100万亿，也就是1后面跟着14个0，这个数字庞大得惊人，但可能还不到国内用户每日Token使用量的一半。

到了2026年上半年，从北京中关村到美国硅谷，企业内部最常被提及的问题变成了“你今天消耗了多少Token？”这个数字可能高达几十万、几百万甚至几千万。对于旁人来说，这听起来像是天方夜谭，但实际上，这并非虚言，他们讨论的单位是Token，而非人民币。

尽管Token与真实货币之间存在巨大的数量差异，但Token数量的指数级增长却是不争的事实。有报道指出，一家国外公司在为员工批量开通Anthropic的Claude企业版时，未设定消费上限，导致一个月的账单高达5亿美元，约合人民币34亿元。

在国内，近期米哈游也曝出类似事件。该公司《崩坏》系列技术团队负责人郑银河在2026年5月的阿里云峰会上透露，一名工程师在测试多Agent协同工作时，因未设置熔断机制，导致数十个智能体陷入无限循环调用，仅13小时就产生了200万元人民币的Token费用。

然而，在AI账单飙升的同时，其带来的实际效益却难以言说。米哈游工程师耗费200万元Token所产生的价值，可能足以支付一个小型研发团队一个月的薪资，最终却只换来了一夜无产出的“AI摸鱼”。

或许，企业里只有人力资源部门完成了裁员指标，而公司高层则将节省下来的人力成本重新投入到AI建设和Token购买上。

Token作为AI时代的核心“货币”，其单位价值正在被稀释，消耗量却呈指数级增长，投入与产出之间出现了严重错位，呈现出明显的通货膨胀特征。这种通胀程度，甚至可能比津巴布韦的货币贬值还要夸张。

那么，究竟是谁在加剧“Token通胀”的现象呢？

01 从“最大化使用”到“限制性使用”

2026年上半年，硅谷出现了一种名为“Tokenmaxxing”的趋势，即鼓励员工尽可能多地使用Token，甚至将Token消耗量与绩效考核挂钩。

Meta公司内部设立了追踪8.5万名员工Token消耗量的排行榜，并为消耗量领先的员工颁发“Token传说”、“缓存大师”等称号。亚马逊也推出了名为“KiroRank”的内部AI使用排行榜，将Token消耗数据纳入团队绩效评估。

英伟达CEO黄仁勋的言论更是加剧了这一趋势：“如果我的工程师消耗的Token价值达不到他们年薪的一半，我会感到非常担忧。”

国内厂商也迅速跟进。腾讯于2026年3月启动了全员AI激励计划，为每位员工提供年均22万元的Token资源，覆盖Cursor、CodeBuddy等国内外多种AI工具，内部一度也出现了Token消耗排行榜。

不出所料，这些公司的AI账单也随之失控。

在短短30天内，Meta员工消耗了60.2万亿Token，成本超过1亿美元。Uber仅用了4个月就耗尽了2026年全年的AI预算，管理层不得不紧急实施限额政策，规定每位员工每月AI工具费用不得超过1500美元。亚马逊也开始推行严格的Token限额管理，高级副总裁Dave Treadwell甚至亲自呼吁“不要为了使用AI而使用AI”。

就在上个月，腾讯内部也发布了额度调整通知：全员Token配额大幅缩减，核心研发团队的月度额度从之前的宽松状态收紧至7000元，外包岗位的额度更是降至1000元。

从之前的全面放开使用到现在的限制性使用，短短三个月内，风向发生了急剧转变。究其原因，无非是飞涨的账单让即使财力雄厚的大公司也感到难以承受。

正如OpenAI首席执行官山姆·奥特曼在近期一次企业客户活动上所说：“今年年初，AI的运行成本还不被提及，但现在它已经成为了一个巨大的问题。”

这背后是需求的爆炸式增长。国家数据局数据显示，2026年3月，中国日均Token调用量已超过140万亿，而2024年初仅为1000亿，两年内增长了千倍以上。

从全球范围来看，这种增长趋势并未显示出放缓的迹象。高盛近期发布的一份报告预测，到2030年，全球月度Token消耗量将比2026年增长24倍，达到约120千万亿（120 quadrillion）Token/月，其中企业级智能体是主要的增长驱动力。

Token账单的失控还带来了另一个副作用。为了弥补AI成本的巨大缺口，今年第一季度，全球十多家科技巨头裁员超过4万人，程序员成为首当其冲的群体；在国内，“630”也成为了许多互联网从业者的“最后一天”。

在Meta，几乎已经没有人手动编写代码；在国内的头部大厂，新增代码中高达90%由AI生成。AI代码生成率的飙升直接导致了对人员需求的下降，以及随之而来的职场动荡。

02 Token账单飙升之谜

账单费用由“用量”和“价格”两个因素决定。在这个看似简单的公式背后，隐藏着两层不那么透明的推高逻辑，最终叠加导致了指数级的成本膨胀。

很多人存在一个误解：大模型的价格一直在下降，AI不应该越来越便宜吗？实际上，这只说对了一半——便宜的通常是通用型轻量模型，而企业真正刚需的编程、长上下文处理、复杂推理等高价值场景，其价格不仅没有下降，反而呈现出逆势上涨的趋势。

