AI 成本失控前，先给 Token 记账

CIO 的 AI Tokenomics 指南

一、什么是 tokenomics（报告的定义）

报告引用 Tokenomics Foundation（2026 年 9 月 1 日发布）的定义：

“The discipline of converting energy and capital into AI capabilities and efficiently consuming that intelligence across the organization, to realize measurable business value.” 中译：将能源与资本转化为 AI 能力、并在整个组织中高效消耗这种智能，以实现可度量业务价值的学科。

补充要点：

• Token 是 AI 模型处理数据的单位。每一次提示（prompt）、每一次响应、每一步检索（retrieval）、每一次智能体（agent）交互都会消耗 token。
• 报告聚焦的是 token 的成本与价值 两侧，而非模型技术本身。
• 报告的核心思维转变：把每个 token 当作事前要管理的生产投入（production input），而不是事后才看的账单（invoice）。领先企业对 tokenomics 的管理严谨度对标资本、云基础设施和软件资产。
• 一位受访的全球科技基础设施公司 Field CTO（AI/网络安全/数据方向）点出核心问题：

“The economic question is not … how many [tokens] were consumed, but what did that token actually do?” 中译：经济学问题不是消耗了多少 token，而是这个 token 究竟干了什么。

• 董事会向 CEO 追问三个问题：什么在推高 AI 成本？成本会增长多快？AI 创造了什么业务价值？压力链条是「董事会 → CEO → CFO → CIO」。报告指出很多 CIO 答不上来，一是缺乏对工作负载、模型和业务结果的可见性，二是用技术语言而非 CFO 需要的财务语言解释问题。

二、研究方法与样本口径

报告末章「About the research」披露的完整方法（可信度分级时要用）：

其他重要口径说明（来自报告尾注）：

• 「去年约 25 亿美元、24 个月后接近 36 亿美元」的总额是估算聚合值：基于 N=741 名披露支出受访者的加权平均年 token 支出 337 万美元，再套用调研得出的用量增速（+78%）与价格降幅（−19%）假设外推。
• 报告所有经济性测算均以「每 1,000 万美元年 token 支出」为单位表达，因为不同企业支出差异极大——你花 3,000 万就乘以 3，花 3 亿就乘以 30。
• 有一个小样本：完整实施 chargeback 的组织（N=53）报告优化率接近 48%，报告自己声明因样本小只作方向性参考，不作为总体基准。
• Accenture 声明研究制作过程使用了生成式 AI，由研究专家按 Accenture 负责任 AI 标准复核验证。

三、逐节内容

报告正文分五部分：Business challenge（业务挑战，第 7 页起）→ Solution（解决方案，第 22 页起）→ Next steps（CIO 五纪律，第 27 页起）→ Conclusion（结论，第 35 页）→ How Accenture can help（第 36 页）。以下按此顺序逐节导读。

4.1 业务挑战之一：CIO 的问责缺口（The CIO's accountability gap）

核心论点：token 支出本身今天也许还上不了董事会议程，但它的增长轨迹会很快让 CFO 面对一个「从运营费用突变为重大财务风险」的成本类别。

全部数字与口径（调研数据，N=750，除注明外）：

• 受访企业去年合计在 AI token 上支出约 25 亿美元（估算聚合，见上文口径说明）。
• 不加干预，24 个月后该总额将逼近 36 亿美元。
• 未来 24 个月：token 用量预计增长 78%，单价预计下降 19%（均值）。量的增长远超价的下降。
• token 支出在所有 AI 成本驱动因素中排第三，次于「基础设施」和「软件开发与维护」。
• token 约占 AI 总支出的 25% 或更低（成本侧可清晰分解、可追溯到具体工作负载与团队；这与价值侧形成对照，见 4.4）。
• 1/3 的组织在年度结束前就已耗尽 token 预算。
• 仅 35% 的组织能算出「单位业务结果成本」——即使只算它们最大的那一个 AI 用例；59% 只能靠方向性估计。
• 53% 的 token 用量能追溯到特定用户或团队（言外之意：近一半连人都对不上）。

