夜雨聆风最近，微软CEO萨提亚·纳德拉把一个新词带进了企业AI讨论：Token资本。
看到这个词，我的第一反应并不好。科技公司很擅长给旧问题换新名字，何况微软本身就在卖云、模型和企业AI工具。“Token资本”听起来太像一套为新产品准备的销售话术。
但我读完纳德拉6月14日的文章《A frontier without an ecosystem is not stable》，又听了他和Reid Hoffman的完整访谈，发现这个词没有表面上那么空。
纳德拉谈的不是企业买了多少Token，而是一个容易被忽略的问题：
员工每天都在教AI怎么干活。这些被AI学走的经验，最后留在了哪里？
花出去的是Token，留下来的才叫资本
纳德拉认为，未来的公司会同时经营两种资本。
一种是我们熟悉的人力资本。员工知道怎么处理客户，什么时候该拒绝一笔订单，哪段代码看着没问题但上线后容易出事故。这些经验经常写不进制度，却决定了一家公司真正的办事水平。
另一种就是Token资本。它可能是一段经过验证的上下文、一套客服评估题、一个Agent工作流，也可能是模型从员工操作中总结出来的判断规则。
所以，Token资本和Token用量是两回事。
一家公司每天调用模型十亿次，账单很高，未必积累了什么。另一家公司用量不大，却把每次成功和失败都保存下来，逐渐做出自己的评估集、知识库和工作流。后者才更接近纳德拉所说的资本。
他在访谈里给CEO出了一道题：昨天公司完成了那么多工作，其中有多少已经转化成公司拥有和控制的AI能力？
这个问题很实在。
很多企业的AI建设，最后留下的只有采购合同、几个演示视频和一张调用量报表。员工在聊天窗口里纠正过什么，专家为什么推翻模型答案，某个Agent是怎样把事情办成的，没有人保存，也没有人整理。
第二天，大家重新教一遍。
企业可能正在免费训练别人的产品
以前的软件主要记录结果。CRM知道合同签了没有，ERP知道货发了没有，但它们通常不知道老销售为什么临时改价，也不知道仓库主管为什么坚持多检查一次。
AI开始接触这些过程。
它能看见员工怎样提问、怎样修改答案、怎样在两个方案之间做选择。原来藏在人脑里的经验，现在可以从这些操作轨迹中被提取出来。
这当然是机会。我也觉得有点不安。
如果员工不断纠正外部AI，最后模型越来越懂这家公司，但公司自己拿不到完整轨迹，也不知道系统究竟学会了什么，那就很荒唐：企业付着API费用，让员工贡献行业经验，最后帮供应商做出一个更懂自己业务的产品。
纳德拉把知识外泄称为“单向门”。说得有些重，但并非没有道理。
模型供应商涨价还算小事。更麻烦的是接口改变、模型下线或访问规则调整之后，公司突然发现，过去半年形成的AI工作方式无法搬走。提示词散落在个人账号里，反馈数据导不出来，评估标准从来没有单独保存。
这时才会看清：公司租到了一种能力，却误以为自己拥有它。
社区最关心的不是概念，而是所有权
我翻了LinkedIn、Reddit、Hacker News和X上的相关讨论。管理者和创业者大多认同纳德拉对“隐性知识”的描述。
例如，一家做区域信贷的公司，真正有价值的未必是公开金融知识，而是当地客户如何周转、哪些看似异常的交易其实很正常。通用模型不会天然知道这些。公司如果能把一线员工的判断整理成可验证的规则，确实可能形成自己的优势。
开发者更不客气。他们追问的是：这东西能导出吗？能审计吗？换个模型还能用吗？
如果答案都是“不确定”，那它很难算资本。
还有人对企业常用的AI指标很反感。调用量增加、Agent数量增加、生成代码变多，这些数字很适合放进汇报材料，却不一定和交付速度、错误率或收入有关。
这点我很赞同。Token消耗更像电费，不像资产。电用得多，只能说明机器开着。
员工也会有另一层担心：公司一边要求大家“分享经验、训练AI”，一边又暗示AI将减少岗位。企业如果不解释知识如何使用、成果如何分配，只谈闭环和效率，很难得到真实反馈。员工最安全的选择反而是少说、少教、把经验继续留在自己脑子里。
技术闭环还没建成，信任先断了。
真要落地，先别急着训练自己的模型
Token资本这个概念容易把人带向一个昂贵的方向：是不是应该马上微调模型，甚至从头训练一个？
大部分企业没这个必要。
先把几件基础工作做好，通常更有用。
把AI费用和业务结果放在一起看
财务报表不能只记模型账单，还要知道这笔钱换来了什么。
客服Agent处理一次有效问题花了多少？代码Agent生成的修改有多少通过测试？合同审查节省了时间，是否也增加了漏判？
纳德拉在访谈里说了一句很朴素的话：不要用前沿模型解决非前沿问题。
