2026-10-16 02:34:03 网络安全文章来源：ZONE.CI 全球网 0 阅读模式

Tokenmaxxing之后：企业AI的下半场是治理

信安世纪

2026年10月9日 17:27
北京

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

摘要

AI 用得越来越多，账却未必算得越来越清楚。从硅谷的 Tokenmaxxing 竞赛，到企业开始追问投入产出：怎样让员工放开用 AI，又让成本、权限和数据风险保持可控？

一场把 Token 消耗当成绩的竞赛

2026年春天，Meta 内部一个员工自建的排行榜进入公众视野。

它不按项目成果排名，而是比较员工消耗了多少 AI Token。榜单名叫“Claudeonomics”，高用量者还能获得“Token Legend”等称号。

据《The Information》报道，榜单显示，全公司一个30天周期内的用量超过 60万亿 Token。这个榜单随后被下线。

Token 是大模型处理信息的基本计量单位，也是许多模型 API 的计费依据。鼓励尽可能多地消耗 Token、以此推动 AI 使用，这种做法有个名字：Tokenmaxxing。

它背后的期待不难理解：员工用 AI 越多，就越可能找到新的工作方法，创造更多价值。

鼓励探索本身没有问题。但当消耗量变成成绩，问题也就来了：

多出来的 Token，究竟是在解决更难的问题，还是在重复尝试、无效生成，甚至只是为了让数字更好看？

用量可以证明 AI 被使用了，却不能单独证明 AI 创造了价值。

账单来了，企业开始追问“值不值”

2026年4月，Uber 的首席技术官向《The Information》表示，公司已经用完原定的全年 AI 预算。

比预算提前花完更值得关注的，是企业能否解释这些支出。

毕马威在2026年第二季度开展的一项调查显示，只有 26% 的受访者表示，所在组织能够全面、实时地掌握 AI 运行成本。调查覆盖204位美国企业高管和业务负责人，其所在企业年营收均不低于10亿美元。

连大型企业，都还在补这门课。

企业需要的，也不只是一个总金额，而是几个更具体的答案：

哪个部门在用？哪个项目花得最多？费用上涨来自业务增长，还是重复调用和无效重试？

进一步，还要回答：交付有没有更快，返工有没有减少，客户问题有没有更好地解决？

把几家供应商的账单加在一起，回答不了这些问题。企业需要先看清调用与消耗的归属，再结合任务产出、人工耗时和质量，判断投入是否值得。

账单告诉你花了多少钱，治理要帮助你判断，这笔钱是否值得继续花。

预算告急之后，Uber 换了一种打法

Uber 的故事，并没有停在“全年预算提前用完”。

在2026年8月27日发布的工程博客中，Uber 披露：从2月到8月，每周 AI Agent 请求量增长到原来的约 9.4倍，而公司整体 AI 支出从4月起已相对稳定。在固定模型的观测口径下，每千次模型请求成本较峰值下降近 34%。

背后是一组持续优化：按实际任务评测和选择模型，优化缓存与上下文，让使用者看见实时成本，并建立分层的使用管理机制。

这些结果不能直接套用到每一家企业，但至少说明了一件事：

AI 使用规模扩大，不必伴随成本同比例失控。

这给企业留下的启发，比“多用”或“少用”更具体。

简单任务是否需要默认使用高成本模型？反复重试是在处理复杂问题，还是配置出了问题？必要的上下文被压缩后，会不会增加重试和人工返工？

这些判断，需要业务、技术和财务围绕同一组使用事实讨论。

把消耗量当作成本信号，把业务结果当作价值依据。 企业才有机会找到值得继续投入的场景，也找出应该调整的使用方式。

没有 Token 竞赛，也可能有一本糊涂账

IDC 中国在2026年3月发布的文章指出，其追踪的中国企业级 Token 年度总消耗量，在此前一年增长近 20倍；超过60%的中国头部企业已开始将生成式 AI 纳入研发、客服、营销自动化等核心业务流程。

