式，而是对买方构成结构性劣势。.

预算风险：供应商控制着生产单位，而不是买方。

采用基于代币的定价模式，公司会为一种成本单位设定年度预算，但供应商可以随时更改该成本单位的价格，而且其消耗量会随着使用量的增加而呈非线性增长。例如，2026 年 5 月，Anthropic 宣布，代理工具和第三方集成的订阅用户将获得单独的月度配额，并按标准 API 费率计费。这种单方面的价格调整会立即降低现有预算的价值。Uber 就亲身经历了这一点：原本为 12 个月制定的预算在 4 个月内就用完了。用户采纳率本身不是问题——实际上，这恰恰是成功的标志。问题在于，一旦实施基于代理的工作流程，“代币”单位就会呈指数级增长，而预算却是按线性方式规划的。.

采用风险：使用与价值创造脱钩。

基于代币的系统按计算能力计费，而非按结果计费。一个使用 10 万个代币但给出错误答案的模型，与一个使用 10 万个代币但给出正确答案的模型，成本完全相同。这种成本与收益脱钩的现象，正是其根本的经济问题所在。这意味着，一家公司可以围绕基于代币的系统构建工作流程，运行该工作流程并为其付费——却永远无法获得任何可衡量的附加值。因此，42% 的公司在 2025 年放弃了大部分人工智能项目，这一比例较前一年的 17% 大幅上升。从这个角度来看，这与其说是技术问题，不如说是定价问题。这种有缺陷的激励机制会导致投资失误，而这些失误只有在运行数月后才会显现出来。.

预测风险：成本计划中不可控的变动

对于首席财务官来说，代币计费就像货币对冲误差一样，本质上无法建模，因为太多外部变量会影响计费。每个新的用例、每个新的内部用户、模型行为的每一次改变、上下文窗口大小的每一次增加——所有这些都会使计费朝着不可预测的方向发展。此外，还有所谓的代理蔓延：当公司在不同部门部署基于代理的工作流时，这种不可预测性会成倍增加。每个新代理都会在代币账本中增加一个条目，但没有任何回报保证。Anthropic 在 Claude Opus 4.7 中引入了一个版本跳跃，由于扩展的推理链，新版本消耗的代币比上一个版本增加了约 30%——一夜之间成本增加了 30%，而没有任何新的交易或客户订单可以证明其合理性。.

治理风险：数据保护和合规性随消费规模而增加。

在金融服务、医疗保健、保险等受监管行业中，每一次代币调用都具有治理意义：每次 API 调用都会将企业数据路由至第三方推理基础设施。这意味着代币消耗越多，离开内部安全边界的数据就越多。在 GDPR、SOC 2、HIPAA 和欧盟人工智能法案等法规的监管环境下，这会产生合规成本、审计风险和责任风险，并且这些风险会随着使用强度的增加而增加。因此，代币计费和数据主权之间存在结构性冲突：使用更多人工智能的用户将自动承担更多监管风险——这种激励机制阻碍了安全且可扩展的人工智能应用。.

结果风险：人工智能提供商对影响保持沉默

最少被提及的风险却影响最大。代币定价模型衡量的是消费，而非价值创造。无论公司的AI项目是否对损益表产生可衡量的影响，或者是否像众多未能产生可衡量回报的企业级GenAI试点项目一样最终失败，提供商都能获得报酬。麻省理工学院的一项研究表明，这种情况发生的概率高达95%。换句话说，在绝大多数情况下，公司支付了费用却没有获得任何可验证的经济价值——而提供商也没有任何商业模式相关的动力去改变这种现状。.

行业的定价逻辑：一个不了解自身价值的市场。

当前价格危机的根源在于GenAI市场的起源。该行业在尚未充分了解产品在企业生产环境中实际使用成本的情况下就匆忙推行其产品。固定费率和基于代币的定价模式最初只是作为市场准入策略而设计的，而非可持续的商业模式。GitHub自身也承认，现有的固定费率模式吸收了实际的推理成本，而这种机制从长远来看对服务提供商而言是不可持续的。.

