在AI領域，十二個月足以改變一切。Boomi首席執行官史提夫·盧卡斯去年曾擔憂，CIO們在沒有明確方向的情況下倉促推進生成式AI項目。如今一年過去，他又發現IT從業者正以同樣冒進的姿態擁抱智能體技術——而Token消耗規模只有一個方向：持續攀升。
"無論你在公司內部還是外部工作，感覺核心任務就是使用AI，並把Token用到極致，為自己的工作服務，"他在接受ZDNET採訪時表示。
Token是AI模型處理資訊的基本單位。研究表明，隨著智能體技術消耗的Token量級數倍增長，其成本也變得高昂且難以預測。
正如ZDNET同事史蒂芬·沃恩-尼可斯近期指出的那樣，就在不久前的生成式AI熱潮時期，各組織都熱衷於展示"Token排行榜"，比拼誰的Token用量最多。而今，這類排行榜已成歷史，因為沒有人再負擔得起Token浪費。
在智能體時代，Token用量最大化不再是榮耀，而是浪費的標誌。"Token經濟學"——即對Token消耗進行計量、定價和管理的實踐——已成為企業的核心業務活動。就連盧卡斯本人也深有體會，他指出Token的消耗速度遠超以往。
"一年前，我們還沒在談Token經濟學，"他說，"但去年，我個人在Boomi花在Claude上的費用是前一年的10倍——整整10倍，這根本不可持續，不能每年都這樣下去。"
現在，企業和專業人士必須建立自己的企業級Token經濟學體系。智能體AI將深刻改變每家企業的運營方式，而構建一套經濟高效的智能體探索方法，已成為迫切優先事項，盧卡斯如此建議道。
"在企業層面，最終起決定作用的是AI的經濟性，"他說，"大多數組織將把AI視為未來的企業引擎。所以，現在最關鍵的問題是：'我能實現AI的正向回報嗎？'這是根本性的問題。"
商業領袖們認為，前進的最佳路徑清晰可見：與其限制員工使用智能體，不如為他們提供指導原則和背景資訊，幫助他們做出更具成本效益的模型決策。
Snowflake首席執行官斯里達爾·拉馬斯瓦米承認，即便在他自己的組織內部，Token消耗量也在持續上升。但他同時強調，給員工留有探索智能體的空間至關重要。
"我們是否擔心各內部團隊在AI推理上的支出？當然擔心，"他說，"但我是否會把這些支出當作不使用AI的理由？絕對不會。"
在近期於舊金山舉行的Snowflake Summit 2026媒體見面會上，拉馬斯瓦米表示，儘管Token消耗令人擔憂，但創造性地運用AI能夠開啟全新的商業機遇。
智能體可以提升員工效率與生產力，同時有潛力幫助企業更快、更有效地為客戶創造新服務。
"我們將智能體AI視為一種機會，不僅可以優化我們的工作方式，還能將業務流程轉化為可供客戶使用的產品，"他說。
與拉馬斯瓦米觀點一致，可穿戴技術公司Whoop的分析副總裁麥特·盧伊齊表示，他的公司正在積極投入智能體探索，以尋求競爭優勢。
"如果我們希望員工走出舒適區，就必須允許他們承擔風險，並讓他們明白：這不會搞壞什麼。"
盧伊齊表示，他支持員工在智能體上投入資金，但這並不意味著Token消耗可以失控。
"我們設置了防護欄，配備了監控與可觀測性工具，讓員工了解自己的使用成本，"他在Summit 2026的一場小組討論中說道。
"但更多時候，我們只需要坐下來，幫助員工理解：'你怎樣才能做得更高效？你真正想實現什麼？'"
盧伊齊認為，智能體成功的關鍵在於精細化的賦能管理——鼓勵員工用智能體和Token突破邊界，但不能讓其走向極端。
"歸根結底，我們全力押注，是因為我們認為這會有回報。我們看到員工變得更高效，工作完成得更快，"他說。
