用了 AI 之后，公司好像更穷了

前两天我看到一个数据，米哈游做了一次多 Agent 实验，几十个 Agent 在后台互相调用、互相等待、互相确认。你问我一句，我回你一句，你再确认我一下。谁都没有真正收尾，整个调用链越滚越长。

一个晚上，烧掉了大约 200 万元 Token。而真正产出的价值，微乎其微。

200 万。一个晚上。

我当时就想，这 TM 到底是在用 AI，还是在给 AI 送钱。

老板以为 AI 是来降本的，结果账单先爆了

AI 刚出来的时候，老板们的想象特别美好。

一个 AI 顶三个人，不眠不休，随叫随到，不用涨薪，不用社保，24 小时在线。听起来很完美。

现实呢。AI 确实不摸鱼，也确实不加班。它只是每多干一点，就多收一点钱。

Uber 给 5000 名工程师开放了 Claude Code，短短几个月几乎烧光了全年 AI 预算。微软这段时间开始踩刹车，收紧内部 Claude Code 的使用权限，不再让工程师无限制调用。亚马逊更直接，干脆把内部的 AI 使用排行榜给撤了。

原因很简单。他们发现一旦把「用了多少 AI」当成指标，员工就会开始为了排名疯狂刷 Token。

看起来所有人都在积极拥抱 AI。实际上很多调用根本没有产出，就是单纯「为了用而用」。

Meta 内部搞过一个排行榜叫「Claudeonomics」，专门看谁用 AI 最多。第一名一个月干掉了 31.2 万亿 Token。 换算一下，这一个月烧掉的钱，够请两个资深工程师干一年。

坦率的讲，我看到这个数字的时候，脑子里只有一个问题：这 31.2 万亿 Token，到底换回来了什么。

一块钱买 AI，八毛钱修 AI

有一项针对 2444 家公司的研究，数据特别扎心。

企业每花 1 美元在 AI Token 上，0.44 美元用于修复 AI 生成的 bug，0.27 美元用于重写 AI 产出的代码，0.11 美元消耗在审查和合并延迟上。

一块钱买 AI，八毛钱修 AI。

剩下两毛钱，可能还不够付电费。

而且这还没算更隐蔽的成本。工程师用 AI 生成代码速度翻倍了，但代码「流失率」——也就是被抛弃或重写的比例——上升了 800%。

800% 啊朋友们。你写得更快了，但也写得更多需要重写的代码了。这到底是提效还是降效。

JPMorgan 发了一篇措辞严厉的报告，标题直白得让人不舒服：「AI Token 成本正在吞噬互联网利润」。Shopify、Spotify、ServiceNow、Roku 在财报电话会上纷纷提到，AI 成了运营支出的主要压力来源。

整个行业的气氛，从「用 AI 多牛」变成了「这钱花得到底值不值」。

多 Agent 系统：成本黑洞

前面说的都是人在用 AI。但真正把成本推到失控边缘的，是多 Agent 系统。

理论上，这套东西很美。一个 Agent 负责规划，一个负责执行，一个负责检查，一个负责总结。像个数字版团队协作。

但现实跑起来，它更像一个没人主持的项目会。

你问我，我问你。你等我，我等你。确认一轮不够再来一轮。所有人都在动，但事情就是收不了尾。

在大部分多 Agent 系统里，有 30% 到 60% 的 Token，消耗在这种无意义的循环里。

更讽刺的是，这些 Agent 并不是在偷懒。反而是太认真了。严格按照流程走，严格执行每一步逻辑。前一个 Agent 调后一个，后一个再回来确认前一个，直到整个系统把自己绕进死胡同。

这就有点像，几十个人在会议室里从晚上开会开到第二天早上。每个人都在发言，每个人都很投入，但没人拍板。而且这个会议室，按秒收费。

说真的，我每次看到多 Agent 架构图的时候，都觉得特别美。但每次看到账单的时候，又觉得特别疼。

效率提升了，钱没多赚

这里有一个特别反直觉的结论。

个人效率提升，不等于公司收益增长。

Uber 首席运营官说了一句很坦诚的话。他们发现很难把员工个人生产力的提升，和公司整体的业务影响联系起来。「如果你看不出 AI 帮你向用户推了多少有价值的功能，Token 成本就更难为自己辩护。」

翻译一下就是：员工用 AI 写周报快了三倍，但公司营收没有变化。员工用 AI 写代码快了一倍，但产品没多卖一单。

那只是「更快地花钱」，不是赚钱。

微软前首席 AI 官说了一句更扎心的话：「大多数人默认自动化他们不喜欢的任务，而不是对公司最有价值的任务。」

企业自动化的是员工「讨厌的工作」，而不是「赚钱的工作」。

这也是为什么大约 30% 的生成式 AI 项目，卡在概念验证阶段就被放弃了。成本说不清，价值也说不清，老板自然不续费。

仅有 14% 的 CFO 表示能看到 AI 投资有清晰可衡量的回报。14%。剩下 86% 的人，钱花出去了，但不知道花在了哪、花得值不值。

全球 AI 软件支出预计 2026 年将达到 2.59 万亿美元，同比增长 47%。但与此同时，94% 的工程负责人表示关键 ROI 指标仍然缺失。

钱越花越多，但没人知道烧在哪。

古德哈特定律的完美示范

经济学里有一个很经典的规律，叫古德哈特定律。

当一个指标变成目标，它就不再是一个好指标。

Tokenmaxxing 这个词，就是古德哈特定律在 AI 时代的完美示范。

公司把「Token 使用量」写进考核，员工就开始疯狂刷 Token。有人让 AI 反复优化同一段代码几十遍，有人让 AI 一口气生成十几个版本的报告，有人把一个本来几步就能完成的任务硬拆成一堆 Agent 协作。

不是为了产出。是为了让系统看起来更智能，让数据看起来更好看。

投资人 Shruti Gandhi 说了一句特别精辟的话：「Tokenmaxxing 企业，就像靠开着所有的灯来衡量生产力的公司——花更多钱，不等于产出更多。」

我觉得这句话值一万篇行业报告。

我想说的

说真的，我不是在说 AI 没用。我自己天天用 AI，离了 AI 我写代码的速度直接腰斩。

但我想说的是，AI 不是一个「用得越多越厉害」的工具。它是一个「用得越多越烧钱」的系统。

DeepSeek 开始限流了。豆包要收费了。硅谷大厂开始砍 Token 预算了。Hinton 说 AI 已经有意识了。Anthropic 说停一停。

这些事看起来各不相关，但底层逻辑是同一件事。

AI 行业正在从一个「先烧钱再说」的阶段，进入一个「这笔账到底怎么算」的阶段。

而在这个阶段里，最先被淘汰的不是不用 AI 的公司。是那些无脑用 AI、把 Token 当自来水、月底看到账单才开始冒冷汗的公司。

Fortune 杂志有一句话说得特别直接：「Tokenmaxxing 很容易，重新设计工作流程很难。」

大多数公司现在做的，是在优化现有流程，而不是重新发明商业模式。这是 AI 真正价值的所在，也是大多数企业还没有到达的地方。

如果只是用 AI 把旧的工作做得更快，账单总有一天会把你逼回到这个问题面前。