ARTICLE · 1140542
AI观潮|AI Agent 不贵,贵的是“看着它干活的人”
企业算 AI Agent 的账，算错的地方几乎都一样：把它们当成了便宜的实习生。token 单价确实一年比一年低，低到显得不要钱。可真等 Agent 进了生产环境，账单常常比预想高出十几倍。便宜是错觉，账本藏在三个地方：每一次多步推理吞掉的 token、绝大多数永远上不了线的项目，还有那个没人算进去的"监工"人工。
这半年我们在一线看了不少 Agent 项目，有的真省了钱，有的把预算烧穿了才发现问题出在账没算对。下面这三笔账，任何一笔算错，Agent 对你来说就不是降本工具，而是成本中心。
一、第一笔错账：把 Agent 当成便宜实习生
单看单价，Agent 便宜得离谱。一次客服工单的 AI 成本，行业数据大致在 1 到 6 元，而人工处理同样一单要 5 到 25 元；代码审查一次 AI 花费几毛到三块，高级工程师做同样的事按小时计费要几十上百。
问题在于，Agent 不是单轮聊天机器人。它会自己规划任务、反复调工具、来回检查中间结果，每一步都在重新塞一遍上下文。Gartner 2026 年的测算很直接：agentic 模型处理单个任务的 token 消耗，是普通聊天机器人的 5 到 30 倍。落到复杂客服工单上，一次解决的真实成本可能到 3 到 4 美元，而很多团队的试点预算，是按每单 0.1 到 0.2 美元估的。
更反直觉的是这条规律：企业 AI 总支出涨了 320%，同一时期 token 单价却跌了 280 倍。单价越便宜，用量涨得越疯，总账反而越贵。Agent 的本质就是高频、多步、长上下文的推理，单价的下降被调用次数的上升一口吞掉。所以看 Agent 的成本，不能只盯单价，要盯它一个任务到底调了多少次、每次又塞了多少上下文。
模型之间的价差也大得离谱。2026 年主流模型输出 token 的单价，最贵的和最便宜的能差出一百多倍。一个没做路由的 Agent，把所有任务都丢给最贵的那一档，账单会非常难看。路由做对了，同样的任务量能砍掉六到八成成本。还有一类容易被忽略的浪费是反复重试：一次失败重发，上下文要整个重传一遍，这一轮的花费直接翻倍。
一个具体的对照是代码审查。AI 完成一次常规代码评审的花费约 0.72 美元，而高级工程师做同样的事要 48 美元。单看这一项，Agent 便宜得没有争议。可一旦审查变成每天上百次、每次还要翻好几个文件、反复查证，月账单就会从几百块跳到几千块。单价的便宜，挡不住体量的乘法。这也是为什么很多团队在试点里算得过来，一上规模就亏。
所以第一笔账的坑，是拿"每次调用的单价"去估"一个 Agent 全年要花多少"。后者才是真账单。
（这段适合转给正在拍板 Agent 年度预算的 CFO，他可能正按聊天机器人的单价在估 Agent 的账。）
二、第二笔错账：以为上线就等于省钱
很多团队的第二步错账更贵：他们以为 Agent 上线了，钱就省下来了。现实是，绝大部分 Agent 根本没走到"上线"那一步。
多家机构 2026 年的口径趋同：约 88% 的 AI Agent 从未进入生产环境。没上线的主要原因排在前三的，是基础设施缺口、治理与安全门槛，以及 ROI 测量失败，没有一个是模型能力问题。Gartner 进一步判断，到 2027 年会有超过 40% 的 agentic AI 项目被取消，成本攀升、数据质量差、治理不足、价值不清是主因。
已经立项的项目里，失败的平均沉没成本也相当可观。面向大型企业的统计显示，一个失败的企业级 Agent 项目，平均要吞掉 210 万美元的投入。