Anthropic推出的安全增强版模型Fable 5，其定价高达每百万Token输入10美元、输出50美元，是同期Opus系列的两倍。

国内的智谱AI也是一个典型例子。据天眼查数据显示，2026年第一季度，智谱AI伴随新模型的迭代，连续三次上调了核心API的价格，累计涨幅达到83%。其面向通用场景的GLM-4.7轻量模型，输入价格仅为2-4元/百万Token，输出价格为8-16元；然而，针对编程和Agent场景的GLM-5.2，输入价格上涨至8元，输出价格更是高达28元，两者价差最高可达4倍。

此外，腾讯云在2026年3月至4月经历了两次调价，混元HY 2.0 Instruct模型的输入价格涨幅高达463%；MiniMax的核心模型价格也上调了30%-50%。

与此同时，模型厂商的计费模式从传统的订阅制全面转向了按量付费，这意味着厂商的收入直接与Token消耗量挂钩。这形成了一个结构性矛盾：客户的目标是用最少的Token完成任务，而厂商的商业利益则天然倾向于让客户消耗更多的Token。

从实际数据来看，近来Token消耗量的增长并非线性，而是呈现出指数级增长。

自2025年底至今，AI产业最核心的变化是从对话式AI向智能体Agent的跃迁。AI不再是简单的问答式交互，而是演变为自主规划、循环调用、多轮纠错的复杂流程，Token的消耗也随之从线性增长转变为指数级膨胀。

Agent虽然能力强大，但根据腾讯研究院的分析，其内部隐藏着几种典型的低效消耗模式：

• **上下文陷阱：**智能体在每一步操作中都会重复携带历史对话、工具日志和文件内容，导致同一批信息被反复计费。
• **技能冗余：**在对49个软件工程技能的基准测试中，79.6%的技能对任务通过率没有实质性提升，却可能导致Token开销增长高达451%。
• **多Agent间的“沟通成本”：**当多个智能体协同工作时，它们会不断重复任务背景、结论以及格式化的套话，每一次对话都意味着一次重复计费。
• **长任务的“熵增”：**任务链条越长，越容易偏离预期，为了纠偏又需要增加摘要、检查、回滚等机制，进一步推高消耗。

这些损耗并非简单的叠加，而是具有乘积效应。一个复杂的多Agent任务，可能近一半的Token被用于内部协调、自我纠偏和重复读取，真正用于生成有效内容的比例并不高。对于缺乏技术能力的企业而言，这更是一笔难以理清的糊涂账。

03 踏空的恐惧

如果说大模型厂商的产品和定价策略是公开的“阳谋”，那么企业内部的Token消费则是一场自上而下的“自我消耗”。

**担心错过AI变革浪潮的企业，纷纷积极拥抱AI。**这种压力自然会传递给每一位员工，尤其是在AI可能导致裁员的阴影下，员工普遍将“会用AI、多用AI”视为一种安全感来源。

许多公司将AI代码生成率、工具使用时长等纳入OKR考核，甚至上线全员可见的数据看板，以倒逼每个人提高Token消耗量。明明可以通过搜索引擎或人工几秒钟就能解决的简单邮件回复、基础代码片段、常规数据查询，也被交给大模型处理——反正不是自己掏钱，用得越多似乎越显得“拥抱变革”。

企业将Token消耗量与员工绩效挂钩，默认“使用了多少AI”就等同于“创造了多少价值”，并愿意为此支付高昂的账单。

有人认为，这是历史发展的必然。历史上每一次通用技术革命，都经历过类似的阶段。蒸汽机刚发明时，工厂主计算后发现，使用马匹反而更经济；电灯刚商业化时，成本远高于煤气灯。

但不同的是，电力消耗带来的效益是实实在在、可衡量的工厂效益，而Token换来的“智能”到底创造了多少价值？目前来看，答案仍然难以量化。

据《晚点LatePost》报道，一位大型互联网公司的技术管理者表示，他所在的部门20多个人，一个月消耗5万元Token，但回头看，却并没有沉淀出多少可落地的成果。这笔钱相当于10名实习生的月薪，化作无形的Token后，甚至连清晰的产出物都没有。

在很多基础场景下，使用AI反而比人工成本更高。

国内一家人力资源服务商曾进行过测算：使用AI筛选并初步评估一份简历，Token及系统成本约为1.2元/份，而雇佣兼职人事处理的成本仅为0.8元/份。类似的情况在数据标注、基础文案撰写、简单客服问答等领域也普遍存在。

**AI还带来了更隐蔽的成本。**有软件公司的研发负责人反馈，引入AI编程工具后，初级开发者的效率看似提升了，但高级工程师的评审工作量翻倍，线上故障的返工成本增加了30%以上。总账算下来，反而并不划算，而且员工的工作负担也更重了。

这正是Token经济最核心的矛盾所在：Token的消耗量与价值创造之间，从来都不是线性的关系。消耗的Token越多，产出的价值并非越大；相反，很多时候消耗的增长恰恰源于无效的循环、冗余的架构和盲目的焦虑。

04 结语

回到最初的问题，谁在推动“Token通货膨胀”？这并非某一家AI厂商的恶意营销，也不是个别员工的滥用浪费，而是我们所有人的共同作用。

从提供底层算力基础设施的GPU和存储供应商，到大模型架构本身存在的天然膨胀属性；从每一个担心错过AI浪潮而焦虑的企业，到每一位害怕落伍的员工——所有人，共同推高了Token的消耗，加速了Token的贬值，也推高了那份日益增长的AI账单。

每个人都在助推Token的通胀，而每个人又在自身推力的作用下举步维艰。

本文来自微信公众号“青澄财经”，作者：青风，36氪经授权发布。