企业AI消费的“无限畅饮”时代正在收尾，但账单管控并不等于踩刹车。
今年上半年，“Token最大化”（Tokenmaxxing）成为企业AI圈的流行词。Meta、Salesforce等公司主动鼓励员工尽可能多地消耗AI Token以提升生产力。Meta内部甚至出现了一个名为“克劳德经济学”（Claudeconomics）的排行榜，追踪公司前250名重度用户。数据显示，Meta员工在30天内消耗了超过60万亿个Token，单个最高消耗用户约达2800亿个Token。员工们为了竞逐“Token传奇”“缓存巫师”等称号，让AI代理花数小时做无意义的研究来“烧Token”。
随后，Uber因在四个月内烧光Claude Code和Codex全年预算登上头条，随即对员工实施每月1500美元的使用上限，超出部分需逐案审批。
这些事件引发广泛关注。但SemiAnalysis团队在Databricks AI峰会上进行实地调研，并通过Slack、电话与超过50家企业客户深度交流后，得出了与媒体叙事截然不同的结论。
该机构认为，媒体的报道严重夸大了问题的普遍性。Meta和Uber的极端案例，根源是激励机制失当和内部管理松弛，而非企业AI投入整体失控。
头条故事被夸大，真实数据更温和
媒体报道可能夸大了企业AI预算危机。
关键数据支撑这一判断。SemiAnalysis援引Ramp的消费数据显示，前1%的头部客户每位员工年均AI支出约9万美元，前10%约为7300美元，而Ramp客户的中位数仅为136美元。Ramp客户整体技术应用水平已远高于普通企业，但《财富》500强媒体类客户的人均AI支出仍远低于100美元
即便是\"烧Token大户\"Meta，按标价计算每年每位员工花费接近5万美元，据SemiAnalysis估算也仅占Anthropic客户收入的3%至5%
Anthropic自身文档也印证了这一点：Claude Code开发者月均支出仅150至250美元，仅10%的用户日均花费超过30美元。
SemiAnalysis认为：“媒体的夸大报道并不属实——企业仍在持续投入，新的需求场景和垂直领域带来的Token消耗，正推动着AI列车以迅猛的速度继续前行。”
这意味着企业AI采用仍处在不均匀扩散阶段。不是所有员工都在高频调用大模型。很多公司只是少数团队、少数岗位先跑起来。
预算管控成新常态，但标准五花八门
超过50家受访企业中，大多数已对AI使用设置硬性上限。但各公司的标准差异极大，并无行业共识。
低端案例：
美国排名前三的航空航天与国防制造商：每人每月250美元上限，部分重度用户首月四天即耗尽额度
全球最大制药公司之一：每人每月500美元，特殊情况可申请1000美元
高端案例：
Workday、Stripe：员工月度预算约2000美元
上市网络安全公司：初级员工每月800美元，高级员工1600至4000美元，数据科学家获最高额度
大型旅游科技公司（1500名员工中800名工程师，年AI支出接近1000万美元）：默认每人每月200美元，根据职位可增至数万美元
预算设定逻辑也各有不同。一家美国三大航空公司之一的做法最为特殊：Token分配直接与具体项目及预期营收挂钩。例如，一个预期营收1000万美元的项目，财务团队批准100万美元总支出预算，团队再自行决定其中多少比例用于Token——AI成本被纳入项目财务模型，而非单独的IT预算。
员工的“省Token”生存法则
预算压力倒逼出了一套实用的Token节约策略。
最典型的是\"Copilot套利\"：微软365企业版订阅用户可免费无限使用标准Copilot聊天机器人，且该使用量不计入月度AI预算。一家大型荷兰消费品与健康科技公司明确表示，员工会先用Copilot草拟和整合创意，再调用Claude或Codex处理最终任务，以此节约计量Token。
模型降级也是常见手段。那家全球旅游科技公司已将所有员工的Claude默认模型从Opus切换为Sonnet，Opus仍可使用但需主动选择。那家航空航天与国防制造商则直接\"关闭\"了Opus 4.8和快速模式
对此，SemiAnalysis团队直接点评了管理层的逻辑：\"管理层认为给员工更大的Token预算会促使他们自动化那些根本不该自动化的任务，比如撰写邮件。我们认为这种反自动化观点过于天真。\"
便宜Token需求仍在增长，TaaS/API端点市场没有冷下来
预算管理不等于减少调用。企业更关心的是单位成本。
便宜Token的需求仍然强。前沿模型和开源模型的Token-as-a-Service/API端点市场都在增长。AWS Bedrock被纳入测算后，SemiAnalysis对AWS本季度整体增长率的估计高于市场预期。
TaaS供应商也在扩张。Together、Fireworks、Baseten等公司合计ARR已超过40亿美元。
这说明企业预算压力会改变采购结构。能用便宜模型解决的问题，就不会一直调用最贵模型。默认模型被降级，不代表AI使用减少，而是成本曲线被重新优化。
编码仍是最强需求，AI列车没有因为预算上限而减速
编码场景仍是当前AI收入最大的驱动力，OpenAI和Anthropic逾70%的ARR来自这一方向。Anthropic B2B占比超90%（OpenAI约60%），决定了其收入结构对企业端的依赖更深，也更稳定。
下一波增长被认为将来自网络安全和白领知识工作。随着Cowork、CoPilot、Codex及Computer类产品进一步渗透企业，编码市场拉动AI实验室ARR增长的路径，会在更广泛的场景中重演。
当前大多数财富500强企业的人均AI支出仍远低于2000美元/年，主要集中在工程和数据科学部门。这意味着AI在企业中的普及还处于早期阶段，增长空间并未消失，只是换了形态——从\"随意烧钱\"变成了\"有预算地持续投入\"。
AI真正的ROI：效率提升，但产出预期也在同步上升
在受访企业中，AI带来的效率提升案例真实存在，且效果显著。
亚马逊招聘部门：从初步筛选到团队安置的流程，过去需要6至9个月，借助AI工具后缩短至3至4个月
一家为85%的《财富》500强提供数据分析服务的公司：过去需要一周完成的工作，现在只需几小时
但效率提升的另一面是：产出预期同步上升。一位法律数据与风险解决方案公司的员工坦言，原本一周的工作量被压缩到几小时，\"但公司却因此期待她完成更多工作，结果她比之前更忙碌了。\"
SemiAnalysis指出，Uber、Meta等公司的Token超支事件，根本原因是激励机制失当和监管松懈，而非缺乏高ROI的应用场景。亚马逊尽管大规模裁员，但因AI工具带来的效率提升，正在以更快速度招聘新员工——这是AI作为\"人力杠杆\"最清晰的注脚。
星速配资提示：文章来自网络，不代表本站观点。
