AI比员工还贵?企业终于开始算清这笔账

最近，一张关于AI使用成本的截图在技术圈流传。

截图里提到，一个工程团队原本在Claude Max计划上尽可能多地使用AI，也就是所谓的“tokenmaxxing”：把AI额度用到极限，让模型尽可能多地读代码、写代码、推理、改Bug、跑流程。结果有人一天内就触发多次额度限制，短短十小时消耗了相当可观的AI使用额度。于是，一个新的问题被摆上桌面：

AI不是说好降本增效吗？为什么用着用着，反而比员工还贵？

这当然不是说AI一定比人贵，也不是说AI没有价值。真正值得警惕的是：企业过去把AI当成“便宜劳动力”，现在才发现它其实是一种按量燃烧的生产资料。

员工贵，是显性工资。

AI贵，是无感燃烧。

前者每个月固定发薪，后者每一次输入、输出、推理、工具调用、上下文扩展，都在悄悄计费。

一、企业一开始误判了AI的成本结构

很多公司最初引入AI时，算的是一笔非常简单的账：

一个程序员月薪几万元；

一个AI订阅每月几十到几百美元；

如果AI能替代一部分开发、测试、文档和客服工作，那岂不是稳赚？

这套算法的问题在于，它把AI当成了“会员软件”，而不是“算力消费”。

以Claude为例，Anthropic官方帮助页面显示，Claude Max有两个档位：Max 5x为每月100美元，Max 20x为每月200美元。乍一看，200美元买一个“AI高级员工”，简直便宜得不像话。(Claude Help Center)

但真正进入工程场景后，情况就变了。

AI不只是回答一句话。它要读代码库、理解上下文、拆任务、写方案、生成代码、解释报错、反复修改、运行测试、再根据测试结果继续改。一次看似普通的开发任务，背后可能是几十次甚至上百次模型调用。

更麻烦的是，越高级的模型越适合复杂任务，也越容易消耗大量token。Anthropic在Claude Fable 5介绍中称，它适合长时间、多阶段、复杂的编码和知识工作，可以在agent框架中连续工作很久；但它的API价格也达到每百万输入token 10美元、每百万输出token 50美元，并且在订阅计划中的免费包含窗口之后，继续使用需要额外usage credits。(Anthropic) (Anthropic)

这就意味着：AI越像员工，越不可能只按“软件会员费”来理解。

二、“tokenmaxxing”背后，是AI使用方式失控了

“tokenmaxxing”这个词很有意思。

它不是正常使用AI，而是把AI额度当作一种可以尽情压榨的资源：

能让它读完整个代码库，就不让它只读一个文件；

能让它生成十版方案，就不只生成一版；

能让它自己反复试错，就尽量不人工介入；

能开多个AI会话并行，就同时跑多个。

这很像早期云计算刚普及时的场景。

公司上云之前觉得云很便宜：不用买服务器，不用建机房，按需付费，多灵活。

上云之后才发现，如果没有资源治理、预算告警、权限管理和成本归因，云账单也会飞起来。

AI现在正在重复这条路。

企业以为自己买的是“智能”，实际买的是“推理算力”。而推理算力和云服务器一样，最怕没人管。

Deloitte在关于AI token经济的分析中也指出，虽然单个token的价格可能下降，但企业AI总支出仍可能上升，因为用户数量、模型复杂度和工作负载强度都会推高token消耗。(Deloitte)

这句话翻译成人话就是：

AI变便宜，不代表AI账单会变低。因为大家会用得更多、更重、更复杂。

三、AI为什么会突然“比员工还贵”？

第一，是长上下文很贵。

过去问AI一个问题，输入几百字，输出几百字，成本很低。

现在让AI读一个代码库、几份需求文档、几十个日志文件，再结合历史对话继续推理，token消耗立刻放大。

第二，是Agent工作流很贵。

聊天机器人回答一次就结束。

AI Agent不是。它会规划、搜索、调用工具、写代码、跑测试、读错误、再修复、再跑测试。

人类程序员写代码时，大量思考发生在脑子里，不按字数收费。

AI“思考”时，很多过程都会变成token、工具调用和运行时间。

第三，是高级模型很贵。

企业最想让AI做的，往往不是简单任务，而是复杂任务：重构、迁移、排障、架构设计、自动开发。可这些任务通常需要更强模型、更长上下文和更多推理预算。

低价模型能处理简单问题，但一旦任务复杂，团队往往会忍不住切到最强模型。

这就像公司原本只想请实习生，结果每个需求都在调用外部专家顾问。

第四，是失败成本也贵。

AI生成代码不等于代码可上线。

它可能写错接口、误解业务、引入安全漏洞、破坏历史逻辑，甚至把一个简单问题改成更复杂的问题。

这时候，人还得回来兜底：review、调试、回滚、补测试、查事故。

所以AI成本不能只看模型账单，还要看质量成本、协作成本和风险成本。

四、AI没有替代员工，反而增加了新的管理对象

很多企业曾经期待AI能直接减少人力。

但现实往往更复杂：AI确实能让一些环节更快，可它也带来了新的工作。

有人要设计提示词。

有人要维护知识库。

有人要做模型路由。

有人要审核输出质量。

有人要制定权限和安全策略。

有人要看账单、设预算、做成本归因。

McKinsey 2025年全球AI调查显示，虽然近九成受访组织已经在至少一个业务职能中经常使用AI，但多数企业仍没有把AI深度嵌入流程，以获得企业级的实质收益；同时，只有约三分之一的企业开始规模化AI项目。(McKinsey & Company)

