100万亿，即1后面跟着14个零，这个数字庞大得惊人，但可能还不足以覆盖中国人每天的Token使用量。

到了2026年上半年，从中国的中关村到美国的硅谷，大公司内部最热门的话题莫过于“今天消耗了多少Token？”。几十万、几百万、甚至几千万，这些数字对于普通人来说可能像是天方夜谭，但它们说的并非人民币，而是Token。

尽管Token的价值与真实货币之间存在巨大的数量级差异，但Token数量的急剧增长却是不争的事实。有报道指出，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，结果一个月后收到了一张高达5亿美元（约合人民币34亿元）的账单。

在国内，米哈游也遇到了类似情况。该公司《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，短短13小时就产生了200万元的Token费用。

然而，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。米哈游工程师那200万元的Token花费，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“AI摸鱼”式的无产出。

或许，在企业内部，只有人力资源部门完成了裁员指标，而公司管理者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的单位价值正在被稀释，而其消耗量却在呈指数级增长，投入与产出之间出现了偏差。作为AI时代的通用货币，Token正显现出典型的通货膨胀特征，其膨胀程度甚至可能比津巴布韦的货币贬值还要夸张。

那么，究竟是谁在助推这场“Token通胀”呢？

从不设限使用到严格管控

2026年上半年，硅谷流行起一种名为“Tokenmaxxing”的趋势，即最大化Token的使用量。各大科技公司主动鼓励员工尽可能多地消耗Token，甚至将Token消耗量与关键绩效指标（KPI）直接挂钩。

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”或“缓存大师”等称号。亚马逊则推出了名为“KiroRank”的内部AI使用排行榜，将Token消耗数据纳入团队的绩效评估体系。

英伟达首席执行官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，我会深感忧虑。”

国内厂商也迅速跟进。腾讯在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，公司内部也一度出现了Token消耗排行榜。

不出所料，这些公司的AI账单也随之失控。

仅在30天内，Meta员工就消耗了60.2万亿Token，花费超过1亿美元。Uber在短短4个月内就耗尽了2026年全年的AI预算，管理层不得不紧急实施限额令，规定每位员工每月AI工具费用不得超过1500美元。亚马逊也开始推行严格的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，核心研发团队的月额度从宽松状态收紧至7000元，外包岗位的额度更是降至1000元。

从全员不设限使用到实施额度限制，短短三个月内，情况发生了180度的转变。究其原因，无非是飙升的账单让即使财力雄厚的科技巨头也感到头疼不已。

正如OpenAI首席执行官山姆·奥特曼近日在一个企业客户活动上所言：“今年年初，AI的运行成本还鲜有人提及，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1000亿，两年时间增长了千倍有余。

从全球范围来看，这种增长趋势尚未有放缓的迹象。高盛近期发布的报告预测，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动力。

Token账单失控还带来了另一个负面影响。为了弥补AI成本的巨大缺口，今年第一季度，海外十几家科技巨头裁员超过4万人，程序员成为首当其冲的群体；而在国内，“630”成为了许多互联网从业者的最后工作日。

在Meta，几乎已经没有人手写代码；在国内的头部科技公司，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人员需求的下降，以及随之而来的职场动荡。

Token账单飙升的探源

账单费用由“用量”和“价格”两个因素决定。在这看似简单的公式背后，隐藏着两层不透明的成本推高逻辑，最终叠加导致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，这种说法只对了一半——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，反而逆势上涨。

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。据天眼查信息，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月经历了两次价格调整，混元HY 2.0 Instruct模型的输入价格涨幅高达463%；MiniMax核心模型的价格也上涨了30%-50%。

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，这意味着厂商的收入直接与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Agent（智能体）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虽然功能强大，但据腾讯研究院分析，它隐藏着几类典型的低效消耗模式：

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，导致同一批信息被反复计费。

二是“技能冗余”，在对49个软件工程技能的基准测试中发现，79.6%的技能对任务通过率没有任何提升作用，却可能带来最高451%的Token开销增长。

三是多Agent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、结论以及格式化的套话，每一次对话都相当于一次重复计费。

四是长任务中的“熵增”，任务链条越长，越容易出现偏差，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、自我纠错和重复读取，而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。

错失的恐惧

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”。

出于对错失AI变革浪潮的担忧，企业纷纷积极拥抱AI。这种压力自然会传递到每位员工身上，尤其是在AI可能取代人工的阴影下，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，以此倒逼员工增加Token消耗。原本只需几秒钟就能通过搜索引擎或人工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——反正预算不是自己掏钱，用得越多就越显得“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”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规律。历史上每一次通用技术革命，都经历过相似的阶段。蒸汽机刚发明时，工厂主计算后发现用马匹拉动反而更划算；电灯刚商用时，成本远高于煤气灯。

但不同之处在于，电力消耗能够产出实实在在、可衡量的工厂效益，而Token换来的“智能”究竟创造了多少价值？目前来看，答案仍然难以量化。

据“晚点LatePost”报道，一位大型互联网科技公司的技术管理者表示，其部门20多人，一个月消耗5万元Token，但事后回顾却未能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，化为无形的Token后，甚至连清晰的产出物都没有留下。

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：使用AI筛选和初评一份简历，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，初级开发人员的效率看似提升了，但高级工程师的评审工作量翻倍，线上故障的返工成本也增加了30%以上。总账算下来，反而不划算，而且员工的工作负担更重了。

这正是Token经济最核心的矛盾所在：Token消耗与价值创造之间，从来不是简单的线性关系。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、冗余的架构以及盲目的焦虑。

结语

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，而是我们所有人的集体行为。

从提供底层算力基础设施的GPU和存储厂商，到大模型架构本身固有的膨胀属性；从每一个害怕错失AI浪潮而焦虑的企业，直到每一位担心落伍的员工——所有人，共同推高了Token的消耗，导致了Token的贬值，也推高了那本日益增厚的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力下步履蹒跚。