随着AI Agent在企业中的应用不断扩大，企业AI成本结构也在发生变化。业内分析认为，如今评估AI使用成本，不能只看模型性能，还要从“Tokenomics”视角出发，将token消耗与业务流程一并纳入核算。

所谓“Tokenomics”，是由AI处理数据的基本单位“token”与“economics”组合而成。随着Agentic AI加速普及，token消耗持续上升，并逐渐成为企业AI管理中的关键变量，这一概念也因此受到关注。

企业在使用AI服务时，无论是输入还是输出，都会产生token。以AI Agent撰写报告为例，从资料检索、内容汇总到生成文本，token会在每个环节持续累积；如果Agent还需要自行反复校验和修改，整体token消耗还会进一步增加。

在这一背景下，企业使用AI服务的成本通常与token消耗直接挂钩。随着AI Agent应用范围扩大、token计费快速增长，业内普遍认为企业有必要提前应对“Tokenomics”带来的成本管理挑战。有AI企业人士表示，AI Agent并不是“提问一次就结束”的简单聊天机器人，而是会多次调用模型完成任务，因此token消耗管理势必成为成本管理的核心环节。

尤其是在客服、企业内部知识检索等高频场景中，单次调用节省的token即便幅度有限，放到大规模、日常化的使用环境中，也可能迅速累积为明显的总成本差异。对于拥有数千名员工、且日均调用频繁的企业而言，这种差距会更加明显。

近期，多家AI公司同步推出高性能模型与轻量模型，也被视为顺应这一趋势。OpenAI、Anthropic、Google等公司建议，将高性能模型用于复杂推理类任务，而将成本效率更高的轻量模型用于简单分类、摘要生成和标准化回复等场景。

另有业内人士指出，企业在导入AI的初期通常更关注性能，但未来竞争重点将转向能否根据不同业务场景有效控制成本。企业部署AI Agent的规模越大，“Tokenomics”越有可能成为核心议题。

这一变化也正延伸至AI基础设施策略。若要降低token相关成本，企业不仅要评估数据存放在哪里，还要考虑由何种基础设施完成处理。多家科技巨头也在关注这一变化，并将其视为新的业务机会。

以计算基础设施厂商Dell Technologies为例，该公司近期在年度活动上重点提及“Tokenomics”。Dell Technologies认为，随着AI使用量提升，企业不能只停留在增加GPU或服务器上，而应围绕数据生成、存储和处理的全流程进行协同设计。

AMD也提出了覆盖CPU处理、成本效率型GPU以及高性能加速器的产品组合策略，以应对“Tokenomics”时代的需求变化。这也显示出，“Tokenomics”正从概念讨论走向行业关注的焦点。

不过，“Tokenomics”并非仅靠增加基础设施投入就能解决。企业将AI应用于哪些业务、选择何种模型，以及Agent在执行任务时需要调用模型多少次，都需要一并统筹考虑。与此同时，围绕部门级AI使用量和业务级token消耗建立内部治理机制的需求也在上升。

业内人士表示，AI Agent既是提升生产效率的工具，也可能成为重塑企业运营成本结构的关键变量。能否从“Tokenomics”视角出发，把合适的AI模型配置到合适的业务场景中，或将直接影响企业AI应用的成效。