这说明一个问题：

AI工具普及得很快，但AI管理能力跟得很慢。

企业不是只要买了AI，就自动降本。

真正难的是把AI嵌入流程、建立规则、衡量产出，并持续优化成本。

否则，AI不会替代员工，只会替代预算。

五、真正的问题不是AI贵，而是不知道AI值不值

说AI贵，其实还不够准确。

如果一个AI任务花了1500美元，但节省了一个团队两个月时间，那它一点都不贵。

如果一个AI任务只是在反复生成无用代码、制造更多review负担，那即使只花15美元，也是浪费。

所以，企业接下来最该问的不是：

“AI花了多少钱？”

而是：

“这笔AI成本换来了什么？”

换来了更快交付吗？

换来了更少Bug吗？

换来了更低人力投入吗？

换来了更高客户转化吗？

换来了更稳定的系统吗？

换来了真实收入增长吗？

Deloitte给CFO的AI token经济建议中也强调，企业需要像管理资本配置一样管理AI支出，把token消耗和总拥有成本放进清晰的价值链里，而不是在没有成本、消耗和回报视图的情况下持续签账单。(Deloitte)

这才是AI成本问题的核心：

AI不是不能贵，AI不能贵得不明不白。

六、企业会开始给AI上“工牌”和“KPI”

接下来，很多公司对AI的态度会发生变化。

过去是：

“大家都去用AI，提高效率。”

以后会变成：

“谁在用？用什么模型？用于什么项目？花了多少钱？产出了什么结果？”

过去是：

“给工程师买最强模型。”

以后会变成：

“简单任务用便宜模型，复杂任务才调用高级模型。”

过去是：

“AI能自动干活，尽量放手。”

以后会变成：

“AI可以干活，但必须有预算、日志、审计、回滚和人工确认。”

AI会从一个“员工福利”，变成一个“生产系统”。

既然是生产系统，就必须接受成本管理。

未来企业内部很可能出现几类新规则：

普通问答用低成本模型；

核心代码修改必须走审批和代码审查；

长上下文任务要限制输入范围；

AI Agent必须有最大循环次数；

每个项目有token预算；

每个团队有AI成本报表；

高价模型只用于高价值任务。

这不是保守，而是成熟。

就像公司不会让员工随便开云服务器，也不会让销售无限报销差旅费，AI同样不能无限调用。

七、程序员不会消失，但“会指挥AI的人”会更值钱

这件事对程序员也有一个重要提醒。

AI越强，越不是简单替代程序员。

AI越贵，越需要人来判断它该不该用、怎么用、用到什么程度。

未来优秀程序员的价值，不只是自己写代码，而是能把AI纳入工程流程：

知道哪些任务适合AI，哪些不适合；

知道什么时候该让AI继续尝试，什么时候该人工接管；

知道如何缩小上下文，避免无效token消耗；

知道如何检查AI生成代码的风险；

知道如何用便宜模型完成80%的工作，把贵模型留给关键20%。

换句话说，AI时代的程序员，不能只会“使用AI”，还要会“管理AI”。

因为AI不是一个免费的实习生。

它更像一个很聪明但按秒收费、按字收费、还可能犯错的外包团队。

你不会管理它，它就会烧钱。

你会管理它，它才可能赚钱。

结语：AI不是比员工贵，是粗放使用的AI比员工贵

“AI比员工还贵”这句话，听起来像段子，其实是行业进入下一个阶段的信号。

第一阶段，企业问：AI能不能用？

第二阶段，企业问：AI好不好用？

第三阶段，企业开始问：AI值不值得用？

现在，我们正在进入第三阶段。

AI仍然会改变软件开发、知识工作和企业运营。它的价值不应该被低估。但同样，AI的成本也不能再被浪漫化。

真正成熟的公司，不会因为AI贵就不用AI，也不会因为AI强就无限使用AI。

它们会做一件更现实的事：

把AI从“神奇工具”变成“可管理资产”。

能创造价值的AI，再贵也便宜。

不能创造价值的AI，再便宜也浪费。

企业终于发现，AI不是免费的员工。

它是一台很强大的机器。

而所有强大的机器，都需要仪表盘、刹车、预算和负责人。