访谈与公开案例（轶事级证据，注意口径）：

• 支出区间极大：某全球科技公司年 token 支出超 2,000 万美元；某欧洲保险公司 AI 推理预算 1.5—2 亿美元；某政府承包商全球 AI 支出上限 2.5 亿美元。（访谈匿名）
• 某美国大型金融机构技术负责人：半年内 token 支出增长 5—10 倍。报告推算：若取区间下限，1,000 万美元的年基数一年内变成 5,000 万—1 亿美元年化运行率，且这发生在任何降价对冲之前。（访谈＋报告推算）
• 某欧洲大银行：12 个月内从接近零涨到 500 万欧元（约 580 万美元） 年 token 支出，其中单一工作负载每周烧 20 万欧元（约 23.1 万美元），直到有人干预才停下。（访谈）
• Uber：2026 年 4 月即烧穿全年 AI token 预算（只用 4 个月），随后引入每人每月 1,500 美元的限额。（公开报道，Bloomberg／Fortune，2026 年 5—6 月）
• 某全球金融数据与媒体公司 CTO（管云、平台与安全架构）受访原话：

“It's a real problem … growing by a minute, by a day … keeping track of [token spend] is definitely a challenge.” 中译：这是真问题……每分钟、每天都在涨……追踪 token 支出绝对是挑战，尤其当它分散在多个组织、多个团队时。

图 1 说明（三种增长情景，为什么账单不会自己稳定）：以每 1,000 万美元年支出为基数——

1. 受管增长：用量 +78%、价格 −19% 的背景下，把优化率从当前均值 23% 提到保本线 31%（弥合 8 个百分点缺口），年运行率可持平在 1,000 万美元。管理含义：路由、缓存、提示词纪律必须在用量扩张之前到位。
2. 失管增长：不做额外优化，24 个月内升至约 1,440 万美元——尽管单价在降，账单仍净增约 440 万美元，因为量的增长跑赢价的下降。
3. 爆发式增长：半年 5—10 倍激增，一年内达 5,000 万—1 亿美元；传统年度预算彻底失效，需要持续运行的工作负载级护栏与干预阈值。报告明确注明：情景 1、2 基于调研假设，情景 3 是访谈衍生的压力测试案例，不是预测。

token 消耗的来源结构（调研数据）：三大类——

• 员工与开发者工具：约 30%；
• 内部流程自动化与企业软件：约 29%；
• 面向客户的应用、分析与智能体工作流：约 39%。

其中智能体工作流目前是最小的一块（11%），但每一步都成倍放大推理调用、增速最快，被报告点名为「下一波预算外成本增长最可能的来源」。

4.2 业务挑战之二：token 问题的两张面孔

核心论点：看似两个问题、两套修法，实则同一个盲区——企业看不见工作负载级的 token 消耗。没绑定到工作负载的支出无法预测，没绑定到工作负载的价值无法证明。

面孔 1：没人能预测的账单

• 组织并不是在对 token 支出的绝对金额做出反应，而是对无法预测、无法治理、无法在账单到来时解释这件事做出反应。
• 智能体工具普及之前建立的预算模型跟不上消耗增速。
• 访谈案例（轶事）：某亚洲大银行的高级工程负责人给开发者开通 AI 编码助手，逻辑没问题（生产力收益足以覆盖 token 成本），三个月后账单远超预测——数千名工程师全都伸手去用最强的模型，而便宜模型本可以完成同样的活。报告评点：没有人做错任何事，是预算流程根本没有能力预见这件事。

面孔 2：没人能证明的价值

• AI 投资的回报是存在的：真实的生产力提升、更快的决策、更好的客户结果。缺的是把这些回报与 token 支出连接成「CFO 能行动、CEO 能论证、董事会能评估」的财务语言。
• 核心数字：每 5 美元 token 支出中只有 1 美元（不到 20%）能表现为量化财务结果（收入影响、成本规避、或折算成美元数字的生产力）。剩下 4 美元处于「相信有效但无法证明」的地带。
• 访谈案例：某 Fortune 500 金融服务机构的 AI 战略总监说，AI 显然在全组织创造价值，但价值没有对照消耗的 token 来度量；生产力提升看得见、结果在改善、采用在扩大，消耗与影响之间的财务链接基本未被量化。其原话：

