夜雨聆风
AI进企业,再算三笔账
刚看到润总写的那篇《很多人痛斥meta，但我不这么觉得》 ，说了一句很有穿透力的话：怕浪费，才是真浪费。
这句话我是认同的。
AI 刚进企业的时候，最怕的不是员工乱用，而是员工根本不敢用。老板在会上说要大胆拥抱 AI，财务却在后台盯着每个人的 Token 消耗；管理层说要创新，出了问题又开始追责。员工夹在中间，最后会算出一个最安全的选择：不用。
不用，就不会犯错；不用，就不会被问责；不用，最多只是慢一点。对个人来说，这是最理性的选择；对组织来说，这可能是最昂贵的浪费。
所以在 AI 落地的第一阶段，企业确实要允许一定程度的浪费。先让大家动起来，先让员工知道 AI 能做什么、不能做什么，什么场景顺手，什么场景添乱。这个阶段如果一上来就算得太细，最后很可能不是省下了成本，而是把组织的尝试欲望掐掉了。
但我想补一句：怕浪费，会让 AI 用不起来；不算账，会让 AI 用不下去。
前者是创新问题，后者是经营问题。
很多企业现在恰恰卡在这两个阶段之间。一开始不敢用，好不容易开始用了，又不知道怎么管。今天听说一个新模型很强，赶紧买；明天看到竞争对手上了 AI，马上跟；后天供应商推荐一套方案，先签了再说。内部员工觉得默认模型最好用，就所有任务都往里面扔。
表面上看，公司已经开始拥抱 AI 了。每个人都在试，每个部门都在用，后台调用量也很热闹。但再往深处问一句：钱到底花在了哪里？哪些任务真的提高了效率？哪些结果最后被业务采用了？哪些调用只是生成了一堆看起来很聪明、但再也没人打开的文本？
很多时候，没人答得出来。
这就不是在投资 AI，而是在用 Token 烧气氛。
上一篇，我写了企业上 AI 之前要问的三件事：这件事能不能让 AI 做，要不要让 AI 做，做完之后谁负责。那篇文章解决的是边界问题。这一篇，我们继续往下走：当企业真的决定开始用 AI，第二个问题马上就来了——用什么 AI，花多少钱，到底值不值？
“要不要上 AI”，本质是架构判断。AI 应该放在什么位置，承担什么任务，留下什么边界，这些问题决定了企业不会把 AI 用偏。
但“用什么 AI、花多少钱”，本质是经济判断。钱花出去了，换回来的东西到底值不值，这件事最后绕不开三笔账：模型账、成本账和组织账。
不是所有任务，都配得上最贵的模型
我自己最近在做一个企业经营分析的产品，先让 AI 从年报里抽取财务指标，再根据这些指标生成经营分析报告。业务逻辑没啥问题，问题是如果整个过程都用同一个模型，有的模型有订阅额度，Token还撑得住，有的模型按API调用，Token消耗就有点吃不消了。
从年报里抽取财务指标，本质上是一个结构化信息提取任务。给定一份 PDF，把营收、净利润、毛利率、资产负债率、经营性现金流这些数字准确拎出来，再标注来源页码。这个任务要的不是创造力，不是战略洞察，也不是复杂推理，而是准确率。数字找对，出处标清，格式稳定，后面能校验，这就够了。
这种任务，中等能力的模型加一道后置校验，基本就能完成得不错。
但生成经营分析报告完全不一样。
经营分析不是把数字重新说一遍，而是要看数字之间的关系。营收增长了，利润为什么没增长？毛利率下滑，是价格问题、成本问题，还是产品结构问题？存货增长快于收入，是备货策略、交付周期，还是需求质量出了问题？应收账款上升，是客户结构变化，还是回款能力下降？
这些问题不是“抽取”能解决的。它需要推理，需要判断，需要把财务结果放回经营结构里解释。这个任务确实值得用更强的模型，不是因为贵的模型一定好，而是因为这个任务本身需要更高的判断力。
很多企业的问题，恰恰是没有区分这两类任务。
