AI Token计费时代来临，企业云支出将大幅攀升

在今年的FinOps X 2026大会上，一个核心议题贯穿始终：AI的Token计费模式正在成为整个生成式AI经济体系的基础，而这一模式远比以往的定价方式昂贵得多。几个月前，大多数用户还在享受AI服务的固定月费套餐。如今，这一切已成为历史。

Token：AI时代的"原子单位"

FinOps Foundation执行董事J.R. Storment将Token称为"AI的原子单位"。他在主题演讲中表示，Token在现代经济中扮演的角色，堪比20世纪的石油——它同时是数据中心硬件与算力的产出单位、AI实验室对外定价的依据，也是企业希望从中创造价值的核心要素。

对于各大AI实验室和云服务巨头而言，Token这一抽象单位的优势显而易见：它将GPU类型、内存、电力等复杂的底层成本，统一封装成一个简洁的计量维度——每百万Token的价格。OpenAI、Anthropic、谷歌等主流厂商均已发布各自模型的分项定价，分别对输入Token（发送给模型的内容）和输出Token（模型生成的内容）单独计费。

那么，Token究竟是什么？Storment解释说，Token是大语言模型处理文本时的最小拆分单元。在模型处理文本之前，会先将其切分为若干片段，这一过程称为分词（Tokenization）。以英语为例，通常1个Token约等于4个字符，或约四分之三个单词，即100个Token大约对应75个英文单词。

然而，Token背后隐藏着巨大的复杂性。SAP的FinOps团队指出："你按Token付费，而这小小的Token之下，隐藏着惊人的复杂度。"从模型选择、量化方式，到缓存策略和智能体的使用程度，每一个环节都会影响最终成本。

"随意用AI"的时代结束了

Storment将AI发展划分为三个阶段：ChatGPT诞生之前的"旧时代"、聊天机器人"能写出像样代码"的"美好旧时代"，以及2025年11月之后"AI从相当好跃升至真正卓越"的全新阶段。

在"随便用"的时代，企业和用户都热衷于追求Token用量排行榜，比拼谁用得最多。如今，这种竞赛已成笑谈，因为没有人再能承受浪费Token的代价。亚马逊高级副总裁Dave Treadwell甚至公开呼吁："请不要为了用AI而用AI。"

去年6月至11月间，全球Token用量呈线性平稳增长。但此后，新一代模型相继发布，智能体模式也随之爆发。上下文窗口从数千、数万Token迅速扩展至单次对话支持数百万Token，智能体带来的循环调用、重试和纠错机制更是让Token消耗量急剧膨胀。

企业起初乐于为这种行为买单——直到账单来了。Storment披露，部分每月缴纳200美元订阅费的重度用户，其实际消耗成本高达每月数万美元。AI分析机构SemiAnalysis估算，200美元的Anthropic套餐曾可使用价值8000美元的Claude Token，而类似的OpenAI套餐则能兑换价值1.4万美元的Codex Token。这样的补贴时代，如今已经终结。

降价趋势正在触底

从表面数据来看，Token价格自2023年以来确实大幅下降。SAP数据科学家Maida Nazifi展示了该公司的内部数据，显示每Token成本整体呈下降趋势。

然而，专家们警告，降价空间正趋于收窄。Storment指出，自2025年11月起，主流AI实验室的Token定价已基本持平，背后原因是硬件和电力的双重瓶颈——GPU供应不足、数据中心产能受限。他引用英特尔CEO的判断称，GPU及相关组件的供应紧张局面预计要到2028年才能得到实质性缓解。

SAP副总裁Frederik Pohl也印证了这一判断："供应链受限、硬件价格上涨，新一代前沿模型的定价也在持续攀升。"

更棘手的是，这里出现了经典的"杰文斯悖论"：单位成本下降，但总支出反而上升。Pohl坦言："我们的单位成本在下降，但某些月份的总支出却翻了一倍。"高盛预测，全球Token用量将从目前的6千万亿（quadrillion）Token增长至约3.5年后的120千万亿Token。即便届时Token价格进一步下调，降幅也难以追上用量增速。

"Token经济学"重塑企业财务逻辑

对于长期专注于云资源优化的FinOps从业者而言，Token计费模式既熟悉又陌生。熟悉之处在于，它同样是按用量计费、账单金额巨大、预测难度极高；陌生之处则在于，计量单位与语言直接挂钩，而非基础设施，且随模型迭代快速变化，完全不同于服务器折旧周期的缓慢节奏。

Pohl直言："AI不只是在拓展云计算的方法论边界，而是彻底打破了它。AI与云计算的差异，远大于当年云计算与数据中心的差异。"

