谎言的行业，或领导者需要了解的AI真相
人工智能已成为一个充满谎言的行业，充斥着过度承诺和兑现不足。本文为人员领导者提供关于采用AI的实用建议，重点关注成本、基于消耗的定价、代币优化以及利用竞争做出明智决策。
最近，我与一位部门主管进行了一次对话，他非常渴望将AI引入团队，但他完全没有技术背景，整个部门也从事着与AI完全无关的工作。他问我，作为人员领导者，到底需要了解AI的哪些方面，以及AI用例失败的最常见原因是什么。这促使我开始思考：领导者真正需要掌握哪些实用知识？
答案不是AI如何具有变革性——他们已经在无数演示中听过这些了。事实上，AI正被强加给员工：据报道，埃森哲现在追踪高级员工每周使用人工智能的频率，并将这些采用指标与晋升机会挂钩。近年来，AI已变成一个充满谎言的行业：benchmaxxing、幻觉般的咨询报告、过度承诺而兑现不足、以及连损失函数都没听说过的AI专家——几乎没有哪个领域像AI这样充斥着谎言。
首先要明白的是：AI并不便宜。如果缺乏适当的控制，一个真正有用的AI应用最终可能比一名全职员工还昂贵。更棘手的是价格不可预测。三个月前，你可能预算大约1100欧元一个月的GitHub Copilot Enterprise，供一个30人的开发者团队使用。现在，同样的预算可能连一个重度用户都不够：自GitHub在2026年6月转向按用量计费以来，成本按处理请求的模型API费率按代币计算，随着推理模型成为默认选项，个人月度账单已达数百美元。需要预算多少很难提前计算，因为没有可靠的方法。
许多AI工具——尤其是编码助手和企业平台——已经从固定订阅转向基于消耗的定价，即按每百万代币付费。AI API也受到影响，尽管它们一直是基于消耗的。代币成本还在上升。Anthropic的Claude Fable 5配备了新的分词器，从相同的输入文本中生成大约多30%的代币，这意味着昨天花费10,000代币的相同系统提示和对话历史，今天花费13,000，而你所发送的内容没有变化。OpenAI的GPT-5.5在每条计费线上价格翻倍。每百万代币的价格最高可达50美元。而一百万能做什么？根本无法预测。
价格包含推理代币——LLM在尝试解决问题时的内部思考。一个看起来只有500个输出代币的响应，可能消耗了50,000甚至更多。每个请求的价格在一定程度上取决于程序员用词的能力，但更关键的是每次请求发送的上下文量：整个聊天历史、代理描述、工具、MCP服务器和系统提示——所有这些在每次调用时都会被计费。但最重要的因素是运气。如果LLM碰巧迅速生成正确的推理轨迹，你就省钱；如果没有，它可能无限循环试图自我纠正。模型的选择也很重要，有些模型推理时间更长。被禁用的Fable模型可以轻松从一个提示中烧掉50美元甚至更多。
没人能告诉你你的员工每月需要X代币。最好的办法是计算对你来说经济上可行的是什么：生产力与成本之间的权衡。如果你开发者的配额在三天内用完，会发生两件事：他们在月底剩下的时间里出货速度慢得多，或者他们会使用自己的私人账户。68%的员工已经使用个人AI账户处理工作任务，其中57%输入了敏感公司数据，影子AI数据泄露的平均成本为420万美元。
所以重要的步骤是：向团队透明地公开价格和配额；培训开发者减少代币消耗的最佳实践——提示优化、上下文管理和缓存本身就能削减成本；考虑替代方案，例如本地部署MiniMax模型。本地模型不会完全取代专有模型，但你可以将更简单的任务路由到它们以降低成本。
还要利用AI领域激烈的竞争。AI已成为高度竞争的空间。Anthropic、OpenAI和Google不断相互挑战。中国提供商正大幅削弱西方价格——发布功能强大的模型，可在本地、云端或通过API使用。OpenAI正在考虑大幅降价以避免将企业市场份额输给Anthropic。你应该密切关注这一切，实现提供商多样化，并重新谈判优惠。我见过许多公司只是使用开发者一两年前选择的提供商。通过切换，你可以防止影子AI，获得不间断的模型访问，并节省数千美元。例如，GLM-5.2——三天前由Z.ai发布的开源权重模型——输入代币每百万1.40美元，输出代币每百万4.40美元。它刚刚在众包HTML设计基准Design Arena上获得第一名，击败了Claude Fable 5（后者输出代币每百万50美元，目前因美国政府出口管制令而不可用）。正如《百页机器学习书》系列作者Andriy Burkov在X上所说：他使用GLM-5.2配合OpenCode代替Codex已有三天，“看不出任何区别”，并已取消Anthropic订阅。
但事情并不那么简单：强迫开发者使用太弱的模型会带来巨大的技术债务。用廉价的开源权重替代品替换强大的专有模型，产品质量的下降可能远超成本节省。请咨询内部专家，引入严格的评估流水线，并依赖经过验证的研究和可靠的基准测试。无论你是否选择AI Realist这类服务，都要清楚了解风险：表现不佳的模型、数据隐私限制、维护自有基础设施的开销、吞吐量等问题。
总之，AI采用的关键在于平衡生产力与成本，通过透明定价、员工培训、明智的供应商选择以及严格评估，企业才能真正从AI中受益。