信息提取、文本摘要、格式转换、查询问答、经营分析、战略判断，全部扔给同一个模型。就像请了一个资深合伙人来公司，上午让他做战略诊断，下午让他贴发票，晚上让他整理会议纪要，第二天再让他改 Excel 格式。
不是他不能做，是太贵了。
模型选择的第一原则，不是“哪个模型最强”，而是“这个任务需要什么能力”。数据抽取要的是准确率，报告分析要的是判断力，格式转换要的是稳定性，简单查询要的是响应速度，复杂决策要的是推理深度。不同任务，本来就不应该用同一个档次的模型。
企业里大量 AI 调用，其实都是标准化任务。比如信息提取、格式转换、文本摘要、会议纪要、邮件润色、知识库问答、表格字段整理。这些任务当然可以用旗舰模型跑，但这就像用直升机送外卖，技术上没有问题，经济上很不合理。
所以模型账的核心，不是省钱，而是匹配。什么任务配什么模型，什么结果配什么成本，什么判断值得调用最强能力。
不是所有任务，都配得上最贵的模型。
Token 是产能，不是费用
模型选错，贵的是单次调用。成本算不清，贵的是持续浪费。
企业的 Token 成本，和员工工时成本其实是同一个逻辑。一个员工月薪 2 万，每天工作 8 小时，每月工作 22 天，折算下来每小时大约 114 元。你不会让月薪 2 万的人长期去做月薪 5000 就能完成的活，因为你知道，这是人力成本错配。
但很多企业在 Token 上，正在犯同样的错误。
旗舰模型的调用成本，可能是中等模型的 10 倍，甚至 20 倍。如果企业 80% 的 AI 任务，用中等模型就能完成，那么 Token 账单里很大一部分，其实是在为“过度能力”买单。
更麻烦的是，很多企业只看单次调用成本，不看 Token 产出比。
所谓 Token 产出比，不是调用了多少次，不是生成了多少字，也不是后台看起来有多热闹，而是每花出去 1 块钱的 Token 成本，最后换来了多少有效产出。
有效产出不是 AI 生成了什么，而是业务真正采用了什么。
一个分析师用 AI 辅助写报告，连续生成了 10 个版本，最后只采用了 1 个。剩下 9 个版本有没有价值？当然有。探索本身需要成本，试错本身也需要成本。但如果换一个更适合的模型，或者换一种提示词策略，3 次就能得到可用结果，那么多出来的 7 次调用，就不是技术问题，而是管理问题。
这就像工厂生产。你不能只看机器转了多少小时，还要看良品率；不能只看产线跑得多快，还要看单位产出成本；不能只看今天出了多少件，还要看有多少件真正交付给客户。
Token 也是一样。不能只看调用量，要看采用率；不能只看消耗量，要看结果质量；不能只看生成速度，要看业务转化。
Token 成本管理的本质，不是财务管控，而是产能管理。
模型利用率是多少，有效产出率是多少，单位结果消耗了多少 Token，哪些任务反复生成却没人采用，哪些场景花了很多钱却没有形成可复用成果。这些问题不回答，AI 成本就永远是一笔糊涂账。
很多企业现在最大的问题，不是 Token 花得多，而是不知道 Token 花在了哪里。哪个部门花得最多，哪类任务消耗最大，哪些调用产生了价值，哪些调用只是把钱烧成了一堆看起来很聪明的废话，这些如果都看不见，后面再问“AI 到底值不值”，其实已经晚了。
因为企业连账本都没有。
不算账，就不知道钱花在哪里；不知道钱花在哪里，就不知道该从哪里优化；不知道怎么优化，AI 就会从生产力工具，慢慢变成一个新的成本黑洞。
第一阶段，浪费是试错成本。第二阶段，浪费就是管理失控。
一个人会用 AI，是技能；一群人用好 AI，是组织能力
模型账和成本账，还算容易。真正隐蔽的，是组织账。
假设一个企业里有 100 个人在用 AI。30 个人知道什么任务该用什么模型，50 个人一直使用默认配置，20 个人把所有问题都扔给最强模型。这 30 个人和那 20 个人的 Token 效率，可能相差 5 倍。