用量增长很快，管理问题却可能从很小的地方开始。

研发团队接入一家模型服务，客服团队采购另一套资源，业务部门又搭起几个 Agent。每一次采购都有理由，每个团队都觉得花得不多。

但账号、密钥、采购和调用记录散在不同地方，公司就可能出现另一种失控：没有人刻意追求“多烧 Token”，也没有人掌握完整的账。

财务看得见付款，未必看得见用途；技术团队看得见调用，未必知道业务收益；业务负责人感受到效率变化，却未必能把变化与成本对应起来。

没有 Token 消耗排行榜，不代表已经有了一本清楚的 AI 账。

中国企业不必先经历一场 Token 竞赛，再等账单倒逼管理。更实际的选择是：在扩大 AI 使用的同时，把归属、预算和安全边界一起建立起来。

放开用 AI，先把四件事管起来

治理不一定要从一个庞大的项目开始。下一项 AI 应用、下一个 Agent，就是建立规则的机会。

一、入口先统一，账号不必共用

将可接入的模型 API 调用逐步纳入统一管理，为成员和应用分配独立凭证，明确哪些模型可以使用、由谁管理。

统一的是规则，每个使用者仍然要有清楚的身份、权限和归属。

二、费用要有归属，价值要看结果

先看清部门、项目、成员和应用的消耗，再结合业务场景分析变化，设置相应的预算、配额和审批规则。

归因只是起点。判断投入产出，还需要结合任务完成、交付周期、质量和返工，避免换一张更精细的 Token 排行榜。

三、模型按任务选，别把最贵当默认

在业务评测确认效果可接受的前提下，配置适合不同任务的候选模型，并结合成本、时延和稳定性持续调整。

选择模型有依据，切换与回退有规则，应用才能跟上模型和业务需求的变化。

四、数据能不能发，记录该留多久

明确哪些数据可以发送、哪些需要脱敏、哪些不得外发；同时确定调用记录的留存范围、访问权限和保存期限。

审计需要保留必要的追溯依据，也需要控制正文内容的暴露与留存。

这四件事彼此关联。一次模型调用，既涉及资源选择，也涉及费用归属、访问权限和数据处理。把这些工作连接起来，治理才能进入日常使用。

LYRouter：从看清一笔账，到管理一次调用

领元智联 LYRouter 是企业级 AI Token 治理与可信模型服务接入平台。

它把模型服务与使用管理放在一起：企业可以选择平台提供的模型服务，也可以接入已有资源，将上述四项治理动作落到实际调用中。

一、模型入口越来越多，怎样放到一起管？

LYRouter 的平台模型通过企业 API 接入上游模型服务商或模型推理服务商。企业已经采购的模型资源，也可以通过 BYOK，即自带模型服务 API Key 的方式纳入管理，无须为了统一管理而重新采购全部资源。

对于支持相应 API 接入的应用和工具，企业可以按工作空间、部门和成员配置使用范围，分配独立凭证。

选择服务时，上游服务商和模型名称清楚可查；团队协作时，共享模型能力，不共享上游密钥。

二、费用突然上升，能不能找到具体原因？

LYRouter 支持按工作空间、部门、成员、API Key、模型等维度查看归属与消耗，并结合调用意图，辅助理解这些消耗主要用于哪些场景。

从整体费用变化，可以进一步下钻到相关请求，查看逐次用量、费用和调用情况。平台模型调用费用与 BYOK 上游费用按各自口径展示，预算和配额也可以设置到相应的使用范围。

负责人能够沿着记录排查哪些调用需要关注，为后续调整找到依据。

三、任务各不相同，怎样把模型用在合适的地方？

同一套应用，可能连续处理性质不同的任务。每次都让用户判断该用哪个模型，或让开发者逐项维护选模逻辑，都会增加使用和维护的负担。

LYRouter 的 Auto 路由，把意图分析用在模型选择上。 应用通过统一的 Auto 入口发起请求，平台分析请求的任务意图，例如代码辅助、内容创作或数据分析，再结合企业配置的候选模型范围与成本、质量偏好，选择调用模型。

企业可以先通过业务评测确定候选模型和选择偏好，再由 Auto 在这些规则内执行选模。不同任务通过同一入口发起，团队减少手动切换模型的工作，企业则保留对模型使用范围和策略的控制。

调用完成后，还可以查看实际命中的模型、服务来源、响应表现和费用，为调整候选模型与路由策略提供依据；发生调用失败时，可按配置执行回退。

让员工专注任务，让模型选择在企业设定的范围内自动完成。

四、业务数据进入 AI，怎样守住边界？

LYRouter 支持敏感信息、提示词注入等风险检测，并根据配置执行告警、脱敏或阻断。安全事件可以关联调用与处置记录，为问题排查和内部审计提供依据。常规请求与响应正文日志默认关闭；需要内容日志时，可以按需开启，并配置访问范围和留存规则。

LYRouter 平台模型服务采用企业 API 接入上游模型服务商，通常该类API不会将用户数据用于模型优化训练。对于存在数据训练可能的服务商，LYRouter也会明确标注。企业在选择模型时，可以据此了解相应的数据使用边界，并结合自身的数据管理要求选择适合的服务。让企业既能追溯必要的调用过程，也能控制不必要的数据暴露与留存。