Token经济，正在成为AI行业近期最热的关键词之一

当OpenClaw（俗称“龙虾”）引发全民关注，各大厂商纷纷涌入“龙虾潮”之际，一个显著的趋势浮出水面：Token的消耗量正呈现指数级增长。

在开发者社区和社交媒体上，各类对比表格频繁出现，人们热衷于计算不同模型的Token消耗、输出质量差异，以及最终折算出的“每千Token成本”究竟谁更具优势。

然而，若试图用Token来核算一笔清晰的经济账，便会迅速发现，事情已远非那么简单。

近日，一位从事财务工作的朋友提出了一个典型问题：他们公司的AI智能体每日调用量达数十万次，一个月下来究竟需要多少成本？

这听起来像是一个基础问题，似乎用“Token单价×调用次数”即可轻松得出答案。

但在实际操作中，翻开Anthropic的定价页面进行粗略估算时，却立即遇到了难题。

Claude Managed Agents的会话运行时长按“每会话·小时”独立计费，缓存写入和缓存命中又各自适用不同的计价系数，这些费用项目与Token根本不在同一个计量维度上。

于是，在逐一查阅了几家主流平台的定价页面后，我们发现这件事远非一道“清晰的算术题”。

例如，OpenAI的定价页面更像一张资源总览表。除了Token费用，联网搜索按千次调用收费，容器按会话时长收费，文件检索存储按GB/天收费，跨区域处理还需额外叠加10%的费用。

Google Gemini的收费项目相对收敛一些，但搜索增强和上下文缓存也被单独列为独立的计价项。

Anthropic则采用三档缓存系数，再叠加会话运行时长的计费，构成了另一套体系。三家巨头的计费方式已无法用同一套公式进行核算。

如果再向上一层观察，商品边界本身甚至已脱离了“模型”范畴。Salesforce通过Flex Credits将动作配额纳入价格体系，Intercom则干脆绕过Token，直接按结果收费——每个“有效解决”收费0.99美元，并对此有明确的书面定义。

一番探究后，唯一可以确定的是：各家厂商所售卖的，早已不是同一种商品。

2026年1月，OpenAI首席财务官Sarah Friar在官网发表的《A business that scales with the value of intelligence》一文中，明确指出了其三条商业化路径：订阅制、广告支撑的免费层、按用量计费的API。她还补充道，未来将扩展到授权许可、IP协议和按结果定价。即便是平台方自身，也不再使用单一的“按用量计费”来描述其商业模式。

过去，在比较各大模型时，行业常讨论“谁的Token更便宜”，这默认了一个前提：行业已存在一个被广泛接受的统一计量单位，大家比拼的只是价格。

但到了2026年4月，现实情况是——Token早已不是AI账单中唯一的计费单位。AI商品正从单一计量项走向多单位并存，企业的预算语言也随之被彻底改写。

因此，本文旨在探讨的不仅是Token本身，更是梳理一条完整的变化路径：从收费方式的演变，到成本结构的分化，再到预算体系的调整，审视Token经济如何被重新定义。

AI收费，告别“单一Token时代”

如果今天仍有人只讨论“哪个模型每百万Token成本更高”，那么他所看到的仅仅是底层供给的一部分。

真实情况是，企业当前购买的是一段被组织过的智能劳动，原始模型只是其中的一小部分。

它可能同时包含模型推理、联网搜索、信息检索、缓存服务、上下文驻留、运行时、容器资源、团队席位、动作配额，乃至一个被明确定义的“交付成果”。AI经济正在经历的，并非一场简单的价格战，而是计费对象的多元化扩散。

这里最容易出现的误解，是将“计费单位变多”等同于“底层模型已不重要”。

但事实恰恰相反：模型仍是底层最核心的供给要素，只是它不再是企业成本解释框架中的唯一变量。

一旦系统进入真实工作流，采购者与运营者就必须同时处理搜索增强、批量调用、区域路由、运行时长与席位切换，这些项目在同一张对账单上争夺预算。于是，账单不再是一列Token的简单累加，而是一组相互叠加的价格对象。