“The majority of what we are doing now is actually value creating. But I wouldn't say we are looking at tokens to derive that.” 中译：我们现在做的大多数事确实在创造价值，但我不会说我们是盯着 token 来推导这个价值的。

• 报告给出的出路：用工作负载级可见性、所有权（ownership）与财务问责来修根因。

4.3 业务挑战之三：降价不会救场，反而助燃支出（Jevons 悖论）

核心论点：单价在跌（18 个月前每百万 token 一美元的模型，今天只要其零头），按逻辑账单该缩水，实际却在涨——这是 token 版的 Jevons 悖论：正如更高效的蒸汽机扩大了英国的煤炭消耗而非减少它，token 降价推动企业跑更多 AI，而不是更少。

图 2 说明（调研数据，N=750）：问题「若 token 价格再降 25% 以上，你的组织最可能做什么？」——

即：9/10 的高管会选择扩大使用而非削减支出；仅 1/20 会把降价省下来。「量对价的响应淹没价格下降，账单继续爬升。」

访谈与公开案例：

• 某全球科技基础设施公司 Field CTO 的比喻（访谈）：

“Even if the models become cheaper, teams just use them more. It's like … you got your first gigabyte hard drive back in the day?” 中译：就算模型变便宜，团队只会用得更多。就像当年你有了第一块 GB 级硬盘——你不会说「我们要少用硬盘空间」，它只会指数级增长，因为道理一模一样。

• Harvey（旧金山法律 AI 公司，服务 1,300 多家律所与企业法务团队的 10 万多名律师）：月 token 消耗从 2026 年 1 月的约 1 万亿 升至 5 月的 12—13 万亿量级。（公开报道，Business Insider，2026 年 6 月）报告用它说明：一旦 AI 深入生产环节，消耗可以多么快地膨胀，以至于单价大幅下降也会被量的增长淹没。

4.4 业务挑战之四：五大图景数据——为什么价值证明这么难

图 4 说明（调研数据）：「只有零头的 AI 回报能活着走到董事会」——以每 1,000 万美元年 token 支出为例：200 万美元（约 20%）是 CFO 能辩护为「创造价值」的部分（水位线以上）；800 万美元（约 80%）是回报尚未被量化的部分（水位线以下）。成本全额可见，价值大半不可见。

为什么成本可分解、价值难分解（报告的分析框架）：

• 成本侧干净：token 是可识别、可追溯、可归到具体工作负载与团队的（且只占 AI 总支出 25% 以下）。
• 价值侧是跨整个工作流复合作用的：一个 AI 辅助工作流的生产力收益，同时来自模型、它检索的数据、跑它的基础设施、设计工作流的工程师和使用它的员工。再精细的度量也无法把已实现价值中「只属于 token」的那一份剥离出来。

图 5 说明（调研数据）——三个让 AI 价值可证明的信号：

1. 财务问责（最强信号）：问责阶梯每上一级，财务可归因价值约提升 6—7 个百分点，且不受成熟度、规模、行业影响——「无成本分摊」5% → 「非正式报告」13% → 「showback」23% → 「chargeback」32%。
2. 路由质量（一次建设，不是两次）：让你智能路由的那套遥测层（哪个工作负载、跑了哪个模型、花了多少、结果如何），同时也是归因结果所必需的。路由纪律与价值归因是同一笔投资，不是先建一个再建另一个。
3. 工作负载可见性（地基）：能把 token 消耗追溯到具体用户/团队/工作负载的组织，其复合归因得分接近不能追溯者的 2 倍。看不见就无法路由，也无法归因。

治理现状（调研数据）：48% 的组织依赖「IT 与财务共担问责」，没有任何单一个人对 AI 成本与回报负责。技术团队看得见谁在消耗、消耗多少，但判断「这次消耗是否值得」的权力属于理解工作流/客户交互/业务决策的业务单元负责人——而大多数人从未被正式要求做出这个判断。

4.5 解决方案：一次建设，每 1,000 万美元支出换 560 万美元红利

核心论点：调研识别出成本优化与价值归因的四个独立预测因子——工作负载级具名所有权、chargeback、度量精度、模型路由纪律。四者各自独立地推动成本与价值改善，但全部依赖同一个地基：工作负载级的所有权、可观测性与问责。建一次，等式两边同时改善。

