夜雨聆风2026 年 6 月，科技媒体 404 Media 的记者 Joseph Cox 报道：他拿到了一段埃森哲内部会议的录音。报道发出后，被反复引用的，是录音里的两段对话。
第一段对话里，负责 agentic AI 战略的 Justice Kwak 正在向同事展示数据：
"从公司内部数据来看，推动 token 消耗的其实不是我们的工程师。"
"而是大量非工程师。"他补充说。
第二段对话紧接着发生。客户组负责人 Stuart Henderson 插话，半开玩笑地问：Kwak 该不会把 PDF 转成图片、再转成 Markdown 文件了吧。
"我最近才学到，那是最烧 token 的活之一。把 PDF 转成 Markdown——对吧？"
"这正是埃森哲自己的数据显示的。"Kwak 承认。
一家全球头部的咨询公司，AI 账单里被点名的最大单项之一，不是写代码，而是把 PDF 转成 Markdown。
一个文件格式转换，为什么能烧掉这么多 token？钱花在了哪里？有没有更便宜的做法？
一、大公司开始对 AI 的使用额度进行限制
先把时间往回拨两年。
2024 到 2025 年，大公司的主流动作是鼓励员工"尽可能多用 AI"。埃森哲走得更远：2026 年 2 月，CNBC 报道，埃森哲要求高级员工定期使用 AI 工具，否则影响晋升，并跟踪员工每周的登录次数。Uber 则办过内部比赛和排行榜，比拼谁的 AI 用得多。
然后账单来了。
Uber 的 CTO 在 4 月对 The Information 承认：公司全年的 AI 预算，4 个月就烧完了。6 月初，TechCrunch 报道，Uber 给每位员工设了限额：Claude Code、Cursor 这类 AI 编程工具，每款每人每月最多花 1500 美元。
GitHub 的动作更彻底。6 月 1 日起，Copilot 从固定订阅价改成按 token 计费：月费先折算成额度，1 个 credit 等于 1 美分，超额部分用多少收多少。TechCrunch 报道，部分重度用户的月账单涨了 10 到 50 倍。研究机构 FutureSearch 的分析则指出，中位数用户的月账单仍在 19 美元左右——真正痛的是重度用户，以及"月底才知道账单多少"的不可预测性。账还没算完：GitHub 给老客户的三个月过渡期额度 8 月底到期，9 月 1 日起每月赠送额度最多缩水 44%，账单真正开始变疼的时刻还没到。
有意思的是，各家收紧的对象不同：Uber 卡的是工程师的编程工具；而埃森哲内部数据显示，烧 token 的主力是非工程师。
埃森哲数据里被点名的最大单项之一，就是把 PDF 转成 Markdown。
二、为什么 PDF 这么烧 token
先解释一个基础概念：token 是 LLM 处理和计费的基本单位，一段文字、一张图片都会被切成若干个 token，模型按 token 数收费。
PDF 从设计上就是一个"打印格式"：它的目标是让同一份文件在任何设备上打开、打印出来都一模一样。为此，它把每个字符的坐标、字体、排版全部锁死——但它锁的是"显示位置"，不是"文字结构"。
LLM 吃的是 token，不是页面。要让模型读 PDF，只有两条路。
一条是视觉路：把每一页渲染成图片，喂给视觉模型。视觉模型不认"文字"，它把页面切成小块（tile），按块计 token。以 GPT-4o 的官方计费公式（85 + 170×tile）为例，一张 1024×1024 的页面图约等于 765 token，一页普通文档的截图通常要 1000 到 2000 image token。100 页的 PDF 就是 10 万+ token——这还什么都没问，光"看"了一遍。
另一条是文本路：直接抽取 PDF 里的文字流。但 PDF 里的文字是排版碎片——分栏、页眉页脚、表格会把文字流打乱，直接抽出来的文本常常顺序错乱，这条路于是常常被放弃。
结果，"转成图片再转成 Markdown"成了默认操作：文字先被打成像素，再花最贵的算力把像素读回文字。一步变三步，每一步都计费。
而且图片 token 里携带的大部分是排版信息——字体、间距、位置。对"我要读内容"的任务来说，这些是纯开销：花 10 万+ token 买回来的，主要是"这份文件长什么样"，而不是"它说了什么"。