AI底层大概率会像电力一样，最终演变为公用事业：廉价、可计量、不可或缺，但也不再是价值最终停留的层面。

经济史上反复出现的模式是：电力带来的生产率跃升，远比“有电就更快”复杂。让美国制造业真正起飞的，是工厂围绕电力重写了生产组织方式，而非电力本身变得廉价。

AI成本，从统一定价走向按任务分化

过去习惯用“每百万Token多少钱”来理解AI成本，但今天这个锚点已然失效——账单的主角是谁，完全取决于你在运行何种类型的任务。

先看一个轻量、高频、以检索为主的企业问答任务。

以Google Gemini 2.5 Flash-Lite标准档估算，5000输入Token加1000输出Token，成本约0.0009美元；若同一次调用附带一次搜索增强，超出每日免费额度后，单次增强价格约为0.035美元，这几乎是Token成本的四十倍。

在这类工作负载里，主导账单的是搜索或增强这类外层能力，模型推理本身反而退居次要位置。

然而，如果换成更强的前沿模型，图景就完全不同。

以OpenAI GPT-5.4标准档为例，同样的5000输入加1000输出Token约0.0275美元；一次联网搜索的工具调用费为0.01美元（搜索内容Token另按模型费率计）；一次1GB容器会话为0.03美元。此时，模型成本仍与工具调用处于同一数量级，在许多推理密集任务中甚至占据大头。

再看Anthropic官方给出的Claude Managed Agents示例：一个一小时的Opus 4.6编码会话，5万输入加1.5万输出的Token成本是0.625美元，而会话运行时长费用仅0.08美元。运行时虽然进入了商品列表，但远未“压倒”模型成本。

三个例子合起来指向同一件事：成本的大头在哪里，取决于你让AI执行何种性质的工作。

通俗地理解，你让AI查询资料，钱主要花在搜索上；让它进行深度思考，钱主要花在模型上；让它持续在后台运行，“开机时长”本身就成为一笔成本。因此，根本不存在一张能通用的“AI单位成本”表。AI经济的演变，不能被简化为“工具吃掉模型”或“模型吞噬一切”这种非黑即白的叙事。

更准确的说法是：买方必须开始依据不同任务形态去理解总成本，不再假定存在一个统一的成本锚点。

这件事的后果，比“算术变复杂”要深远得多。一旦计费单位发生裂变，原本仅用“每百万Token多少钱”就能对账的人员，现在必须同时理解搜索成本、缓存命中率、运行时长度与区域溢价。

预算口径从一维变成多维，采购的比较基准也随之改写——从“谁的Token更便宜”，变成“在我的特定工作负载下，谁的综合成本更低”。计费单位的裂变，正在倒逼企业重写自身理解AI支出的方式。

中国市场提供了一个“反向参照”。例如，2024年国内大模型价格战异常激烈，部分厂商降价幅度超过97%，推理毛利一度跌至负数，但整场竞争的叙事始终只围绕一件事：谁的百万Token更便宜。

运行时、搜索增强、按结果付费这些在美国定价页面上已经独立成行的维度，目前在中国仍处于早期阶段。当所有玩家都挤在同一个计量单位上竞争，负毛利就不是意外，而是结构性的必然终点。

价格页先变，企业的预算体系也需跟上

计费单位的变化，最先体现在价格页上，最后才会反映到平台的营收报表中。而夹在中间、最先被迫进行调整的，是企业自身的预算表。

到目前为止，尚无可靠的公开数据能证明OpenAI、Google或Anthropic的工具、存储、运行时营收已经超过模型或Token营收。

因此，一家公司在价格页上增加了多少新收费项，并不代表他们的收入真的主要来自这些新项目，这两者不能划等号，仍需等待进一步的数据验证。

当前真正可以确认的是：卖方的定价语言已经率先改变，买方的预算口径无法继续停留在Token这一单一列上。

这其中的道理不言而喻：当官方价格页已将工具调用、会话运行时长、交付结果各自独立定价，企业的对账单就不可能再维持为一列Token，否则卖方出具的账单将与买方的内部核算无法对应。

Token不再是唯一的主角，它更像是底层的一种计量单位。真正影响账单总额的，是推理、搜索、缓存、运行时、席位、动作、结果这些叠加在一起的成本。

文章开头Sarah Friar那句顺口提到的“未来还会扩展到授权、IP协议、按结果定价”，其实就是这件事在OpenAI自身视角下的翻译——他们比任何人都更清楚，自己正在售卖的不只是Token。

