【加密演義】模型主權、Token經濟學與區塊鏈新機遇（四之二）
梁淨明 HashKey Capital研究員
儘管單位Token的價格已大幅下降，企業在生成式人工智能上的支出仍在快速增長。數據顯示，2025年企業在生成式人工智能領域的支出規模約達370億美元，較上一年增長近三倍。這正是典型的「傑文斯悖論（Jevons Paradox）」：單位成本下降會刺激使用量大幅增加，最終反而推高整體支出。
多項針對IT決策者的調查顯示，大多數AI項目的實際成本都超過了最初預算，其中相當一部分項目的支出甚至超出預算50%以上。Agentic AI的興起是推動成本增長的關鍵因素之一，與傳統應用模式相比，智能體在完成單項任務的過程中，往往需要進行數十次甚至數百次模型調用。隨着Agentic AI的規模化應用，模型調用成本也在快速累積，為企業帶來龐大開支。
Token經濟學與企業預算重估
Uber是目前最具代表性的案例之一。由於大量採用Claude Code和Cursor等Agentic AI編程工具，該公司僅用四個月便耗盡了2026年度全部AI編碼工具預算。為控制支出，Uber隨後對相關工具實施了預算管理措施，將每名員工在單項工具上的月度支出上限設定為1,500美元，並推出使用情況儀錶板以監測Token消耗。類似做法正在行業內逐步普及。
特斯拉、亞馬遜和Meta等企業陸續採取相關措施，據報道，微軟也取消了內部大部分Claude Code使用權限，並鼓勵員工轉向GitHub Copilot CLI。隨着開源模型與前沿閉源模型之間的能力差距不斷縮小，企業人工智能戰略正由「能力優先」轉向「成本效益優先」，通過構建混合模型體系，實現模型能力與使用成本之間的優化配置。
在此背景下，越來越多企業開始建立人工智能成本管理體系（FinOps for AI），包括模型調用計量、用戶成本監測等。同時，企業也開始構建分層模型體系：在信息提取、代碼補全和日常辦公等標準化場景中，優先採用成本較低、效率較高的模型；而對於複雜推理等高價值任務，則保留使用前沿推理模型。
企業新核心能力：模型選擇與Token策略
模型主權風險和Token成本壓力最終都指向同一個結論：企業不宜完全依賴單一模型供應商。Harvey的實踐對此提供了有益參考。作為一家AI原生法律平台，Harvey與Fireworks AI合作，在其Legal AgentBenchmark上測試了一套混合AI策略。在該方案中，開源權重模型GLM-5.1作為主要執行模型，僅在特定子任務需要時調用Claude Opus 4.7作為輔助模型，平均每項任務調用0.83次。測試結果表明，混合模型方案不僅降低了成本，也取得了更好的效果。在100項測試任務中，採用混合架構的方案共有18項完全通過評分標準，而完全由Opus獨立執行時，僅有14項達到同樣水平，與此同時，總推理成本也從954美元降至368美元。
隨着企業越來越重視混合且具備韌性的模型架構，為不同任務選擇最合適的模型，並掌握模型控制權，正在成為AI驅動型組織的核心優先事項。 （待續）