"這些積極成果意味著，我們不會對員工的Token用量斤斤計較，但同時也清楚這需要規模化推進，所以也不能任由大家無節制地使用。"
晶片設計技術公司Synopsys的首席資訊官斯里拉姆·西塔拉曼在同一場Snowflake會議的小組討論中表示，員工必須有自由探索新方向、包括智能體應用的空間，才能找到解決業務挑戰的創新方案："帶著束縛無法創新，只能走到一定程度就停滯不前。"
與盧伊齊一樣，西塔拉曼認為，指導原則有助於為Token消耗設定合理邊界。他建議，為項目設定正確的業務背景，有助於建立有效的約束機制。
"如果你問一個智能體'明天我該做什麼'，它可能會消耗大量數據和Token，最終給出一個毫無價值的答案，"他說，"但如果你設定具體背景，比如創建一個北美銷售運營智能體，賦予它明確的目標和數據範圍，那麼消耗量就會受到限制，而它為用戶創造的價值也會更高。"
法國電視網路TF1集團首席數據與廣告技術官弗朗索瓦-澤維爾·皮耶雷爾同樣強調了業務背景的重要性。他在接受ZDNET採訪時表示，對於企業和專業用戶來說，用常識來管控Token使用是最佳方式。
皮耶雷爾將另一種做法比作糖癮——一旦開始往食物里加糖，就會習以為常，最終形成不健康的依賴。他認為AI也存在類似風險。
"過去一切都很便宜，非常便宜，於是我們一股腦兒地湧進去，"他回顧生成式AI技術早期的熱潮時說道。如今，對智能體的痴迷意味著更高昂的代價。
"Token的使用量很快就能累積成一個龐大的數字。如果我們審視那些瘋狂押注智能體AI的企業，賬單遲早會找上門來。"
皮耶雷爾表示，他所在的組織奉行謹慎原則，並舉例說明如何引導員工在使用大語言模型時審慎權衡。
"對於邊界非常清晰或約束條件很強的使用場景，我們會問：'我們能否選用一個小模型？那種消耗Token更少、但同樣能完成任務的模型？'"
隨著企業將更多智能體納入工作流程，皮耶雷爾認為，這類Token經濟學策略將是實現價值創造的關鍵。
"我認為我們將在這方面變得更加靈活——先嘗試，再根據使用場景不斷調整，從而避免產生驚人的賬單，"他說，"我們又不是在把火箭送上月球，所以要保持理性——如果用較小規模的智能體同樣能解決問題，就沒必要部署上百萬個智能體。"
Q&A
Q1：什麼是Token經濟學？企業為什麼要重視它？
A：Token經濟學是指對AI模型處理資訊時消耗的Token進行計量、定價和管理的實踐。隨著智能體AI的普及，Token消耗量急劇上升，成本變得高昂且難以預測。例如，Boomi CEO盧卡斯表示，他個人在Claude上的花費一年內增長了10倍。因此，建立一套企業級的Token消耗管理體系，已成為控制AI成本、實現正向投資回報的核心業務活動。
Q2：企業如何在鼓勵員工使用智能體的同時控制Token消耗？
A：多位企業高管給出了類似建議：一是設置防護欄和監控工具，讓員工實時了解自己的Token使用成本；二是提供指導原則，幫助員工做出更高效的模型選擇；三是為智能體項目設定明確的業務背景和目標，避免模糊任務導致的Token浪費；四是針對邊界清晰的場景優先使用小模型，降低消耗。核心原則是：允許探索，但不放任無節制的使用。
Q3：為智能體設定業務背景，具體該怎麼做？
A：Synopsys首席資訊官西塔拉曼給出了一個直觀的例子：如果問智能體"明天我該做什麼"，它會消耗大量數據和Token，卻可能給出沒有價值的答案。但如果將任務具體化，例如"創建一個北美銷售運營智能體，目標是分析本季度銷售漏斗並給出優化建議"，並為其提供專屬數據集，那麼Token消耗就會受到有效控制，輸出結果的實用性也會大幅提升。
