大模型烧钱的速度，可能比想象中更离谱。
最近Axios曝光了一件事：一家企业一个月内烧掉了5亿美元的Claude API账单——折合人民币约34亿元。原因很简单，老板给员工开通了Anthropic企业授权后，忘了设置用量上限，Token就这么敞开了烧。一个月后，34个小目标水灵灵地没了。
按Anthropic目前约470亿美元的年化收入（ARR）来算，这一家公司一个月就贡献了其接近八分之一的月收入。换句话说，Anthropic每赚8块钱，其中1块就来自这家神秘企业。更夸张的是，该公司至今未公开身份。Axios指出，能“无痛”消化5亿美元AI账单的全球企业屈指可数。X上很快出现各种猜测，被点名最多的就是亚马逊。
巧合的是，《金融时报》几乎同时爆料：亚马逊已取消内部AI使用排行榜——因为员工开始为了冲榜疯狂刷Token，执行大量毫无实际价值的任务。两条新闻放在一起，味道立刻变了。
过去两年，企业最担心员工不用AI；现在，越来越多企业开始担心另一件事：AI是不是用得太多了。
这种转变正在密集上演。微软是典型例子：最近宣布在6月30日前取消Experiences + Devices部门（负责Windows、Microsoft 365、Outlook、Teams、Surface）的大部分Claude Code授权，工程师被要求迁移到自家的GitHub Copilot CLI。而Claude Code进入微软内部不过6个月。微软给出的理由很硅谷——已完成学习和探索阶段，该“Eat Your Own Dog Food”了。但Token账单显然是绕不开的现实。
类似的变化也出现在DeepSeek：今年4月发布V4时，技术报告提到V4已成为内部员工日常使用的Agentic Coding模型，体验优于Claude Sonnet 4.5，交付质量接近Opus 4.6。虽然未明说成本，但对拥有自研模型的公司来说，用自己的显然更经济。
如果说微软和DeepSeek还算含蓄，Uber则直白得多。CTO Praveen Neppalli Naga透露，公司工程师仅用4个月就烧完了全年Claude Code预算。随后COO Andrew Macdonald公开表示：AI Token消耗与最终发布的有价值产品之间，似乎并不存在明显的线性关系。花掉更多Token，不一定创造更多价值。
这种反思还在扩散。多邻国曾计划将AI使用纳入员工绩效考核，但在员工质疑“是否必须为了使用AI而使用AI”后，公司撤回了该决定。CEO路易斯·冯·安在播客中总结：“感觉我们不是在为实际结果负责，而是在强推一些并不总是适合的东西。”Meta的变化更具代表性：在被曝出建立Claude使用排行榜、单月消耗数十亿Token后，逐渐收紧激励，从鼓励“多用多刷”转向关注实际产出。国内也有类似声音——米哈游郑银河曾分享，某个Agent项目上线后一晚上烧掉200万元Token费用。这笔学费让越来越多企业意识到：Token本身不是价值，完成任务、交付产品、创造收入才是。
可以说，企业依然相信AI，但相比去年，它们开始认真计算每一个Token背后的ROI。
今年3月，黄仁勋在《All-In Podcast》中为“Token经济学”公开背书：如果一个年薪50万美元的工程师每年消耗的Token不到25万美元，他会深感担忧。当时这句话被很多企业奉为圭臬——AI提升效率，多烧Token就是购买生产力。但当真金白银的账单寄到时，事情没那么简单。亚马逊取消排行榜、微软收缩Claude Code、Uber发现4个月烧光全年预算——老板们最终选择用脚投票。Hacker News上讨论发酵，有人认为这是重要转折点：过去将Token消耗量等同于AI采用率乃至生产力的狂热阶段正在结束。
也有人把矛头指向了“Tokenmaxxing”文化——企业和员工疯狂追求Token消耗量，将其当成AI采用率和生产力的衡量指标。问题不在于AI，而在于把“烧更多Token”误当成目标本身。如果使用更高效的模型、合理控制Agent工作流、让人类参与关键决策，成本本可以低得多。当然也有人开玩笑：这场运动最大的赢家，从头到尾可能只有黄仁勋。
另一种观点同样值得关注：这不是AI热潮退去的信号，恰恰相反——意味着企业从“先用再说”进入“精细运营”阶段。未来重点不再是烧掉多少Token，而是用更少的Token完成更多任务。更高效的Agent工作流、廉价模型处理简单任务、昂贵模型只负责关键决策、更严格的预算和权限管理，正在成为新常态。
客观来看，这一轮“Token泡沫”的破裂是行业必经之路。早期疯狂投入换来了模型能力的快速迭代，但企业终归要面对财务报表。当烧钱速度远超价值创造速度时，调整就成了必然。从另一个角度说，这反而验证了AI的渗透已深入骨髓——否则不会出现单月5亿美元的账单。关键在于，如何从“粗放灌溉”转向“精准滴灌”，让每一分Token投入都能长出实际业务果实。对于那些还在观望的企业，这个案例或许是最好的教材：AI不是万能的，但合理管控AI的“食量”却是必须学会的功课。