这造成了一种悖论：采用率越高，提供商的损失风险就越高，公司的预算风险也越大。优步就是一个最鲜明的例子：Claude Code 的开发者采用率从 32% 提高到 84%，70% 的已提交代码由人工智能生成，生产力的提升是真实且可衡量的。然而，优步首席技术官 Praveen Neppalli Naga 却这样描述这种情况：“我不得不重新开始，因为我原本认为必要的预算已经用完了。” 技术本身没问题，但定价模式却出了问题。.

这也解释了为什么微软决定取消其体验与设备部门的 Claude Code 授权，并将开发者迁移到 GitHub Copilot CLI。官方给出的理由是“工具链统一”，但实际上，这是一项财务决策。自 2025 年 12 月试点发布以来，数千名开发 Windows、Microsoft 365、Teams、Outlook 和 Surface 的工程师一直在大量使用 Claude Code，而代币成本在年底前就已耗尽了年度预算。微软这家已向 OpenAI 投资 130 亿美元，并运营着大多数 AI 前端实验室所依赖的云平台的公司，在权衡数据后，最终基于成本而非感知价值做出了决定。.

结果导向型定价模式：不同的商业架构，不打折

“基于结果的定价”这个概念在市场上经常被误解。它并非指更低的代币价格、折扣套餐或延期付款，而是一种截然不同的商业架构：服务提供商按任务完成情况付费——前提是已定义的业务结果在既定的工作流程中得到验证，而不是按过程中产生的计算工作量付费。.

几十年来，企业软件一直遵循系统和服务级别协议 (SLA) 的原则：供应商负责单位经济效益，并确保解决方案能够交付承诺的结果。ERP 系统、CRM 平台、会计软件——这些类别的产品从未基于数据库访问次数、API 调用次数或计算周期计费，而是基于用户数、模块数或性能结果计费。人工智能定价也必须遵循同样的标准。.

然而，基于结果的定价模式只有在提供商能够自行承担风险波动的情况下才具有经济可行性——也就是说，提供商必须建立起能够内部化风险的平台效率。大多数提供商无法做到这一点。他们的生产成本与公司持有的代币数量相同——他们只是简单地将代币转嫁出去。基于结果的定价要求提供商将自身收入与结果挂钩。这是一种截然不同的风险状况——这也解释了为什么这种定价模式在市场上仍然很少见。.

托管式人工智能平台 - 图片来源：Xpert.Digital

在这里，您将了解到您的公司如何快速、安全地实施定制化的人工智能解决方案，且无需承担过高的准入门槛。.

托管式人工智能平台是您实现人工智能的全方位、无忧解决方案。您无需处理复杂的技术、昂贵的基础设施和漫长的开发流程，即可从专业合作伙伴处获得根据您的需求量身定制的现成解决方案——通常只需几天时间。.

主要优势一览：

⚡ 快速实施：从构思到可立即使用的应用，只需几天而非几个月。我们提供切实可行的解决方案，创造即时附加值。.

🔒 最高数据安全保障：您的敏感数据始终由您掌控。我们保证安全合规地处理您的数据，绝不与任何第三方共享。.

💸 无财务风险：您只需为结果付费。完全无需前期投入大量资金用于硬件、软件或人员。.

🎯 专注于您的核心业务：集中精力做好您最擅长的事情。我们将负责您人工智能解决方案的全部技术实施、运营和维护。.

📈面向未来且可扩展：您的AI将与您一同成长。我们确保持续优化和可扩展性，并灵活调整模型以适应新的需求。.

更多信息请点击这里：

• 托管人工智能平台

实用模型：以结果为导向的人工智能交付如何运作

始终贯彻结果导向原则的平台遵循不同的合作逻辑。它们并非简单地出租基础设施并按使用量计费，而是首先为企业用例确定最具价值的工作流程——即能够最快带来可衡量影响的流程。然后，平台会在企业自身的基础设施中部署一套可用于生产环境的解决方案：可以是企业云、本地部署、私有云，也可以是完全托管的SaaS产品，数据始终保留在企业内部。只有在结果可用且客户满意后，才会开始付款。.