MIT 旗下团队 2025 年的报告给过一个被广泛引用的数字：95% 的生成式 AI 试点，没有产生任何可衡量的财务回报。麦肯锡同年的调研更冷：只有约 39% 的企业报告 AI 带来了企业级的利润影响，真正够得上"AI 高绩效企业"的，只有大约 6%。Gartner 另一项针对基础设施团队的调研更直接：只有 28% 的 AI 项目真正交付了有意义的 ROI。
还有个常见的误判，是用试点的经济账去推算规模化的账。试点时只有几个工程师在用，调用量低，账单好看。等推广到整个团队、几十个 Agent 并行跑，token 消耗是另一个量级，两者不能线性外推。我们见过最可惜的一类，是 demo 惊艳、推广即亏损，预算批了，账却始终算不平。这几个数字拼起来的结论很清醒：Agent 省不省钱，跟模型选得多先进关系不大，跟企业有没有准备好让它落地关系很大。买一个 Agent 容易，让它稳定跑在生产里并产生正回报，是另一件事。这也是 Gartner 判断四成项目会在 2027 年前取消的底气所在。
（这段值得转给手里压着一堆 Agent POC、却迟迟不敢全面推广的 IT 负责人。）
三、最隐蔽的一笔：监工成本
前两笔账好懂，第三笔最容易被漏算，因为它根本不出现在任何 AI 账单上。
行业里有个说法叫"botsitting"（看着机器人干活）。Agent 给出的东西不能全信，人就得在旁边喂上下文、核对输出、纠偏、收拾它生成的烂摊子。调研数据里，员工平均每周要花 6.4 个小时做这些事。换算一下，一个十人团队一个月就有超过一百个小时，花在"盯 Agent 别出错"上。
更麻烦的是纠错会吃掉收益。多家机构的口径是，返工和错误修正会吞掉大约 40% 原本预期的生产力提升。也就是说，Agent 帮你省下的时间，有相当一部分又回到了人手里，变成了监督成本。
我们在客户现场见过一个典型场面：服务台上了 Agent 之后，原先接电话的工程师没闲下来，反而多了一件事，盯着 Agent 的回复，不对就改，改完再发。Agent 省下的那点工时，一部分又回到了人手里。Forrester 的口径更狠：在早期的 Agent 项目里，返工税能吃掉一半以上的预期收益；即便成熟项目，也有 22% 到 38% 的收益被纠错吞掉。一个十人团队一个月多花的一百个小时，折算成工资，可能比 Agent 省下的推理费还要高。
很多人算 Agent 的 ROI，只算了它替掉的那部分人力，没算为了管它又加回来的那部分人力。账本上没写的那一笔，往往才是最贵的。
（这段转给一线带着 Agent 干活的团队 leader 最合适，账本上没写的那笔，正压在他们身上。）
四、算得平的那 41% 做对了什么
说完三笔错账，也得说句公道话：确实有人把账算平了。Gartner 的数据是，仅有 41% 的 Agent 部署在 12 个月内转正 ROI，另有 19% 永远收不回本。但那 41% 里头，回本节奏相当健康：行业中位回本周期约 5.1 个月，客服类 Agent 平均 4.1 个月就转正，平均每一块钱投入换回 3.5 块回报，头部的能做到 8 倍。
他们做对了的事，归纳下来就三件，都不靠更贵的模型。
第一件是模型路由。不是所有任务都需要最强的大模型。把意图分类、格式转换这类简单活派给小模型，只有复杂推理才升级到旗舰模型，成本能降 60% 到 80%，质量回退通常不到 5%。具体怎么路由？多数企业分层处理：七成明确简单的请求用规则直接派给小模型，零额外成本；剩下三成模糊的，再用一个轻量分类模型判断复杂度，决定上哪一档。这样既不加多少延迟，又能把平均成本压下来。路由的难点不在技术，在有人愿意持续维护那张复杂度判断表。
第二件是上线前先定义什么叫"成了"。统计里 73% 的 AI 项目，开工前没有写下可衡量的成功标准。没有标准，自然永远算不平，到了预算复盘季只能凭感觉说"好像有点用"。