但从财务账面上，你很难看出来。账面上只会显示：本月 AI 调用费用多少。它不会告诉你哪些调用创造了价值，哪些调用只是浪费算力；哪些人在用 AI 解决问题，哪些人在用 AI 制造更多文本；哪些任务该交给规则引擎，哪些任务才值得调用大模型。
这就是组织账。
一个人会不会用 AI，是技能问题。一群人怎么用 AI，是组织问题。
很多企业以为 AI 成本失控，是技术问题，其实不是。它往往是组织没有形成基本使用秩序。团队有没有一个共识：贵的模型留给贵的任务？有没有一套简单的分流机制：信息提取用轻量模型，深度分析用旗舰模型，格式化输出用规则引擎？有没有定期复盘 Token 消耗：哪个部门花多了，哪类任务效率低，哪些提示词需要优化？有没有把优秀用法沉淀下来：哪些提示词可以复用，哪些流程可以产品化，哪些场景值得做成内部 Agent？
如果这些都没有，那 AI 投入里一定有一大块正在无声蒸发。
而且这种浪费最麻烦的地方在于，它看起来很正常。每个人都在用 AI，每个人都觉得自己提高了效率，每个月账单也都正常支付。老板甚至还能在会议上说，我们公司的 AI 使用率已经很高了。
但使用率高，不等于生产力高。调用量大，不等于价值大。人人都在用，也不等于组织真的变聪明了。
很多企业最后会发现，AI 用得越来越多，组织能力却没有沉淀下来；文本生成越来越快，判断质量却没有明显提高；Token 消耗越来越大，真正可复用的方法论却很少。
这就是组织账没算清楚。
AI 不是一个个人效率工具那么简单。一旦它进入企业，就会变成组织能力的一部分。如果没有使用秩序，它就会放大混乱；如果没有复盘机制，它就会放大浪费；如果没有方法沉淀，它就会变成一次次即兴表演。
今天生成一个报告，明天生成一个方案，后天生成一个纪要，看起来产出很多。但三个月之后回头一看，组织什么都没留下。
这才是最贵的浪费。
真正难的，是从“敢用”到“用对”
所以，企业 AI 落地真正难的，不是第一天要不要开放使用。真正难的是阶段切换。
第一阶段，目标是“用没用”。先让大家敢用，先让员工知道 AI 能干什么、不能干什么，什么场景顺手，什么场景添乱。这个阶段，如果一上来就把成本管得太死，员工就不试了。
老板说大胆试，财务说别浪费，IT 说注意合规，业务说出了问题谁负责。最后员工算了一笔账：不用最安全。
所以第一阶段，确实要允许浪费。
但第二阶段，目标就变了。第二阶段不再是“用没用”，而是“值不值”。这个时候，企业要开始问：哪些任务真的适合 AI，哪些任务只是看起来适合；哪些模型用贵了，哪些提示词写差了；哪些结果被采用了，哪些结果只是生成出来，然后被丢进文件夹；哪些场景值得继续投入，哪些场景应该停下来。
如果企业一直停在第一阶段，就会出现一种新的浪费：大家都在积极使用 AI，但没人知道用得好不好。这时候，“鼓励使用”就会从创新机制，变成成本黑洞。
所以我并不反对企业在早期鼓励员工多用 AI。恰恰相反，我认为很多企业第一步没有迈出去，就是因为太早进入成本管控。
但企业不能永远停留在“鼓励使用”这个阶段。AI 落地不是一场气氛运动，它最后一定要进入到具体的业务和管理。
第一阶段，企业要解决的是敢不敢用。第二阶段，企业要解决的是用得值不值。这两个阶段的管理逻辑完全不一样。
第一阶段要放开一点，第二阶段要算清一点。第一阶段怕浪费，组织就不会动；第二阶段不算账，组织就会乱动。
企业真正要沉淀的，不是模型，而是用法
我最近越来越强烈地感觉到，企业上 AI 最容易高估模型，低估用法。