• 具名所有权：没有它，成本是匿名的、价值是无主的。
• Chargeback：既创造精细管成本的激励，也创造证明回报的动机。
• 度量精度：降低预测误差，暴露真正产生财务回报的工作负载，为下一轮投资建立证据基础。
• 路由纪律：既是成本优化杠杆，也是工作负载级归因的前提。

全部数字与口径（报告模型测算，基于调研假设）：

• 当前组织平均已优化 token 消耗量的 23%（优化率均值）。
• 要在用量增长近 80% 的 24 个月里把支出按住不涨，需要约 31% 的优化率（保本优化率）——缺口 8 个百分点。
• 什么都不做：每 1,000 万美元年支出 24 个月爬向 1,440 万美元，36 个月爬向 1,730 万美元（36 个月为同假设外推、超出调研期，报告注明是示意性外推）。
• 价值侧：今天每美元支出只有 20 美分可转化为财务回报；实施完整 chargeback 与精度量后升至约 32 美分——每 1,000 万美元支出，让约 115 万美元的价值首次可证明。
• 合计红利：约 440 万美元避免的成本增长 ＋ 115 万美元新可见价值 ＝ 每 1,000 万美元年支出约 560 万美元（1 亿美元年支出则约 5,500 万—5,600 万美元）。等价表述：采用这些纪律可避免 24 个月内预计 44% 的 token 成本增长（78% 量增被 19% 价降部分抵消后的净增幅）。
• 报告给 CFO 视角的定性总结：CIO 要解决的不是「单纯压账单」，而是建立让成本与价值都财务可读的仪表与运营纪律。

图 6 说明（治理前后对照，每 1,000 万美元 token 支出）：

• 成本侧：失管路径 今天 10.0 → 12 个月 12.0 → 24 个月 14.4 → 36 个月 17.3（百万美元）；受管路径（31% 优化）三个时点均持平 10.0。
• 价值侧：现状「已证明价值 2 ／ 尚不可见 8」；受管状态（chargeback 基准）「已证明 3.2 ／ 尚不可见 6.8」。
• 图注假设：用量增长 +78.41%、价格变化 −18.87%（四舍五入为 19%）、保本优化约 31%、当前优化约 23%（缺口约 8 点）。

访谈佐证：某全球金融数据与媒体公司 CTO（管云/平台/安全架构）：

“We just [agreed on] attribution down to the org level, down to the team, and in most cases, we can attribute to an individual.” 中译：我们把归因做到了组织级、团队级，多数情况下能归到个人。之所以这么设计，就是为了从一开始就把 chargeback 模式立起来。

开放权重模型与专有模型的组合（图 7 及相关论述）：

• 目前 70% 的企业采用「通过提供商 API 或云平台按 token 付费」的模式。但部署架构对账单的影响超出多数 CIO 预期。
• 图 7 对比五种部署形态（成本结构／适用场景／关键权衡）：

1. 开放权重跑 CPU：推理成本极低，但基础设施、人才与运维成本高；适合高频低复杂度任务（分类、摘要、抽取）；更慢、MLOps 负担重。
2. 开放权重自托管 GPU：规模化后推理成本低；适合大规模高频商品化负载；前期资本投入高、基础设施全责。
3. 开放权重跑公有云：低推理成本＋额外云成本；适合想要开放权重成本结构又不想背基础设施的组织；增长最快的形态；控制力弱于自建。
4. 专有模型经云平台：按 token 计价、基础设施与运维打包；适合大多数生产负载；企业主导模式，前沿能力＋企业级 SLA。
5. 专有模型直连模型商 API：与云平台模式对多数用途功能等价。