第三件是把 AI 成本当财务科目来管。给单次任务设调用上限，超了自动转人工；设预算告警，花到七成就开始提醒；成本按团队分摊，谁在烧钱一眼看清。配套的是给每个任务设一道硬预算：单任务最多调几次模型、花多少 token，到顶就转人工。这不是工程洁癖，是财务控制。这套做法有个名字叫 AI FinOps，本质是拿管云资源的纪律来管推理开销。谁先建起这套纪律，谁就先把 Agent 从成本中心变成利润来源。
算得平的那批企业，赢在架构纪律，不赢在模型便宜。
五、金道在一线看到的账本
说回我们自己在一线看到的。我们服务的一家连锁零售客户，2025 年上了一套服务台 Agent，demo 阶段惊艳，ROI 测算也漂亮，管理层当场拍板推广。
真进生产，账单先难看了。多轮对话把上下文越撑越大，单工单的 token 消耗远超预期；遇到几个长尾问题，Agent 反复重试，一次调用的成本直接翻倍。我们当时做了一次成本拆解，发现他们最贵的一类长尾工单，单次推理开销是简单问答的二十倍以上。那段时间，省下来的工时没看见，多出来的推理账单先到了。
我们后来做了三件事。一是意图路由，八成的简单问答走小模型，只有复杂工单才升级到主力模型；二是给 Agent 设硬上限，单个工单最多调用若干次模型，到顶就转人工，不让它自己在循环里烧钱；三是上了可观测，把每次调用的成本摊到每张工单上，哪类问题贵、哪类便宜，一眼能看清。
做完这三步，单工单成本压到了原来的三分之一，回本周期从 demo 阶段那个"遥遥无期"，缩短到五个月以内。这个客户后来把同一套思路复制到另外两个业务线。路由、上限、可观测，后来成了我们给客户做 Agent 落地时的标准三件套。
一线给我们最深的体会是：Agent 不是上了就省，是上了之后有人管账，才真的省。账算不清，再好的 Agent 也只是又一个烧钱的项目。
金道成立于1995年，是中国最具竞争力的桌面、应用和云计算运维服务商之一。金道近2000名服务工程师，分布在西安、贵阳、东莞、大连等地的离岸服务中心（ODC），以及客户数据中心和办公现场，为30多家世界500强客户提供安全、快速和优质的服务。
金道的使命：
以专业和快速的服务，保障客户ICT系统安全和连续地运行。
金道的业务：
- 重要客户：
科技、零售、制药等行业； - 核心服务：
云计算交付与运维、桌面运维、AI+数据； - 客户价值：
高安全、快交付、低成本。
借助流程、知识库和AI大模型，金道的专业技术人员为客户打造高安全、快交付和低成本的ICT服务。
- 云计算交付与运维：
为云计算厂商和大客户提供云计算的建设、迁移、排障和变更服务，以及数据中心现场服务； - 桌面运维：
为客户的生产和办公系统提供7×24的咨询、排障和变更服务； - AI+数据：
为连锁餐饮行业实现千客千面的智能菜单，大幅提升门店营收。
客户的期待，就是金道努力的方向：
- 高安全：
认证合格工程师，严格管控流程和操作规范； - 快交付：
快速地部署与交付服务，支撑客户业务增长； - 低成本：
用AI替代人工，持续降低服务成本。
灵活的收费模式，可以按用量和利润分成的方式计价。
- 用量收费：
按工单、设备数量收费； - 利润分成：
为客户节省成本，创造新收入，分享其中部分利润。
写在最后
AI Agent 的便宜，是给算得清账的人准备的。
2026 年企业买一个 Agent 不难，难的是买完之后它还赚。把三笔账算明白，token 的真实消耗、项目的真实上线率，还有那个没人算的监工时间，比追一个新模型值钱得多。预算季快到了，那些能把账算平的公司，往往不是模型用得最猛的，而是账本看得最清的。算清账，本身就是 2026 年最被低估的 AI 能力。
如果这篇文章帮你理清了预算思路，欢迎点个赞，转发给正在为 Agent 立项发愁的同事，也收藏起来，下次拍板前翻出来对照着看。