大家很容易追问：哪个模型最强，哪个平台最好，哪个 Agent 框架最先进，哪个供应商方案最完整。这些问题当然重要，但企业真正落地的时候，更关键的问题往往是：这个任务到底该不该交给 AI，交给 AI 的哪一部分，输出结果谁校验，成本算到哪个部门，经验怎么沉淀，下次能不能复用。
模型会降价，算力会便宜，工具会更新，供应商会替换。但一套好的 AI 使用秩序，会留下来。
什么任务用什么模型，什么场景需要人工复核，什么结果算有效产出，什么流程值得沉淀成 Skill，什么能力应该进入组织知识库。这些东西，才是企业 AI 落地真正的资产。
不是模型本身，而是组织知道如何使用模型。
如果要把这件事落到企业现场，可以先从一件很笨的事开始：把企业里所有正在使用 AI 的场景列出来。
不要先问模型，不要先问工具，先问任务。
这个任务是抽取信息，还是做判断？是改格式，还是写报告？是给人参考，还是自动执行？是一次性使用，还是可以沉淀复用？任务一分清，很多浪费马上就浮出来了。
接下来，再做一张很简单的 Token 成本看板。按部门看谁在用，按任务类型看用在哪里，按模型看调用结构，按结果看采用情况。这张表的价值，不是为了卡费用，而是为了让企业看见 AI 在组织里的真实流向。
钱流向哪里，组织的注意力就在哪里；Token 流向哪里，AI 的真实使用场景就在哪里。
然后，给团队定一条最简单的共识：贵的模型留给贵的任务。
这句话不需要写成厚厚的制度，但要写进 AI 使用指南里，写进提示词模板里，写进内部培训第一页，写进每一次 AI 应用复盘里。让每个人在调用 AI 之前，都先问一句：这件事真的需要最强模型吗？
如果只是抽字段，为什么不用轻量模型？如果只是改格式，为什么不用规则引擎？如果只是做摘要，为什么要调用旗舰模型？如果是经营判断，为什么没有人工复核？
这不是为了限制员工，而是为了建立组织的使用秩序。
AI 管理最怕的，不是员工用得多，而是每个人都按照自己的习惯用。有人把 AI 当搜索框，有人把 AI 当写作机，有人把 AI 当决策者，有人把 AI 当万能助理。最后组织内部没有共同语言，也就没有共同能力。
所以企业每个月至少要做一次很轻量的复盘。这个月花了多少 Token 成本，哪些部门增长最快，哪些任务调用最多，哪些结果被实际采用，哪些提示词表现最好，哪些模型可以降级，哪些场景值得继续投入，哪些场景应该停止。
更重要的是，要看有没有沉淀。
这个月有没有沉淀出一套可复用提示词，有没有形成一个标准工作流，有没有发现一个值得产品化的场景，有没有把个人经验变成组织能力。
如果每个月只是花钱调用，没有沉淀方法，那么 AI 只是被消费了。如果每个月都能沉淀一点模板、流程、知识和经验，那么 AI 才开始变成组织资产。
这就是区别。
企业上 AI，不能一开始就怕浪费。第一阶段，怕浪费，才是真浪费。
但企业也不能永远不算账。第二阶段，不算账，也是真浪费。
很多企业会卡在中间。不敢完全放开，也管不出章法；既怕员工不用，又怕费用失控；既想要创新，又想要每一分钱立刻见效。结果就是老板喊得很急，员工用得很虚，财务看得很慌，IT 管得很累。
真正有效的做法，不是简单放开，也不是粗暴收紧，而是分阶段。
第一阶段，允许试错，让组织动起来。第二阶段，算清三笔账，让组织用对地方。
模型账，解决的是能力匹配；成本账，解决的是投入产出；组织账，解决的是使用秩序。
这三笔账算清楚，企业 AI 才不会停留在“热闹使用”。它会开始进入经营管理。
上一篇，我们问的是企业能不能上 AI。
这一篇，我们问的是企业怎么把 AI 用得值。
先问三件事，再算三笔账。问题决定边界，账本决定路径。
边界清楚了，路径算清了，AI 才不是一个新玩具，而是一套真正能创造价值的生产系统。