• 调研佐证（选择性成立）：专有与开放权重大致对半混用的组织，路由质量更高（55% 请求正确路由 vs 以专有为主组织的 47%），部署成熟度更高（61% 已在生产环境规模化运行 AI vs 32%）。
• 开放权重的三个额外优势：数据主权、对前沿模型出口管制的韧性、微调后在非英语与领域专用任务上的更强表现。
• 限制同样明确：token 只占 AI 总支出 25% 以下，转自托管开放权重常把成本转移到基础设施、人才与运营上；商业支持要求与内部能力缺口使企业采用仍是选择性的（但两者都在变化）。结论：开放权重是路由工具箱里有价值的一格，但按调研很少是企业规模下的主导架构；没有专职团队和运营成熟度的组织，token 行上省的钱可能被其他成本行吃回去。正确姿势是「刻意的连续谱」：把每个工作负载路由到在成本、能力、数据治理、运营复杂度之间最平衡的模型层级。

4.6 CIO 五纪律（Next steps 章）

总述：五纪律＝工作负载级可见性、财务问责、更聪明的路由、价值证明、有 AI 技能的人，合起来是「规模化运行 AI 的单一运营模型」。不是顺序步骤：可见性排第一是因为其余四项都依赖它；其余四项可并行或按组织 AI 成熟度排序实施。报告强调「有一个杠杆胜过所有其他杠杆——但用它的公司不到 10%」（指 chargeback）。

#### 纪律 1：让每个工作负载在规模化之前就可观测

• 部署 AI 网关或可观测层，为每次 AI 交互捕获五要素：工作负载名、所属团队、所用模型、token 成本、输出。
• 规模化后需要策略即代码（policy-as-code）与自动化经济护栏，而不是人工逐个审查工作负载。这是成本管理与价值归因共同的前提。
• 工具点名（报告引用第三方文章）：LangSmith、Arize、Helicone 能以不高开销提供工作负载级成本归因。
• 反面案例 Uber（公开报道）：鼓励工程师「尽可能多用」AI，还搞内部 token 消耗排行榜，结果到 2026 年 4 月四个月烧穿全年 AI 预算，随后引入每人每月 1,500 美元限额。教训：这套东西建晚了。
• 正面案例 Shutterstock（公开报道，CIO Dive）：审视 AI 成本基时发现——输出 token 占总消耗的 75%；ChatGPT 许可证一个月内从 50 个扩张到 750 个；还有 25 万美元已承诺 AI 支出面临「买了没用」的风险。应对不是限制使用，而是把 FinOps 职责扩展到 AI 与云成本，在采用进一步扩张之前把数据纳入与财务的共同流程，从而更早看见消耗与供应商承诺、在浪费坐大之前处理掉。
• 数据点：53% 的 token 用量能追踪到特定用户或团队。

#### 纪律 2：让团队为自己用掉的 token 付钱

• 向消耗团队计费（chargeback），从工程部门和消耗量前 3—4 的职能开始。
• 机制很直接：当团队为自己的消耗付钱，经理会问这笔钱花得值不值，工程师会带着成本意识选模型。
• 数据：仅 7% 的公司用 chargeback 模式追踪 AI 成本（不到 1/12）；而它是本研究中成本优化与价值归因的最强单一预测因子。
• 重要限定条件：showback 只改变意识，须与其他激励结合才改变行为；chargeback 的效果依赖周边治理能力到位——实施 chargeback 的组织通常治理与可观测性整体更成熟，在不成熟的组织里单靠 chargeback 不太可能复现同样效果；它最好伴随（而非先于）工作负载级可见性与清晰所有权。
• 某全球科技基础设施公司 Field CTO 描述的运营模型（访谈）：集中定标准＋联邦化问责——每个生产工作负载都要有一位具名的业务单元发起人（sponsor），负责解释预期结果、成功度量与规模化后的经济性。