格式固定的抽取、重复审核和规则明确的分类，不必每次都调用最贵的模型。小模型、缓存或普通程序可能更便宜，也更稳定。难题再交给强模型。
预算管得好不好，不看Token用了多少，要看完成一个有效结果要花多少。
划清哪些数据可以拿去“喂”
企业至少要知道，什么数据进了哪个模型，供应商是否留存，哪些人能查看完整对话，合作结束后能否删除或导出。
这听起来像常规的数据治理，但很多团队做AI试点时会跳过。大家急着把效果跑出来，先上传一批文档再说。等项目进入生产，才发现测试账号里已经混进客户信息、源代码和内部决策记录。
所有东西都留在本地并不现实。问题是公司要清楚自己交出了什么，以及是否还能拿回来。
自己保存评判答案好坏的标准
公开Benchmark与企业日常工作相距很远。模型数学题得分高，不代表它能审好公司的合同。
客服团队可以保存一批真实难题和合格答案，法务团队可以整理常见漏判，研发团队则应把回归测试、代码规范和事故案例纳入评估。
这些材料可能不如模型权重听起来高级，却更接近公司的真实能力。模型可以换，判断好坏的标准最好握在自己手里。
把员工修正AI的过程留下来
不少系统只保存最终答案，中间最有价值的部分反而丢了。
模型先给了什么建议？员工改了哪里？为什么改？最后结果如何？
这些记录经过清洗后，可以变成案例、规则、Skill或评估题。它们需要负责人和版本记录，不能一直躺在个人聊天历史里。
这里也要克制。不是员工每一次点击都值得永久保存。毫无筛选地收集操作日志，只会制造一座更贵的数据垃圾场。
定期做一次“换模型演习”
我认为这是最简单，也最容易被忽略的一项。
选一个关键工作流，换掉当前模型，看看会发生什么。历史上下文能不能导出？评估集还在不在？权限是否继续有效？换完之后，团队能否用同一批测试重新验收？
如果一换模型，过去积累的经验全部清零，那就不要再安慰自己说已经建成了企业AI能力。你只是把业务绑在了一个供应商身上。
纳德拉说得有道理，但微软也有自己的生意
“Token资本”不是一个中立概念。
微软希望企业使用Azure、Copilot、Agent 365、Entra、Defender和Purview来建设这套系统。纳德拉强调安全、身份、审计和数据边界，既是在讨论企业问题，也是在描述微软准备卖什么。
所以，这套话不能照单全收。
但微软的商业立场不等于问题不存在。哪怕公司使用的是OpenAI、Anthropic、Google或开源模型，仍然要回答同一件事：员工和AI一起工作时产生的新知识，究竟由谁保存，谁能验证，谁有权带走？
模型不会永远领先，价格也会变。企业真正能留下来的，应该是自己的业务上下文、评估标准、工作流程，以及员工在实践中反复修正出来的判断。
说到底，我不太在意一家公司每天用了多少Token。
我更想知道的是：明天换掉模型，它还剩下什么？
参考资料
1. Satya Nadella：A frontier without an ecosystem is not stable[1] 2. Reid Hoffman 对话 Satya Nadella：AI Is the Future of the Firm[2] 3. Reid Hoffman：CEOs need to be thinking about token capital[3] 4. Microsoft FY2026 Q2 Earnings：Cloud & Token Factory[4] 5. 社区讨论参考：LinkedIn、Reddit、Hacker News及X上的相关讨论。
引用链接
[1] A frontier without an ecosystem is not stable: https://snscratchpad.com/posts/frontier-ecosystem/[2] AI Is the Future of the Firm: https://www.youtube.com/watch?v=BKx0Dp8y-6g[3] CEOs need to be thinking about token capital: https://www.linkedin.com/pulse/satya-nadella-ceos-need-thinking-token-capital-reid-hoffman-1mnkc[4] Cloud & Token Factory: https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q2