SAP的实践经验颇具代表性。其商业AI平台横跨ChatGPT、Anthropic、Gemini及多个开源模型，部署于不同的云服务商之上。当SAP最初试图分析AI成本时，Nazifi回忆道："我们立刻撞上了一堵墙——现有的云工具对大语言模型的成本细节几乎是盲目的。"

团队随后采用手动方式拉取数据、跨表合并，最终拼出了第一张成本全景图。这份数据一路传递到CTO案头，引发的连锁反应令人印象深刻："短短几天内，领导的态度就从'哦，这挺有意思，有进展告诉我'变成了'我需要定期看这个数据，而且要更详细'。"

由此，SAP构建起一套内部AI FinOps框架，核心理念与英伟达CEO黄仁勋的"Token工厂效能"高度契合——每一个Token都必须物有所值，从芯片、数据中心租约，到模型路由和提示词设计，全链路都要纳入优化视野。

Token定价正在重塑SaaS商业模式

Storment指出，Token计费正在与软件即服务（SaaS）的商业模式产生激烈碰撞。微软GitHub已将Copilot的计费方式转向更明确的按量付费模式，此前享受"无限Token"的开发者们，如今"对微软颇为不满"，因为隐性补贴已悄然消失。

AI实验室本身也在悄悄收紧规则，且这些变化在Token层面往往难以察觉。Storment举例称，Anthropic曾在其Fable模型卡中设置了一条不透明条款：若用户试图基于Claude Fable构建大语言模型，系统会在用户毫不知情的情况下将其切换至其他模型。尽管Anthropic随后撤回了这一政策，但其他公司未必会跟进。这类隐性操作让简单的"每Token成本"指标形同虚设，因为"并非所有Token都是生而平等的"。

当前先进的大语言模型在追踪答案时可能会大量消耗Token，而用户对此往往毫无察觉。Django Web框架联合创始人Simon Willison曾报告，仅凭一张截图和一行提示词，Claude Fable 5与Claude Code组合就自行启动了Web服务器、调用了多种浏览器、搭建并运行了独立服务，执行了大量操作——只为解决一个简单的CSS显示问题。此次的Token消耗费用约为12美元。不难想象，面对更复杂的问题，前沿模型可能会烧掉数百乃至数千美元。

谁将被Token高价拒之门外？

Token定价的高企，正在引发更深层的社会议题。Storment忧虑地指出，若高Token成本持续存在，将形成"能负担得起AI的人与负担不起的人之间的社会鸿沟"。在企业内部，这一分化已初现端倪：部分团队被认定有资格使用最新模型，另一些则被自动路由至更廉价的版本。

然而，也有声音反对简单粗暴地设置用量上限。一位财富100强企业高管建议Storment："仔细审视用量数据，你会发现一些异常值——别急着限制他们，去和他们聊聊，看看他们在做什么，也许他们正在做一些真正有价值的探索。"

对于个人而言，尤其是刚刚进入职场的新人，Token计费所引发的焦虑与"AI抢饭碗"的担忧相互叠加。Storment的判断既务实又直接："我不认为AI会立刻夺走所有人的工作，但我认为，更擅长使用AI的人，会去抢那些不用AI的人的工作。"若Token价格和配额持续限制学习和实验的机会，这道鸿沟只会越来越深。

无论对企业还是个人而言，以AI Token为基础的新经济体系正在迅速成形，一个成本远高于以往的AI时代已然到来。这究竟意味着什么，目前尚无定论。但可以确定的是，未来的成本将比现在高出数个数量级。

Q&A

Q1：AI Token定价模式是如何运作的？

A：Token是大语言模型处理文本时的最小单元，以英语为例，100个Token约等于75个单词。OpenAI、Anthropic、谷歌等主流厂商按每百万Token单独对输入和输出计费。这一模式将GPU、内存、电力等底层成本统一封装，让实验室和云服务商无需暴露复杂的基础设施细节，即可灵活定价。

Q2：为什么AI Token的总体支出还在上涨，明明单价已经在下降？

A：这是经典的"杰文斯悖论"：单位成本下降，但使用量增长更快，导致总支出反而上升。智能体模式的兴起、上下文窗口从数千扩展至数百万Token，以及循环调用、重试等机制，都在大幅推高Token消耗。高盛预测全球Token用量将在约3.5年内从6千万亿增长至120千万亿，降价幅度远追不上用量增速。

Q3：企业应该如何应对AI Token成本飙升的问题？

A：以SAP为例，企业可建立内部AI FinOps框架，核心理念是"每一个Token都必须物有所值"。具体措施包括：细化模型级别的成本追踪（而非仅看总支出）、优化模型路由策略、合理使用缓存机制、审慎设计提示词，以及评估不同大语言模型在成本与输出质量之间的权衡。同时，不应简单封堵高用量用户，而要先了解其使用场景是否具有真正的业务价值。