#### 纪律 3：把每个任务送到它真正需要的模型

• 识别出真正需要前沿能力（复杂推理、规划、多源综合、高风险生成）的约 10% 工作负载/流程步骤，其余全部路由到够用的中档模型或开放权重模型。
• 关键执行要求：在网关层强制路由策略，而不是留给每个开发者自行判断的「指导意见」。
• 价差：前沿模型可比够用的低档模型贵 15 倍以上（另一处口径：每 token 贵 10—20 倍）。
• 外部技术佐证：开源框架 RouteLLM（UC Berkeley 主导，ICLR 2025 发表）在基准负载上展示最高 85% 成本削减同时保留 95% 旗舰质量。
• 数据点：54% 的 AI 请求被错误路由到比任务实际需要更强更贵的模型；近 1/4 高管把模型路由列为「最大的单一效率杠杆」；生产团队报告把请求路由到「能干活的最低成本模型」后，模型服务账单下降 40%—60%。
• 市场方向（第三方预测/数据，报告引用）：IDC《2026 AI 与自动化 FutureScape》预测到 2028 年，70% 的顶级 AI 驱动企业将使用先进多工具架构，跨多样模型动态、自主地管理路由；Vercel 2026 年生产数据显示，生产团队平均以 35 个模型组成路由图。报告评点：曾经的先进实践正在迅速变成运营基线。
• Accenture 自身实践（自报数据）：其生产平台每周处理约 8.7 万亿 token，成本约为前沿 API 的 1/6，靠自托管开放权重推理＋智能路由的组合。
• 访谈佐证：某全球科技公司企业 AI 战略 VP 说，多数企业 AI 使用仍是「搜索与检索」，一小撮高级用户才需要先进模型做复杂工作，两类请求都走同一个前沿模型就是可避免成本的堆积方式；某全球快餐连锁 CTIO 说用户起初连琐碎任务都默认用最贵的前沿模型，带动态模型路由的中央网关才是防止默认行为变成失控消耗的办法。

侧栏：怎样把模型层级匹配到任务（O\NET 实验细节）**

• Accenture 把 *9,368 个 O\NET 职业任务跑过「是否需要前沿级 AI」的五项测试（先剔除体力工作和需要人类复核签字的任务），只有 10% 过关；其余 90%** 用够用的中档模型跑得很好，或所需判断力低到模型几乎无所谓。
• 这 90% 不是简单活：包括评估网络设计、按既定模板起草合同、排查安全事件、按已知标准分析数据——都需要真实专业知识。它们缺的是「不可约性」（irreducibility）。
• 任务「不可约」的五个判据（满足任一条才值得上前沿模型）：①没有既定方法可解；②早期一个错误会悄无声息地污染全部下游；③把工作拆开整体图景就碎了；④迫使两个不同专业领域合流；⑤价值存在于整体的连贯性中。五条全不沾，中档模型就够——不管这活看起来多高深。

#### 纪律 4：任何工作负载上生产之前，先要一份价值论证

• 投入资本前定义三件事：该流程今天花多少钱/多少时间；AI 将改善哪个具体财务结果；该结果如何以美元度量。然后守住这道闸。
• 审批门槛（报告标准）：只有当 ①工作负载级消耗度量的可观测工具已就位、②优化率走在通往保本（31%）的可信路径上、③预期价值能表达为量化财务结果（收入、成本规避或折算美元的生产力）时，才批准业务案。
• 「这不需要很复杂，但它必须存在于支出之前，而不是事后补救式论证。」
• 价值的定义随职能变化，要求不变：客户运营看偏转率（deflection rate）与单次解决交互成本；软件开发看周期时间与每开发者被接受的贡献数；后台处理看每笔交易小时数折算美元；风控合规看每分析师决策数与误报率。流程统一为：命名结果、设定基线、在生产前把度量内建进去。
• 公开案例：
• Match Group：过去对 AI 试点给「几乎无限的预算」，CFO Steve Bailey 说 2026 年提高了门槛——重大 AI 支出必须有业务案，展示通过成本节约、效率、收入增长或用户影响带来的清晰效果。实验期可以灵活，规模化必须有财务可评估的回报。
• ABN AMRO：把它做成正式闸门——每个 AI 用例上生产前必须映射到五个既定价值结果之一。截至 2026 年 5 月，40 个用例在生产中，全部预先映射。具体结果：ICS 语音机器人处理约 6 万通月度来电中的 80%，有记录在案的每周 500 小时效率增益；Delphi 风险评估工具在金融犯罪运营中每月节省约 800 小时。这些数字部署前定义、部署后度量。
• Klarna：客服部署从第一天就把结果度量内建进架构——追踪解决时长、重复联系、偏转率；2024 年上线时报告 4,000 万美元避免的招聘成本，到 2025 年 Q3 增至约 6,000 万美元。因为可见性是先建的，团队才能度量并归因用量。
• Uber（反面对照）：AI 智能体已贡献约 10% 的提交代码，但 COO 最近承认仍难以说清 token 使用如何转化为更好的产品——支出先于度量基础设施到来。Uber 现在正在补纪律：每人每月 1,500 美元、内部仪表盘、超额审批。教训：度量基础设施应与访问权限同步落地，而不是在第一次预算惊吓之后。
• 某全球科技基础设施公司 Field CTO 的观察（访谈）：没有先建这套纪律就规模化的组织，都会上演同一幕——平台团队被迫事后写报告，去解释没人建过可观测性的成本、去论证从未被量化的价值。「上线前无法用财务语言表达预期价值的业务案不是业务案，是实验。按实验的方式给它资金：明确范围限制，明确一个产出证据或停止的时点。」
• 报告的宽慰性结论：本研究中无法展示财务回报的组织，多数情况不是没创造回报，而是没度量回报。纪律 4 就是「在支出之前、而非事后论证时」建立这些机制的组织承诺。

