📰 来源：Towards Data Science　|　📅 翻译日期：2026年6月17日
🔗 原文：查看原文
🤖 翻译：DeepSeek AI · 仅供参考

AI成本透明度：商业化致命缺陷

在我四月的专栏中，我谈到AI真实成本的不透明性可能是其长期盈利商业化的潜在致命缺陷。有趣的是，在随后的两个月里，我们看到科技行业的一些显著头条新闻可能以灾难性的规模验证了我的观点。

AI行业的风向变化如此之快，以至于难以追踪。几个月前，科技公司甚至一些其他企业还在鞭策员工更多地使用AI，要求团队将其整合到工作流程中，无论他们是否有明确的必要或意愿。

事后诸葛亮：强制使用导致“Token最大化”

正如任何思考过的人可能预料的那样，当你把人们的物质生计与使用某事物挂钩时，大多数人的确会更多地使用它。这导致了“Token最大化”（tokenmaxxing），亚马逊等公司内部的Token使用排行榜，以及Uber和其他不愿透露名称的公司惊人的季度AI Token费用。坦白说，我不明白这些公司为何对这些结果感到惊讶，但这导致了对员工指令的转向，既因为这种成本在任何时间长度上都不可持续，也因为AI的使用并未产生足够引人注目的业务成果。

可能高管层相信AI会带来某种半奇迹般的生产力爆炸，但如果是这样，他们真的没有做好功课。我们领域中的许多人以及媒体中报道该行业的人曾发出警告：AI是一种工具，可以被有效或无效地使用，期望奇迹总会令人失望。

我此前用过这种比喻：假设这些公司从事建筑行业，电钻刚刚被发明出来，使建筑生产力大幅提升。正确的反应不是尽可能多地购买电钻，以至于电钻部件稀缺并推高价格，然后指示员工在所有任务中使用电钻，并制作显示谁每天使用电钻时间最长的排行榜。你会得到布满瑞士奶酪孔洞的建筑，你会为电钻和为其供电过度花费，而你得到的成果与现在科技公司从AI中得到的差不多。

现实敲响警钟：成本效益失衡

无论如何，现实已经开始崩塌，至少是快速回归现实。一些企业仍在购买电钻，但大玩家已经注意到这里成本效益比不合理，并正在调整。然而，正如我在四月份所解释的，这不会像他们想的那么容易。一些公司开始告诉团队，AI的使用需要用于有成效的目的，而不仅仅是Token最大化，以努力降低成本同时仍从能产生价值的技术中获益。

他们尚未认识到的是，为Token做预算并明确界定AI何时能帮助解决问题，比使用其他技术要不确定得多。让我们回到我四月的文章，回顾个人使用AI的体验。

“你表面上可以控制提交的Token数量，从而控制成本，但这种控制是有限的。你可以使提示简洁，限制无关指令，从而降低输入成本。然而，当智能体工具介入，LLM构建提示传递给其他LLM时，你不再控制提示的长度。更关键的是，你对模型响应的Token数量有极小的控制（例如要求它‘简洁’）。在很大程度上，输出Token数量是我之前描述的非确定性未知的一部分。而且，你会注意到，输出Token的价格是输入Token的5倍。”

进一步扩展，每次使用AI，都有可能无法成功回答你的问题。因此，老虎机组件加剧了问题。技术工作者不知道A. 任何提示会返回多少Token，也不知道B. 需要输入提示多少次（可能经过编辑）才能成功回答一个问题。要计算成本，我们需要对所需尝试次数（B，未知）内的所有输入提示Token计数和所有输出提示Token计数（A，未知）求和。A和B根据模型架构、手头问题、模型中的随机性以及我们甚至不知道的后台因素而不确定地变化。然后，我们乘以所使用模型的每个Token的价格，正如我在四月所解释的，这也是变化的。

所以，如果你在科技公司的财务部门，需要确定明年AI Token的预算（美元），我祝你好运。即使基于过去的使用情况或公司生产力目标的非常详细的信息进行估算，你预算正确金额的机会在我看来也非常渺茫。然而，你必须实施某种限制，不能是空白支票，所以你在某个时候必须截断。

实际影响：AI使用后的应对

这将如何实际运作？是在上半年密集使用AI后，下半年进行“手动编码”吗？所有电子邮件和营销文档在第三和第四季度都是手写的吗？在达到阈值后，我们是否关闭AI转录工具和语音转文字软件？这对我来说是一个引人入胜的问题，因为我个人