Uber只用了四个月的时间，就烧光了其全年的AI预算，而这一切仅仅源于对Claude Code的使用。工程师们狂刷Token，沉迷于该平台，却几乎没有任何将成本与产出挂钩的控制机制，结果导致预算失控，成为缺乏监管如何演变成AI财务危机的典型案例。
这种现象我称之为“影子Token”——由公司买单但决策者几乎看不到的AI额度。太多工程师对消耗多少Token以及由此产生的成本拥有最终决定权，这种“自助餐”式的随意态度，正是据报道微软在关键工程团队中缩减许多内部许可证的原因之一，也是五分之一的企业AI支出超出预算预测50%以上的原因。
而这一趋势还在加速，据Gartner预测，到2028年，由这种无节制消耗驱动的AI代码编写成本，将达到公司支付给每位开发人员薪水相当的水平。
大语言模型和AI智能体引入了一类全新的可变成本，它随使用行为而非员工人数增加而扩展，使企业陷入了随工作量飙升而成本暴涨的工具泥潭。我认为企业过度消费并不是因为他们轻率——归根结底是因为缺乏管理监督、缺乏要求明确投资回报率的预算匹配，以及缺乏对工程师进行“多少算过头”的成本教育。
展望未来，CIO需要在鼓励透明度与合理支出的治理方式之间取得平衡，既要防范风险，又不能扼杀创新。
当“影子Token”变成实打实的真金白银
问题在于，AI并非传统的预算项目。过去，企业领导者在引入SaaS时对总成本有清晰的概念，分配的软件席位或年度合同都是已知量。云服务虽然增加了一些变量(根据托管规模有所波动)，但实例仍然是可以建立模型的，而AI颠覆了这一现状——其消耗单位是行为，成本呈现指数级增长。
这些细节在试点阶段往往并不明显，工具在受控实验中看起来很便宜，但会根据会话时长、上下文窗口大小、模型选择以及智能体是否并行运行而发生不可预测的扩展，这就是每席位20美元的企业套餐的误区——Token是按API费率另行计费且没有上限的。任何会话的最终金额都由财务部门无法总是提前建模的因素决定，特别是当这些决定通常由工程师自己做出的情况下。
根据德勤的数据，部署智能体的企业中，只有21%拥有成熟的治理模型，这令人堪忧，因为它们是名副其实的“Token吞噬机”，这正是Uber当时发生的情况——运行在智能体模式下的Claude Code自动读取代码库、规划跨几十个文件的修改并提交Pull Request。每一步都在快速累积消耗，Anthropic自身的文档也指出，智能体消耗的Token大约是标准会话的七倍。
这是“影子IT”和“影子AI”的演进版，然而这一次，许多管理者在批准相关工具时，并未设立管控消耗的防线。AI的热炒更是推波助澜，让长时间的会话变得习以为常。例如，Uber的CTO曾描述了全公司向“智能体软件工程”的转变，员工们“在安静地实验、安静地发布、安静地推动项目进展”，这固然是测试技术极限的一种令人兴奋的方式，但这种态度也在很大程度上解释了为什么该公司在四月份就用光了全年的AI预算。
将文化从“重视用量”转向“重视产出”
在这件事上，工程师并没有做错什么。事实上，他们正按照指示进行采用和实验，Uber甚至建立了排行榜，根据Token消耗量给用户排名。用得越多排名越高，这反映了一种赞美新做法的文化，这种行为被称为“刷Token”，其主要的副作用就是“影子Token”——重数量轻质量的过程，领导者很难对其进行控制，直到它们完全体现在预算中。当然，如果管理层将采用率指标视为绩效指标，那就不能怪工程师消耗更多Token。矛盾之处在于，推动AI采用的团队并不是管理支出的团队。
这一切并不是要否定AI的生产力潜力及可能的投资回报率，通过自动化，开发人员每周可节省3.6小时，Pull Request吞吐量提升60%，入职培训时间缩短一半，同时，Uber透露，大约11%的在线后端更新是由智能体独立完成的，没有任何人类参与，然而，这些成果并不是问题所在——问题在于太多的团队没有将投入与产出联系起来。我曾与一些管理员聊过，他们发现团队在改用更重型的模型或无意中重复使用智能体应用后，单季度的Token支出翻了三倍。在财务损失造成之前，根本无人知晓。
自动化需要以可持续的方式进行，同时紧盯利润底线。在我看来，实现这一目标的好指标是“AI产出率”——即在Token上每花费一美元所产生的可衡量的业务或工程产出，否则，没有反馈闭环，即使是真正高效的团队也在盲目飞行。
在AI预算失控前遏制Token浪费
将AI投资与Token消耗建立直接联系，需要从现有的财务指标入手，这可以通过为每个团队或项目设定最大支出限制(由支出标签、工作负载分级和单次产出成本基准决定)来实现。如此一来，任何额外的额度分配都需要经过审批，从而在消耗Token的工程师和为此买单的管理者之间建立闭环。AI并不便宜，团队应该证明这笔钱花得物有所值。
我们在Hexnode的工程团队内部正是这么做的，我们对Claude Code和Cursor的资源分配与ROI直接挂钩，而不是让消耗无休止地进行。鉴于这些工具按需付费的特性，给每个团队设立明确的使用上限提供了一种简单但至关重要的控制手段。
同样，也有空间应用IT部门用于设备管理的一些治理原则。诸如策略实施、基于角色的访问控制、实时监控和自动警报等措施，可以提前对使用行为发出预警。在Token层面上挖掘这些洞察，有助于识别重度使用者并防止过度支出。
我们还需要鼓励赞赏“切实实现效率提升的产出”的文化，如果AI应用能够带来更快的交付、减少返工并缩短评审周期，这些成果才值得庆祝。如果你的公司设有排行榜，请将无谓的Token浪费定义为“浪费”而非“价值”。那些培养了更健康消耗习惯的组织，会与工程师一起去理解的不单是如何使用AI，还包括什么是负责任的使用及其背后的成本。
这是各个团队现在就需要展开的对话，Anthropic刚刚从6月15日起结束了针对程序化工作负载的固定费率定价，现在，智能体、持续集成管道和自动化工作流将消耗独立的每月额度池，与订阅费用分开计费。一旦额度池耗尽，智能体任务要么彻底停止，要么溢出到额外计费中。对于没有做好准备的团队来说，工作要么变得极其昂贵，要么陷入停滞。
掌握“影子Token”的主动权，意味着需要更好的规则和工具将支出与产出挂钩。管理者只有建立起鼓励可持续采用的财务和文化基础设施，才能看清自己的每一笔支出，将其与实际收益联系起来，并在成本演变为危机前纠正方向。归根结底，“影子Token”只有在我们选择视而不见时才是隐形的。
