2026 年第二季度，Uber 在三个月内消耗了全年的 AI 预算。根据其内部披露的信息，token 消耗量同比增长了 700%，但没有带来对应的功能产出提升，也没有实现任何岗位的优化。这一现象在行业内普遍存在。过去一年，多数推进 AI 转型的企业都出现了类似的情况：AI 使用量快速增长，同时成本同步飙升。OpenAI 与 Anthropic 的多位高管在近期的行业会议上均承认，AI 对白领岗位的替代效应低于此前的市场预期，两家公司的官方叙事已从 “替代人工” 调整为 “扩大员工的工作范围”。当前企业 AI 应用的核心问题，是 “有用性” 与 “经济价值” 的割裂。对于个人用户而言，用 AI 调试一段代码、生成一份文档，节省几分钟时间就是明确的价值。但对于企业而言，单个员工的时间节省，如果不能转化为整体产出的增加、成本的降低或收入的增长，那么为此支付的 token 费用就是纯成本。当企业将 AI 作为通用权限开放给所有员工，而不做任何使用管控时，成本失控就会成为必然结果。
缺乏治理的 AI 使用乱象
目前多数企业的 AI 管理方式，本质上是 “信用卡式” 的开放：给员工开通使用权限，不设额度，不追踪用途，不考核产出。这种模式直接导致了系统性的资源浪费。第三方机构的统计数据显示，企业员工用 AI 生成的代码中，约 30% 从未上线。有微软工程师在公开分享中提到，部分团队存在 “为证明 AI 原生而刷 token” 的行为，一些公司甚至在内部设置了 token 使用量排行榜，将 AI 使用纳入员工绩效考核。多邻国是较早尝试将 AI 使用纳入 KPI 的公司之一。该公司曾要求所有员工在工作中必须使用 AI 工具，并将使用量作为绩效评估的一项指标。但这项政策仅推行了三个月就被取消，原因是员工陷入了 “为用 AI 而用 AI” 的循环，工作流程变得繁琐，整体效率没有提升。
正在形成的治理框架
针对上述问题，部分头部企业已经开始探索建立 AI 治理体系，核心是将 AI 从 “员工福利” 转变为 “可审计的生产资源”。目前被验证有效的治理框架主要包含四个环节。首先是任务筛选机制。不同任务的 AI 投入产出比存在显著差异。高 ROI 的 AI 场景通常具备三个特征：任务定义清晰、结果容易验证、人工完成耗时较长，例如复杂代码调试、大批量文档的信息提取。而简单重复任务或需求模糊的任务，AI 的投入产出比通常较低，例如日常文档查询、简单邮件撰写。其次是价值评估标准。token 使用量是 AI 公司的核心指标，但不应该成为企业评估 AI 成效的标准。真正有效的评估维度包括：交付质量是否提升、返工率是否下降、项目交付周期是否缩短。如果一个百人团队一年投入上百万美元的 AI 费用，但核心业务指标没有任何改善，那么这笔投入就是无效的。第三是决策权分配。不能将 AI 模型的选择权完全下放给个人，也不能由总部统一规定所有场景使用同一种模型。合理的方式是建立专门的 AI 治理团队，根据任务的复杂度匹配对应的模型资源：复杂度高于阈值的核心任务使用强模型，简单辅助任务使用低成本轻量模型，没有明确价值的任务限制使用 AI。最后是反馈闭环系统。强制要求记录每一个 token 对应的产出物和业务结果，建立 AI 效能热力图，清晰可视化哪些场景的 AI 使用创造了价值，哪些场景存在浪费。用实际数据指导后续的 AI 投入决策，而不是凭经验或感觉。
AI转型的深层逻辑
企业 AI 的底层逻辑，与 To C 互联网完全不同。To C 互联网的逻辑是 “越多越好”，用户量、使用时长是核心指标。但企业 AI 的逻辑是 “精准投放”，核心是用最少的成本获得最大的业务价值。很多企业将 AI 转型的挑战归结为技术问题，认为只要买到最好的模型、拥有足够的算力就能成功。但从实际落地情况来看，AI 转型的核心挑战是组织能力和管理能力。当 AI 成为和水电一样的基础生产资源，如何分配资源、如何评估价值、如何管控成本，才是决定转型成败的关键。近期头部 AI 公司在 IPO 前纷纷调整叙事，从 “通用人工智能改变一切” 转向 “企业级 AI 应用落地”，这一变化也反映了行业的共识：当前的 AI 技术价值，尚不足以支撑无限制的投入。未来企业之间的 AI 竞争，不会是谁用了更多的 AI，而是谁能更高效地管理 AI 的使用。没有建立起完整 AI 治理体系的组织，会持续面临 “员工使用体验” 与 “企业成本控制” 之间的矛盾。
