AI成本超人力？企业强推AI提效的三大误区与避坑指南

企业大规模部署AI工具以提升运营效率的策略，近期正面临成本失控的挑战。多家科技公司发现，预期的成本节约并未实现，反而出现了算力开支急剧攀升的局面。

以微软为例，公司近期内部推动员工从使用第三方Claude Code工具转向自有产品Copilot CLI。这一决策表面是产品策略调整，但核心驱动因素实为成本控制——随着用户规模扩大，Claude Code的调用费用已成为显著的财务负担。

面临类似困境的企业远非个例。《财富》杂志报道指出，部分公司已开始主动缩减AI工具的使用规模。这似乎与行业趋势相悖：AI模型训练成本与词元（token）单价均在下降，为何总成本不降反升？

关键在于使用量的指数级增长。尽管单价降低，但员工日常任务消耗的词元量正急剧上升。尤其是具备多步推理能力的智能体（Agent），其单次任务消耗的词元量可达普通大语言模型查询的千倍以上。成本规模可见一斑：OpenClaw创始人彼得・施泰因贝格尔透露，其团队单月词元成本已突破130万美元。

成本核算揭示出一个现实：在诸多应用场景中，AI的直接调用成本已超过雇佣人力，而效率提升却未必达到预期。

杰文斯悖论：效率越高，用得越狠

这正是经济学中“杰文斯悖论”的典型体现：技术效率提升会刺激需求增长，导致资源总消耗量上升而非下降。

历史案例比比皆是。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。航空业同样如此，燃油效率提升降低了机票价格，却刺激了出行需求，使航空燃油总需求持续增长。国际航空运输协会预测，2050年航空出行需求可能翻倍。

AI领域正在重现这一规律。企业为提升效率而部署AI，但员工的使用模式可能导致总成本突破预算上限。

“词元最大化”与考核的扭曲

英伟达CEO黄仁勋曾提出一个观点：工程师每年消耗的算力词元价值应至少达到其年薪的一半，才算充分发挥资源价值。他甚至对抵触AI的管理者表示质疑。

这种对算力消耗的推崇，在企业内部催生了“词元最大化”行为。为达成AI使用率考核指标，部分员工将各类任务——无论轻重缓急——均交由AI处理。有亚马逊员工承认，会使用AI工具处理低优先级工作，纯粹为了提升内部使用数据。类似情况在微软、Meta等重度投资AI研发的企业中亦有出现。

词元消耗激增与成本居高不下，构成了企业AI落地的核心矛盾。AI技术本身具有显著价值，但部分企业“简单替代人力、粗暴降低成本”的实施思路亟待调整。若任务所需的词元数量增速持续超越单价降幅，那么降本增效的目标很可能适得其反。