这种模式对风险分担有着深远的影响。它迫使服务提供商将资源集中于真正创造价值的应用场景，而不是那些消耗大量代币的应用场景。它直接实现了服务提供商和客户利益的一致性：当人工智能真正发挥作用时，双方都能获益；当人工智能失效时，任何一方都不会因此蒙受损失。对于受监管的行业而言，数据不会离开公司边界的前提也提供了一种符合GDPR、SOC 2、HIPAA和欧盟人工智能法案的合规架构。.

实施完善、以结果为导向的平台的一项关键优势在于其累积性的知识结构：每个成功完成的工作流程都会构建一个共享的内部知识库，该知识库会随着后续任务的完成而不断增值。这与基于令牌的部署方式截然不同，后者虽然会累积成本，但却无法将机构知识牢固地锚定在公司内部。.

首席财务官的视角：代币计费是一个分类预算问题

对于财务专业人士而言，代币计费代表了一种全新的运营支出类型，目前尚无成熟的治理结构。过去十五年来，云计算成本（包括计算、存储和网络成本）已经实现了专业化管理。FinOps 作为一门学科，催生了各种方法、工具和组织单元，使得云计算支出可预测、可控。然而，人工智能代理运行时成本方面，目前仍缺乏完全类似的机制。.

令牌消耗量并非随用户数量增长而增加，而是取决于提示信息的复杂程度、上下文窗口的长度、并发运行的代理数量以及推理链的复杂性。这意味着，一家公司如果将 100 名工程师从简单的自动补全工作流程过渡到基于代理的工作流程，其每月的 AI 投入可能会增加 5 到 20 倍——而无需增加任何新用户。在这种情况下，基于用户数量或会话量的标准规划假设存在结构性缺陷。.

这会对预算规划产生切实的影响。支出结构需要与能源管理类似的控制机制：实时计量、阈值警报、团队配额以及代理层面的硬性限制。如果公司在采用新系统之前没有实施这些措施，那么当预算耗尽时，就会面临相应的后果——就像优步一样。优步没有设置团队限额、没有集中跟踪，也无法实时了解消耗情况，直到首席技术官提前报告年度预算已用完。.

市场动态：谁掌握着这场价格变革的主动权

当前的价格变化并不对称。像微软、谷歌和亚马逊这样的大型超大规模云服务商拥有结构性优势，这使它们区别于规模较小的服务商：它们控制着分销渠道、企业合同、云基础设施和开发者工具。微软关闭 Claude Code 并非因为 Copilot 更好——内部调查显示开发者更倾向于 Claude Code。微软关闭 Claude Code 的原因是它控制着分销渠道，却无法控制或策略性地利用代币成本来推广竞争产品。.

这种动态对于全面解读价格转型至关重要。对于超大规模数据中心而言，放弃固定费率、引入代币计费并非价格改革，而是收益优化。那些掌控模型运行基础设施、运营计费系统并持有企业合约的机构，从结构上上受益于基于消费的计费模式。与之相反的以结果为导向的定价模式，会危及这些收益，因为它迫使服务提供商承担风险，而不是将其转嫁给用户。.

对于非超大规模数据中心的中型企业和大型公司而言，在下次续约时，这是一个至关重要的谈判筹码。摩根大通的一项分析指出，人工智能基础设施的压力可能会在预期收益实现之前引发经济摩擦。那些不积极协商下一份人工智能合同中风险分担的企业，将不得不接受一种结构性不利于自身的标准立场。.

投资经济学的启示是：如果效率不是目标，它就会变成问题。

针对基于代币的计费方式的成本批评，有一个反驳论点必须认真对待。在 Uber，人工智能生成了 70% 的已提交代码和 11% 的所有后端实时更新。旧金山的一名工程师每年的成本远高于每月 2000 美元的代币费用。如果人工智能驱动的编码能够将公司最昂贵资源的生产力提高哪怕只有个位数百分比，其投资回报也可能超过成本。.