转换本身还可能出错。开发者 Jerome 在 2026 年的一份公开横评里实测了 9 款 PDF 转 Markdown 工具（5 款开源、4 款托管服务），发现其中 2 款会悄悄改掉文档里的数字，且不给出任何提示。
三、先转 Markdown，再喂 LLM
这件事有便宜得多的做法：先用转换工具把 PDF 转成 Markdown，再把 Markdown 喂给 LLM。
省在哪里？同样的内容，文本形式的 token 数比图片少得多。同一页内容，转成文本后几百个 token 就装下了，截图则要上千个。一份中文评测给出了整体对比：100 页年报直接截图喂 GPT-4o 约 11 万 token，先用 MinerU 转成 Markdown 再喂约 1.2 万 token，砍掉近九成（单一来源评测，数字仅供参考）。
直接抽取文字流效果差，是因为 PDF 没保留文字结构；而专门的转换工具会用布局模型先重建结构——标题在哪、表格边界在哪——再把内容转成 Markdown。对 LLM 来说，Markdown 是"熟面孔"：纯文本，结构显式，# 是标题、| 是表格、- 是列表。GitHub、技术博客、官方文档让 Markdown 在训练语料里无处不在，不少模型的官方文档也推荐用 Markdown 组织输出。把内容放在模型最熟悉、最便宜的格式里，是最划算的喂法。
转换是一次性成本：转完之后，每次调用都按文本价格算，而不是每次按图片算。
工具怎么选，看文档类型：
• MinerU：上海 AI Lab 开源，中文文档和复杂表格的解析最强，横评中内容还原度最高；缺点是偶尔删脚注。 • Docling：IBM 出品、MIT 许可，企业友好；转不了的内容会明确标出来而不是瞎编，代价是公式和图片直接丢弃。 • Marker：发挥最稳定，公式和图片处理得好；弱项是多栏版式；商用许可需要注意。 • MarkItDown：微软出品，一行命令就能跑；表格和公式是弱项。
最轻量的起步只需要三行：
# 安装微软的 MarkItDown
pip install markitdown
# 一行命令把 PDF 转成 Markdown
markitdown 合同.pdf -o 合同.md表格复杂或中文文档，换 MinerU。不想本地部署，云端 OCR 也能干这件事——Simon Willison 报道过，Mistral OCR 大约 1 美元处理 1000 页。
如果只是自己读几份文档，NotebookLM 这类工具已经在背后替你完成了转换；需要大规模、可复用地把文档喂给 API 或做检索增强（RAG），转换这一步才需要自己掌握。
四、这个方案不适用于所有 PDF
先转 Markdown 不是万能答案，适用边界很清楚。
第一，需要"看懂版面"的任务不适合。图表理解、手写批注、版式比对——这类任务里"看"本身就是工作内容，逐页截图喂视觉模型不可替代。开发者 Judd 在一篇成本测算里算过账：视觉模型的单次 API 成本比传统 OCR 贵 2 到 5 倍，但把开发时间、人工复核和维护成本算进去，总成本反而低一个数量级。"先转后喂"针对的是"读内容"，不是"看懂版面"。
第二，转换会丢东西。公式、图片在多数工具里会直接丢弃——Docling 的做法是宁可留白也不乱编；而有的工具会静默改数字。批量处理前，必须抽查。
第三，PDF 不会消失。法律文件、归档、跨平台打印，PDF 在这些场景不可替代。真正能改的是两件事：存量 PDF 先转后喂；新建文档直接从 Markdown 或纯文本写起——以后就省掉了每一次转换。
总结
埃森哲的账单揭示的不是"AI 太贵"，而是"我们用错了格式"：把展示格式当数据格式，再花最贵的算力把它翻译回来。token 账单只是症状，格式错配才是病根。
PDF 不会消失。但有理由预计：随着按量计费成为常态，"先转 Markdown 再喂 LLM"会从少数人的技巧变成默认流程；转换工具会更快更便宜；格式意识也会跟着变——新建文档时，选什么格式不再只是审美问题，而是一笔可以算到 token 级别的成本账。
下次手上有 PDF 要交给 AI 时，先问一句：源文件还在吗？在，就直接要 .md；不在，先用 MinerU 或 Docling 转成 Markdown 再喂；批量处理前，抽查一遍数字有没有被悄悄改掉。