隨着人工智能在企業業務場景中的廣泛應用，AI預算超支與Token成本攀升正在促使企業從「鼓勵試用」轉向「控制成本、衡量產出」。近期，頭部雲廠商紛紛推出預算上限設置等成本管理工具，折射出行業對AI投入產出比（ROI）的關注達到了新高度。

    對此，Denodo全球銷售副總裁兼大中華區總裁何巍表示，企業AI正從粗放試用走向精細運營，考核標尺也需要從調用量轉向單位任務的有效產出。企業過去更關心AI能做什麼，現在開始追問完成一次任務究竟消耗多少資源、創造了多少業務價值。

    多輪交互推高成本，簡單限額難解根本痛點

    在智能體（Agent）執行任務的過程中，往往需要經過步驟規劃、數據檢索、工具調用及反覆推理。這一鏈條越長，Token的消耗量便越呈階梯式上升。何巍指出，Token本身不是業務成果，只是AI完成任務所付出的成本；企業真正需要衡量的，是AI有沒有實現流程縮短、營收提升、風險降低或人力節約。

    面對不斷增加的賬單，單純設置月度調用上限容易擠壓有價值的應用，而只強調多用又可能產生大量無法對應業務回報的消耗。企業需要認清Token究竟花在了哪裡，並釐清哪些消耗屬於無效支出。

    數據碎片化引發「Token稅」，治理需前置到數據源

    在數據進入大模型之前，企業普遍存在的數據孤島、語義不一致以及未經篩選的原始數據流轉，會導致智能體產生大量的重複檢索與試錯。

    何巍將這類因數據供給方式低效而產生的額外消耗稱為「Token稅」。他表示，企業支付的不只是模型完成任務的成本，也在為數據碎片化、語義不一致和重複處理買單。如果僅僅控制調用次數，而不改變數據進入AI的方式，浪費依然會在下一次任務中出現。

    針對這一行業普遍難題，Denodo提出在企業數據源與智能體之間構建「AI數據層」的思路。通過在數據送入大模型前完成數據連接、統一語義、權限管控與上下文過濾，將確定性計算前置，按需向模型提供精準信息，從而避免無關數據擠占上下文。

    精細化算賬標誌着AI規模化落地

    何巍認為，企業開始精打細算並不意味着AI應用降溫，恰恰說明AI正在從試驗試點走向規模化商業運營。調用限額可以控制賬單上限，但真正決定長期投入產出比的，是企業能否從源頭上減少重複找數、無關上下文和低效計算。

    「AI進入算賬時代後，比拼的不再是誰消耗了更多Token，而是誰能讓每個Token更接近真實業務價值。」何巍說道。（記者：黃鳳鳴）

頂圖：Denodo全球銷售副總裁兼大中華區總裁何巍