#### 纪律 5：在全组织范围建设 AI 技能

• 核心诊断：多数路由错误源于缺乏清晰指引，而非判断力差。开发者和员工选最强模型，是因为看不见成本差异，也常常没有「何时便宜模型就够」的简单规则。
• 培训有用但只到一定程度：65% 的公司已引入某种用户培训，路由缺口依然存在——意识不会改变决策，除非在选择的当下被强化。
• 某全球科技公司企业 AI 战略 VP 的金句（访谈）：

“Your Toyota Camry will do just fine. You don't need to upgrade to a Ferrari anytime soon.” 中译：你的丰田凯美瑞完全够用，近期不必升级成法拉利。

• 同一位高管预期的落点：token 效率写进开发者 KPI、预算按角色（persona）与用例分配、AI 使用质量与使用量一起被度量。
• 报告的重要限定：目标不是让人为他们看不全的成本负责。总成本难以内化——更便宜的模型可能更慢、需要更多提示词迭代、或产出需要更多人工复核。目标是行为引导：给人「哪档模型配哪类任务」的简单框架；向愿意看的人开放成本可见性；通过网关路由策略或桌面策略把默认值设对，让正确的选择也是省事的选择，把人类判断力留给真正重要的场景。
• 做得好的组织的共同点：设定期望、提供信息、让治理结构承担执行的重量。「人们在指引清晰且容易遵守时会遵守。CIO 的工作是让它变容易。」
• 这不只是用户培训。Tokenomics 跨越技术、财务、人力与业务所有权的边界：CIO 需要 CFO 把「可度量的价值与成本问责」作为 AI 投资的前提条件；需要 CHRO 把模型选择与成本意识写进对员工的期望；需要业务负责人从第一天起给每个 AI 工作负载配具名所有者、经济论证和结果问责。五纪律构成技术运营模型，但让它跑起来是整个 C-suite 的责任，CIO 的职责是编排（orchestrate）。

4.7 结论：纪律即差异化（Discipline is the differentiator）

• AI 领导力归结为控制与管理纪律：赢的企业在 token 变成「待论证的成本」之前就管理它，再把它连上「能解释的价值论证」。
• 很多公司的顺序反了：先是放开访问，账单到了才补治理。这个顺序可以逆转，但在财务压力下逆转更难也更贵，不如在部署时就做对。
• 做对的企业不是异类，报告举例：某技术高管从一开始就内建归因；某 Field CTO 在工具规模化之前就问「这个 token 究竟干了什么」；ABN AMRO 要求每个用例上生产前映射到既定价值结果。
• 调研层面的对照证据（N=750）：处于早期试点阶段的组织优化约 15% 的 token 支出、正确路由 30% 的请求；已在生产环境规模化运行 AI 的组织分别达到约 28% 和 58%。
• 方法论类比：像制造商运营生产线那样运营 AI 基础设施——管理单位成本、削减浪费、持续度量。
• 收尾判断：AI 能力会持续进步、模型价格会持续变动、消耗曲线会持续上升，但底层逻辑不变——价值来自 token 做了什么，而不是花钱买了它。窗口期在「下一代模型、下一次智能体扩张、或不可预测的 AI 账单变成重大管理问题」之前。现在行动的 CIO 会有答案：给 CFO 对经济性的信心、给 CEO 可量化的回报、给企业「基于证据而非希望」规模化 AI 的许可。

