100万亿，即1后面跟着14个零，这是一个庞大的数字，但可能还不到中国用户每日Token消耗量的一半。

到2026年上半年，从北京中关村到美国硅谷，各大科技公司的茶水间里最热门的话题变成了“你今天花了多少Token？”几十万、几百万、几千万？在旁边用餐的外卖骑手听到，多半会认为这人在吹嘘或者精神不正常。然而，他们并非虚言，讨论的货币并非人民币，而是Token。

尽管Token与实际货币之间存在巨大的数量级差异，但Token数量的飞速增长令人咋舌。据报道，一家外国公司在为员工批量开通Anthropic的Claude企业版时，未设置消费上限，一个月的账单竟高达5亿美元，约合人民币34亿元。

在国内，近期发生了一个类似案例。米哈游《崩坏》系列的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协作时，因未设置熔断机制，导致数十个智能体陷入循环调用，13小时内消耗了200万元的Token。

尽管Token账单数字惊人，但当被问及AI带来了哪些实际效益时，大多数人可能会感到尴尬。米哈游工程师消耗的200万元Token，足以支付一个小型研发团队一个月的薪资，最终换来的却仅仅是整夜无产出的“AI摸鱼”。

或许，在企业中，只有人力资源部门完成了裁员的KPI，而老板则将节省下来的人力成本转而投入到AI建设和Token采购上。

单位价值被稀释，消耗规模呈指数级增长，投入与产出不成正比——Token作为AI时代的通用货币，正显现出典型的通货膨胀特征，其通胀程度甚至可能比津巴布韦民众用一大袋钱去购买大米还要夸张。

那么，究竟是谁在助推“Token通胀”的局面？

从最大化使用到限制使用

2026年上半年，硅谷盛行一股“Tokenmaxxing”的潮流，即最大化Token的使用量。大型科技公司甚至鼓励员工尽可能多地消耗Token，并将Token消耗量与KPI直接挂钩。

Meta在其内部上线了追踪8.5万名员工Token消耗的排行榜，并为排名靠前的员工授予“Token传说”、“缓存大师”等称号；亚马逊则推出了内部AI使用排行榜“KiroRank”，将消耗数据纳入团队绩效考核。

英伟达CEO黄仁勋的言论更是火上浇油：“如果我的工程师消耗的Token价值达不到他们年薪的一半，我会深感担忧。”

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，涵盖Cursor、CodeBuddy等国内外多款工具，内部一度也出现了Token消耗排行榜。

不出所料，这些公司的AI账单开始失控。

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，管理层不得不紧急出台限额令，规定每位员工每月AI工具费用不得超过1500美元；亚马逊也开始实施严格的Token限额管理，高级副总裁Dave Treadwell甚至亲自出面呼吁“不要为了使用AI而使用AI”。

就在上个月，腾讯内部也下发了额度调整通知：全员Token配额大幅缩减，核心研发团队的月额度从宽松状态收紧至7000元，外包岗位的额度更是削减至1000元。

从全员敞开使用到限制额度使用，短短三个月内，风向急转直下。究其原因，无非是飙升的账单让即使是财力雄厚的科技巨头也感到头疼。

正如OpenAI CEO山姆·奥特曼近日在一个企业客户活动上所言：“今年年初，AI的运行成本还是一个从未被提及的问题，现在却突然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调用量已突破140万亿，而2024年初仅为1000亿，两年时间增长超过千倍。

从全球范围来看，这种增长趋势尚未出现放缓的迹象。高盛近期发布的报告预计，到2030年，全球Token月消耗量将比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动力。

Token账单失控还带来了另一个副作用。为了弥补AI成本的巨大缺口，今年一季度，全球十余家科技巨头裁员超过4万人，程序员首当其冲；而在国内，“630”成为了不少互联网从业者的共同“最后一天”。

在Meta，几乎已经没有人手写代码；在国内的头部科技大厂，新增代码中高达90%由AI生成。AI代码率的飙升直接导致了人员需求的下降，并引发了随之而来的职场震荡。

Token账单暴涨之谜

账单费用由“用量”乘以“价格”构成。这看似简单的公式背后，隐藏着两层不透明的推高因素，最终叠加形成了指数级的成本膨胀。

许多人存在一个误解：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，反而逆势上涨。

Anthropic推出的安全增强版模型Fable 5，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年一季度，智谱AI伴随新模型的迭代连续三次上调了核心API价格，累计涨幅达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，针对编程与Agent场景的GLM-5.2，输入价格上涨至8元，输出高达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模型输入价格涨幅高达463%；MiniMax核心模型价格也有30%-50%的上调。

与此同时，模型厂商的计费模式从订阅制全面转向按量付费，厂商的收入直接与Token消耗量挂钩。这就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，而是指数级的。

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，但据腾讯研究院分析，它实际上隐藏着几类典型的低效消耗：

一是“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，同一批信息被反复计费。

二是“技能冗余”，对49个软件工程技能的基准测试显示，79.6%的技能对任务通过率没有丝毫提升，却可能带来高达451%的Token开销增长。

三是多Agent之间的“沟通成本”，当多个智能体协同工作时，会不断重复任务背景、结论和格式化的套话，每一次对话都意味着重复计费。

四是长任务的“熵增”，任务链条越长，越容易偏离目标，而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，而是互相叠加产生的乘积效应。一个复杂的多Agent任务，可能近一半的Token消耗在内部协调、自我纠错和重复读取上，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来说，这更是一笔难以看清、无法算明的糊涂账。

踏空的恐惧

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

担心错过AI变革浪潮的企业，纷纷不遗余力地拥抱AI。这种压力自然会传导到每一位员工身上，尤其是在AI可能替代裁员的阴影下，员工普遍将“会用AI、多用AI”视为一种安全感的来源。

许多公司将AI代码率、工具使用时长纳入OKR考核，甚至上线全员可见的数据看板，迫使每个人都去“刷”消耗量。简单的邮件回复、基础代码片段、常规数据查询，明明可以通过搜索引擎或人脑在几秒钟内解决，却也要交给大模型处理——反正预算不是自己掏钱，用得越多似乎越显得“拥抱变革”。

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

有人认为这是历史规律。历史上每一次通用技术革命，都走过相似的道路。蒸汽机刚发明时，工厂主计算发现其成本不如使用马匹；电灯刚商业化时，其成本远高于煤气灯。

但不同之处在于，电力消耗产出的是实实在在、可衡量的工厂效益，而Token换来的“智能”到底创造了多少价值？答案是，目前还难以量化。

据《晚点LatePost》报道，一位大型互联网科技公司的技术管理者表示，自己部门20多个人，一个月消耗5万元Token，但回头看却没沉淀出几个可落地的成果。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。

在许多基础场景中，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测算：用AI筛选并初评一份简历，Token加上系统成本约为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、简单客服问答中也普遍存在。

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，综合计算下来反而不划算，而且，员工反而更加疲惫。

这正是Token经济最核心的矛盾所在：Token消耗与价值创造之间，从来不是线性关系。并非消耗的Token越多，产出的价值就越大；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。

写在最后

回到最初的问题，谁在推动“Token通货膨胀”？这并非源于某一家AI厂商的恶意营销，也不是个别员工的滥用浪费，而是与在场的每个人息息相关。

从销售GPU和存储的底层算力基础设施，到大模型架构本身固有的膨胀属性；从每一个担心错过AI浪潮而焦虑的企业，到每一位担心落伍的员工——所有人，共同推高了Token的消耗，加速了Token的贬值，也推高了那本日益增长的AI账单。

每个人都在助推Token的通胀，而每个人又在自身的推动下步履维艰。