这个论点并非错误，而是不完整。首先，它只有在生产力提升能够真正量化并可归因于工具集的情况下才成立，而大多数公司很少系统地衡量这一点。其次，它预设节省的工程时间能够转化为实际的成本节约或可直接归因的额外收入，而不是像许多组织那样，仅仅导致更多的工作，进而消耗人工智能系统更多的资源。第三，这种可比性只有在人工智能的工作成果得到验证的情况下才有效：生成但未被有效利用的代码并不等同于高级工程师的工作价值。.

因此，结果导向定价的基本论点仍然成立：如果回报是真实的，服务提供商可以通过合同加以证实，并将收入与之挂钩。如果他们不能或不愿这样做，则存在一些结构性原因，而这些原因最终会损害买方的利益。.

对企业管理的战略影响

2026 年上半年的事件将为公司管理层提供明确的运营结论。.

首先，AI驱动的支出控制需要专门的FinOps体系，其结构必须与云端FinOps类似，但需要采用自身独特的方法论。代币消耗是非线性的，与代理和模型版本密切相关。仅靠仪表盘是不够的；我们需要的是团队和代理级别的实时预算上限、超出阈值时的自动终止机制，以及单次运行级别的审计日志。.

其次，采用代币计费的试点项目无法提供可靠的生产成本预测。一个每月成本为 1000 欧元的试点项目，在生产环境中其使用量可能高达初始值的 100 倍，从而超出预算。人工智能支出规划必须基于生产环境的假设，而不是试点使用情况。.

第三，与人工智能供应商续签合同时，每个合同都包含战略谈判层面，而这一层面目前尚未得到充分利用。每家公司在下次与人工智能供应商的会议上都应该问一个简单明了的问题：如果系统运行不正常，我该承担什么责任？如果供应商不愿意分担风险，那么在严肃的采购过程中，这必然会与买方存在利益冲突，而这种冲突不容忽视。.

第四，数据主权是一个独立的成本和风险变量，而不仅仅是合规问题。受监管行业的公司如果使用公有云上的基于令牌的服务，每次使用都会增加合规工作量、审计风险和潜在的责任风险。主权人工智能——即在公司自身边界内运行的人工智能基础设施——到2026年将在技术上与云前端模型达到同等水平：根据斯坦福大学HAI 2026人工智能指数，最佳开放加权模型与最先进的专有系统之间的性能差距将缩小至平均三个月。.

展望：价格转型对2027年意味着什么

市场正处于变革之中。从固定费率转向代币计费，对服务提供商而言是短期内的胜利——收入随使用量增加而增长。然而，从中长期来看，这将引发三项并行发展，从根本上改变价格结构。.

首先，开源模式将加剧竞争压力。如果企业级代理部署的专有令牌成本达到每年六位数，而开源模式在本地硬件上也能提供类似的性能，那么总体拥有成本的计算结果将有利于本地基础设施——尤其对于那些优先考虑GDPR合规性和数据主权的欧洲公司而言。.

其次，以结果为导向的定价模式将在市场上发展壮大，因为这种模式赋予企业客户议价能力，而代币计费模式本身就不具备这种能力。尽管目前只有少数供应商拥有能够盈利地提供这种模式的平台效率，但竞争将迫使其他供应商效仿。.

第三，人工智能治理——包括衡量人工智能投资回报率、追踪价值创造贡献以及在合同中明确定义成功指标——将成为一个独立的业务领域，堪比数据保护或网络安全。Gartner 预计，到 2027 年，全球人工智能支出将达到 3.34 万亿美元。在如此庞大的规模下，企业高管将不再接受在没有可验证的成功指标的情况下将人工智能作为预算类别。.

关键问题不在于基于代币的计费模式是否会被结果导向型模式取代——经济逻辑表明这终将发生。问题在于，企业是会积极主动地推动这一转变，还是会被动地被不断上涨的账单所裹挟。那些现在就调整其人工智能投资合约架构的企业，无疑是走在了正确的道路上。.

Konrad Wolfenstein

我很乐意担任您的私人顾问。.

您可以通过wolfenstein∂xpert.digital 联系我

请拨打 +49 7348 4088 965 。

LinkedIn