Accenture 在电信、保险、采矿及大型企业项目中发现,可衡量的 token 支出下降了约 40%—85%。我们注意到,AI 成本管理正在从云账单附属工作,变成企业判断项目是否值得扩张的核心能力。

这也是亚马逊云科技与埃森哲联合强调的结论:模型单价持续下降,不等于企业总支出下降。复杂 AI 应用会触发更多模型调用、重试、工具连接和 Agent(能够自主调用工具并完成多步骤任务的 AI 系统)交接,业务越多,智能消耗可能增长得越快。

这是什么

这套方法分六类杠杆,基础动作是先给成本贴标签。通过 Amazon Bedrock(亚马逊提供的基础模型云服务)的应用推理配置,企业可按团队、应用、工作负载和成本中心记录模型调用,再结合 AWS Cost and Usage Reports、CloudWatch 和模型调用日志,追踪费用、调用次数与延迟。

埃森哲进一步提出“每笔业务交易成本”(Cost per Business Transaction,简称 CpBT):把完成一次有效业务结果所涉及的模型调用、重试、工具调用和 Agent 交接全部计入,而不是只看某次 API 请求是否便宜。具体节省比例来自特定客户负载,不能直接套用于所有企业。

行业怎么看

我们认为,这说明企业 AI 的管理边界正在后移:过去讨论模型参数、效果和上线速度,现在还要回答每次业务结果花了多少钱,以及创造的价值是否高于成本。Linux Foundation 成立 Tokenomics Foundation,推动 AI 成本经济学开放标准,也表明费用归因正在成为独立行业议题。

但成本下降并不天然等于效率改善。低价模型可能诱发更多调用,企业若只追求调用量或用户活跃度,节省下来的单价会被新增消耗抵消;反过来,为追求可审计和稳定性而保留昂贵模型、冗余重试,也可能让成本优化伤害业务效果。

另一个风险是数据边界。团队、工作负载和 Agent 级标签需要统一治理,否则费用仍会混在一起,漂亮降幅可能只是统计口径变化。埃森哲也未公开客户名称,因此 40%—85% 更适合作为方法有效性的案例,而非行业普遍基准。

对普通人的影响

对企业 IT:预算讨论会从“买哪些模型”转向“哪些流程值得持续付费”,财务、业务负责人和 IT 需要共用成本及收益指标,模型选型也会与任务价值绑定。

对个人职场:使用 AI 的数量不再必然代表效率,个人和团队会更关注完成一项工作、一次审核或一次客户响应的总成本,包括复核、重试和人工接管。

对消费市场:面向企业的 AI 服务可能增加按业务结果计费的尝试,但复杂流程仍需承担更高计算成本,“便宜”会更多体现为厂商之间重新分配利润,而非所有产品价格持续下跌。