一旦买方的预算框架随之调整，一些原本被忽视的要素会重新浮出水面。例如：

模型路由不再只是“帮你挑选哪个模型最合适”，而是在悄然决定整张账单的结构——选错一层，预算的重心就会整体偏移；

Salesforce的Flex Credits售卖的并非某一次具体调用，而是一份可以在不同动作、场景、团队之间自由调拨的“使用权”；

按结果定价的真正吸引力，在于它将预算直接绑定在“交付成果”上。企业首次可以用结果，而非过程，来与供应商进行对账。

新的计费单位或许尚未改写卖方的收入结构，但它们已经在改写企业内部看待AI支出的方式。而一旦组织开始用新的语言理解自身的AI成本，预算最终流向哪一层、沉淀在哪一层，就不再是一张简单的模型性能排行榜所能决定的事了。

当计费单位裂变，价值开始分层

将视野再拉远一些，如果计费单位已不只是Token，那么“钱到底会沉淀在哪一层”这件事，就需要分层审视。

一个有效的梳理方式，是将整个AI经济视为一套五层结算栈。将其看作一张正在成型的产业结构图，本系列接下来的文章会沿着这个框架逐层展开：

• 第一层 · 公用事业层：算力、Token、缓存、搜索、容器、文件检索，可计量、可路由的“认知吞吐量”

• 第二层 · 协议与能力层：MCP、A2A、Agent Skills 这类让模型、工具、数据源和智能体互操作的共同接口

• 第三层 · 知识封装层：技能、提示词、评估、策略、记忆，把行业知识序列化下来

• 第四层 · 执行交付层：被托管、可观测、受监控的“数字劳动力”，市场正将智能体从“下载”模式转变为“调用”服务

• 第五层 · 结果与责任层：Intercom的“每次有效解决0.99美元”是最明确的公开信号之一，“被完成的工作”开始成为合同化的结算对象

如果把这五层放在一起观察，会出现一个很清晰的分布规律：越靠下层，越容易被单位化和路由化；越靠上层，则越深地嵌入具体上下文、验收标准和责任划分。

对应的商业模式也随之分化——底层依赖规模和效率，买方按成本比价；上层依赖不可替代性，买方按结果付费。这两种模式都可以成立，但它们的“价格锚点”完全不同。前者锚定投入成本，后者锚定创造的价值。

Token经济，不再只关于Token

总之，今天再谈Token经济学，已不再是简单的“Token单价走势”，更值得研究的是：Token作为底层计量颗粒，正在如何与搜索、缓存、运行时、席位、结果这些更高层的单位一起，重写企业对AI的预算语言。换言之：Token依然存在，但它已不能单独解释这门生意的全貌。

当然，这并不意味着Token不再重要。

底层资源层依然可能是未来最大的利润池，甚至可能出现高度集中的赢家。但到了2026年，如果想理解AI商业化的整体变化，只盯着Token，已经无法看清全局。核心问题从“Token多便宜”，变成了：整张账单是如何被构成的。

那接下来应该关注什么？比预测具体时间表更有意义的，是观察一些正在出现的信号：

第一，企业合同中，是否开始出现服务等级协议、数据驻留要求、缓存策略、责任边界等条款，而不再只谈Token单价。这意味着，买卖双方开始围绕“系统”和“责任”进行对齐，而非单一资源。

第二，市场上，是否开始出现附带评估卡的智能体服务。亦即，“结果是否可被评估”，开始成为商品定义的一部分。

第三，是否出现第三方的审计、认证和争议处理服务。这是“按结果结算”走向正式合同化之前，必须补上的最后一块基础设施。

到2027年底，如果这三条信号中有两条以上成为普遍现实，那么可以基本确认一件事：结算对象正在从Token向更高层级迁移。

Anthropic在4月7日以“邀请制”的方式发布了Mythos（预览版），而与此同时，工作层模型的价格仍在持续下降。

一边是前沿能力不断集中，一边是工作层持续商品化。

成本在下沉，价值在上移。

这两条看似相反的变化趋势，其实指向同一个方向：AI的价格体系正在走向分层，而价值也在随之重新分配。

当Token不再是唯一的计量单位，当账单被拆分成多种成本结构，企业最终为哪一层买单，就将决定价值最终沉淀在哪一层。

至于这种“成本下沉、价值上移”的结构，是如何在同一个体系中同时成立并演进的，我们将在后续的解读中再逐一展开分析。