夜雨聆风关键讯息，D1时间送达！
企业网D1net
用Token消耗量衡量AI成熟度，本质是奖励活跃度而非价值。企业普遍陷入"AI优先、治理缺位"的陷阱，54%仍处早期，却有75%高管担忧风险。"Token最大化"让单用户成本飙升至140万美元，高活跃度不等于高生产力。AI输出不一致、人工审核不可规模化，缺乏治理的代价远超想象。真正的出路是建立治理框架，从衡量采用转向衡量成果——部署时间缩短、准确性提升、组织学习增强。AI的成功不取决于部署速度，而取决于架构纪律。
通过员工Token消耗量来衡量AI成熟度，本质上是在奖励活跃度而非价值，掩盖了真正进行流程现代化的必要性。
治理债务
遗留系统的现代化并非新现象，我本人就曾参与过将遗留系统迁移到更高效、更现代软件的项目。在追求效率的目标驱动下，初期成果可能需要数月才能显现，而迁移工作仍在其他阶段持续推进。AI的出现引发了一场企业范围内的竞赛，几乎每个业务流程都在追求效率提升。
如今的CIO承受着压力，需要看到AI投资带来可衡量的回报，因此，聊天机器人、智能体和生成式AI工具正以前所未有的速度被部署。评估成功的核心指标是生产力，AI通过更快的编码、文档编写、内容生成和原型开发带来了巨大收益，然而，这些好处往往掩盖了一个不那么显眼的现实：AI生成的输出需要代码验证、合规审查和持续监督。
我本人从未见过哪个企业在推行“AI优先”指令的同时，配套了“治理优先”的策略，然而，当高管们推动更快交付和可衡量的收益时，风险评估往往被视为障碍而非必需品，这制造了一个有趣的组织悖论：被采用来加速工作的技术，同时引入了对监督、问责和信任的新要求。当这一现象渗透到企业的方方面面——从软件开发到业务报告再到客户支持——时，其影响变得更加显著。
对每个智能体的输出都进行人工介入审核，从长远来看无法规模化，但如果缺乏治理，后果将更加严重，表现为AI行为无记录可查、审计能力存在缺口，另一个需要治理的因素是AI的不一致性，大多数领导者假设AI的行为像传统软件一样，有输入就有输出，但对于大多数AI模型而言，即使使用相同的提示词、模型和数据，不同智能体对上下文的解读也不同，行为因此存在差异，不一致的AI输出使企业质量标准更难规模化推广。
根据毕马威2026年发布的《全球AI脉搏》研究，54%的企业仍处于AI旅程的早期阶段，而75%的高管对AI相关的风险和安全表示担忧，这引出了一个关键问题——领导者如何在推进AI采用的同时确保防护措施到位？
AI该如何审核？
随着企业拥抱AI，治理问题需要从基层层面思考。在我十五年监管复杂架构的经验中，对日常流水线生成的输出进行人工介入审核，违背了采用AI的初衷。为什么这在运营上具有挑战性？大多数AI智能体每天生成数千条提示词回复并编写多行代码，此外，AI智能体还参与数据清洗、算法设计和模型配置等多个阶段，生成的AI工件数量将很快超出人工审核的能力，应对这一挑战的方法之一是增加监督环节，在采用初期让人工判断在最有价值的地方发挥作用。AI负责人应要求团队对高风险决策、监管要求和面向客户的交互进行验证。目标可以是为每个团队定义一套AI红线，作为治理框架使用，帮助识别最常见的风险并在全组织范围内维护标准，这也引出了一个关于AI使用指标的重要问题：在建立治理防护措施的同时，领导者应该用什么指标来衡量AI的成功？
Token陷阱
企业传统上需要不断演进衡量数字化转型的指标，由于生产力是AI的副产品，人们很容易将AI活跃度作为其所创造价值的替代指标。在许多企业中，AI使用量通过提示词数量、提交的查询数、消耗的Token数以及与聊天机器人的交互次数来衡量。“Token最大化”——即要求员工追踪AI Token使用量，从而将生产力与更多Token使用挂钩——正在推高企业的成本，却未考虑AI验证成本。《财富》杂志的一篇文章揭露了这一残酷现实，根据该文章，即使是最便宜版本的Claude Opus 4.6(每百万Token收费5美元)，当Token使用量达到数十亿时，仅一个用户就可能给公司带来超过140万美元的成本，这制造了一种危险的激励结构，员工追求更高的Token使用量，而非最大化业务成果。
在复杂的工程环境中，高活跃度并不等于高生产力。试图研究某个专有工具的员工可能消耗数百万Token才能获取基本信息，而经验丰富的员工试图为工作增值时，最终使用的Token可能只占其零头。那么领导者该如何应对?答案仍然在于治理。在云转型时代，企业建立了负责云部署、迁移标准和成本优化的团队。AI采用需要类似的运营模式，既衡量AI活跃度，也衡量成果。
从采用到成果的衡量
对CIO而言，衡量AI的影响与采用AI同样重要。要从AI工具中获得可衡量的价值，应该用战术性的长期方法来衡量收益，取代急于部署和衡量使用活跃度的冲动，AI采用应基于其对工作流的影响来评估，领导者应关注日常任务本身的可衡量改进。企业可以追踪使用或不使用AI时流程部署时间的缩短情况，以及Token或查询产生的成本，另一个可衡量的指标是通过将已建立的基线与AI生成的输出进行比较来评估准确性提升。一个生成输出更快但需要更多修正的AI智能体，最终可能比人工效率更低。比较AI周期时间与Token使用量的成本效率，是衡量AI采用情况的另一个良好指标。
AI对组织学习的影响是另一个关键指标，其目标应是让员工更快地积累专业知识，随着时间推移做出更好的决策并转移知识。如果AI采用导致学习减少、依赖性增加(由于对AI的依赖)，则可能带来企业的风险而非增加价值。最后，随着AI采用走向成熟，企业应建立提示词治理框架。汇总团队层面的报告，突出提示词使用情况，将揭示员工中的关键培训机会，其理念是帮助团队建立更强的AI实践，同时优化Token使用和业务影响。
从采用到价值
企业采用AI时最被忽视的方面之一是其长期运营成本，AI的底层经济学需要与企业应用于所有其他资产同等程度的纪律。虽然AI可观测性已成为衡量AI采用的重要指标，但CIO必须超越使用指标，聚焦于AI投资的长期回报。企业的AI成熟度评估应基于支出与创造价值的对比、准确性、技能发展和成本效益来计算。建立一个衡量AI所创造价值的框架，将定义企业AI采用的成功，并使其能够创新和规模化。最终，在AI上取得成功的企业不会是部署最快的那些。AI的成功不取决于部署速度，而取决于架构纪律。
关于企业网D1net(www.d1net.com)
国内头部to B IT门户，同时在运营国内头部的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)
如果您在企业IT、网络、通信行业的某一领域工作，并希望分享观点，欢迎给企业网D1net投稿。
投稿邮箱：
editor@d1net.com
合作电话：
010-58221588（北京公司）
021-51701588（上海公司）
合作邮箱：
Sales@d1net.com
企业网D1net旗下信众智是CIO（首席信息官）的专家库和智力输出及资源分享平台，有六万多CIO专家，也是目前较大的CIO社交平台。
信众智对接CIO为CIO服务，提供数字化升级转型方面的咨询、培训、需求对接等落地实战的服务。也是国内较早的toB共享经济平台。同时提供猎头，选型点评，IT部门业绩宣传等服务。
扫描 “二维码” 可以查看更多详情