4.8 Accenture 能提供什么帮助

• 主张：技术底座不再是支持职能，而是创造并复利竞争优势的机制，由 CIO 负责建设、注资和捍卫。技术领导者需要同时到位三件事：正确的底座、正确的运营模型、正确的投资逻辑，并与业务干系人同步推进。
• 其框架：重塑「数字核心」三维度——Engine（运行企业）、Knowledge（企业对自身的可信理解）、Brain（用 AI 模型、编排与智能体激活这种理解），加一层安全与治理。
• 产品化：Accenture Tokenomics，方法论为「see it, fix it, keep it」三阶段，配套 Accenture AI Token Navigator——七个专用工具，覆盖 AI 资产的法证式评估、实时模型基准测试、以「预算即代码／策略即代码」做运行时强制执行、按「每次成功业务动作的成本」做实时监控，以及让成本纪律可持续的工程与人才实践。
• 自报能力数据：Accenture 自家生产平台每周处理约 8.7 万亿 token，成本约为前沿 API 的 1/6（自托管开放权重推理＋智能路由）。
• 性质说明：此节是厂商自我推广，应与前面的调研结论分开看待，不宜当作中立研究结果引用。

四、六大盲点逐个拆解

报告图 3 标题为「AI 预算超支背后的六大盲点」，底部公式是：不可预测的需求 ＋ 薄弱的治理 ＝ 反复出现的预算超支。报告对每个盲点的定义与展开如下（企业表现部分为报告描述）：

五、关键指标定义表

以下定义取自报告术语表（Glossary）与「How to read the figures」小节，应按此口径使用。

六、报告给 CIO 的建议路径

7.1 总体路径：先修根因，再上纪律

1. 根因：企业看不见工作负载级 token 消耗 → 支出无法预测、价值无法证明。
2. 解法：用工作负载级可见性 ＋ 具名所有权 ＋ 财务问责修根因。
3. 落地：四项独立预测因子（具名所有权、chargeback、度量精度、路由纪律）建一次地基，成本侧与价值侧同时改善——每 1,000 万美元年支出约 560 万美元红利。

7.2 五项纪律（报告明确：非顺序步骤，可见性优先，其余可并行）

7.3 治理与组织配套（报告反复强调：不是 CIO 一个人的事）

• CFO：把「可度量的价值与成本问责」设为 AI 投资的前提条件。
• CHRO：把模型选择与成本意识写进对员工的期望。
• 业务负责人：从第一天起给每个 AI 工作负载配具名所有者 ＋ 经济论证 ＋ 结果问责。
• CIO 的角色是编排（orchestrate），不是独揽。
• 推荐运营模型（来自访谈）：集中定标准 ＋ 联邦化问责——每个生产工作负载都要有一位具名业务单元发起人，负责解释预期结果、成功度量与规模化经济性。
• 财务侧配套：把 FinOps 职责扩展到 AI 与云成本，与财务共用流程（Shutterstock 做法）；提前建模供应商定价档位与门槛（Pylon 的 150 席位跳档教训）。
• 部署架构侧：把开放权重与专有模型当作一条刻意的连续谱，按成本、能力、数据治理、运营复杂度为每个负载选层——开放权重是有价值的一格，但很少是企业规模下的主导架构；没有专职团队与运营成熟度时，token 上省的钱可能被基础设施、人才与运营成本吃回去。

7.4 时间窗口

报告点明窗口在下一代模型发布、下一次智能体扩张、或不可预测的 AI 账单变成重大管理问题之前。顺序反了（先放访问、账单到了才补治理）虽然可以纠正，但在财务压力下纠正更难也更贵。

原文链接：https://www.accenture.com/en/insights/ai-data/cios-guide-ai-tokenomics PRIMARY_SOURCE: https://www.accenture.com/en/insights/ai-data/cios-guide-ai-tokenomics