研究报告
词元经济学（Tokenomics）：CIO行动指南
从AI投入到价值产出
10 分钟速读
2026/10/23
概述
- 五分之四的AI词元支出缺乏与业务成果的可量化关联
- 80%的受访高管认为AI正在创造价值，但仅有不到20%的词元支出能与业务成果挂钩
- CIO陷入两难困境：既无法预判词元用量，也无法证明其带来了哪些业务回报。支出难以预测，价值难以验证
- CIO的全新使命：将难以预测的词元支出，转化为一项CEO可量化价值、董事会可评估成效的战略性投资
过去数年，AI从业人员一直致力于论证AI投资的合理性。如今，他们更需算清这笔经济账：词元（Token）正迅速演变为一项新的经营成本，企业迫切需要证明其所能创造的业务价值。词元经济学已日益成为董事会关注的焦点：每一次提示词调用、推理运算和智能体交互都会产生成本并迅速累积；然而，企业普遍缺乏完善的管理机制，难以清晰衡量和证明这些投入创造了哪些价值。
我们面向17个国家及地区的750位全球高管开展了调研，并对《财富》500强企业的技术和财务主管进行了15次深度访谈。研究显示，仅有不到五分之一的企业词元支出能够与可量化的财务成果挂钩，例如营收增长、成本节降，或资本效率提升。
归根结底，管理层的顾虑集中在两点：一是词元用量及相关支出难以按季度精准预测；二是AI投入难以清晰证明其所创造的业务价值。由此形成了一种两难局面：当成本缺乏可预测性，财务部门便不愿追加预算；而当价值缺乏可见性，董事会就会要求CEO厘清AI投入的风险与回报，CEO则希望CFO建立相应的管控机制，而CFO又将目光投向CIO，期待其能够让AI资源消耗更可预测、成本可控、价值可量化。
五分之四的高管表示，AI正在创造可衡量的业务价值，但仅有不到五分之一的高管能把这些价值与词元支出挂钩。多数企业难以用财务语言解释这笔支出，因此，CFO拿不到决策依据，CEO无法验证投资价值，董事会也难以评估投入产出，这条价值链条尚未真正打通。
FAQ
什么是词元经济学（Tokenomics）？
词元经济学基金会（Tokenomics Foundation）将AI词元经济学（AI Tokenomics）定义为一套研究如何将能源和资本转化为AI能力，并通过高效利用AI服务，实现可量化业务价值的管理方法。词元是AI处理信息的基本单位。每一次提问、回答、信息检索和智能体交互，都会消耗词元。本报告及其中概述的各项要务，均围绕词元的成本与价值展开。
真正的经济学问题，不是消耗了多少（词元），而是这些词元究竟创造了什么价值？
某全球科技基础设施公司，AI、网络安全和数据业务首席技术顾问（Field CTO）
78%
未来24个月词元消耗的预期增量
1/3
的企业会在年底前耗尽词元预算
仅35%
的企业能够在其规模最大的AI应用场景中，将成本与业务成果建立量化关联
真正需要警惕的是增长趋势
数据表明企业面临的两难困局已不容忽视。根据我们的调研，过去一年，受访企业在AI词元上的总支出约为25亿美元。在各类AI成本驱动因素中，词元支出目前位列第三，仅次于基础设施以及软件开发与维护成本。
增长趋势才是真正令人担忧的问题：企业未来24个月的词元消耗量预计将平均增长78%。即便单位词元价格有望下降19%，受访高管们仍预计，如果不加干预，24个月内词元总支出将攀升至36亿美元。企业间的支出规模差异显著：某全球科技企业每年支出超2000万美元；某欧洲保险公司的AI推理预算达1.5亿至2亿美元；某政府承包商则将其全球AI支出上限设定为2.5亿美元。
就当前规模来看，词元支出本身或许尚不足以引起董事会的重视，但其增势不容忽视。CIO及财务部门可能很快就会发现，词元支出正从一项运营成本，迅速演变为需要重点管控的财务风险。
美国一家大型金融机构的技术负责人在接受我们的访谈时透露，其词元支出在短短半年内增长了5~10倍。同样，一家欧洲大型银行的年度词元支出在一年内从近乎为零增长至500万欧元，仅一项工作负载的支出就曾达到每周20万欧元。
这是实打实的难题……每天、每分钟都在增长……追踪（词元用量和支出）极具挑战，尤其当AI应用分散在多个业务部门和团队。
某全球金融数据与媒体公司CTO
AI降价并不能解决这一困境。90%的受访高管表示，词元单价下调后，企业会选择拓展应用场景，而非削减总开支。当被问及若词元价格再下降25%会采取何种举措时，仅有5%的高管选择保留节省下来的资金。
企业高管对词元降价的反应
支出难以预测，价值难以验证
企业看不清哪些AI应用在消耗资源，也难以准确评估这些投入创造了哪些业务价值。换言之，企业既无法准确预测AI成本，也难以清晰证明AI创造的价值。这一问题的根源在于有六大盲区会导致AI预算失控。
任务成本难以预估
默认使用最强模型
智能体倍增效应
预算机制过时
价格体系分散
成本可见但责任缺失
CIO的五项要务
从战略层面看，企业需要从根源着手：看清每一项AI应用的资源消耗、明确责任主体，并落实财务责任。领先企业与其他企业的差距，往往体现在五项关键要务上。其中，工作负载可见性是其余四项要务的基础；成本分摊举措效果显著，但采用这一机制的企业尚不到10%。
01
在规模化扩展之前，看清每一项AI应用的成本和价值
企业应部署AI网关或监测机制，对每一次AI交互进行记录和追踪，包括工作负载名称、责任团队、所用模型、词元成本及输出结果。因为无论是成本管理还是价值衡量，都建立在一个前提之上：先看得见。
53%
词元的使用情况可追踪到具体用户或团队。
02
谁使用，谁承担成本
将词元成本分摊至实际使用团队，可先从技术开发部门以及消耗量最高的三至四个职能部门开始执行。
成本展示（showback）能够让消耗情况透明可见并提升团队的成本意识，但由于不直接绑定财务责任，仍需配套相应激励措施才能真正推动行为改变。成本分摊（chargeback）则按照实际用量向使用团队收费。调研表明，成本分摊是驱动成本优化和强化价值管理最有力的手段之一，然而目前只有一小部分企业采用了这一机制。成本分摊机制的有效发挥，仍有赖于相应治理能力的支撑。
这个机制十分直观：当团队需要为自己的词元消耗买单时，团队主管便会主动审视支出是否合理，技术人员在选用模型时也会兼顾成本因素。
仅7%
的企业采用成本分摊机制来追踪AI成本。
03
为每项任务匹配最合适的模型
企业需要识别出真正需要前沿模型能力的工作负载与业务环节，这类场景通常仅占约10%，主要涉及复杂推理、多源信息整合，以及高风险内容生成等任务；而其余大部分场景，中等或开放权重模型足以胜任。更重要的是，这套策略应作为网关规则强制执行，而非仅作为参考指南由开发人员自主选择。
90%
埃森哲对9000余项工作任务进行了分类研究，发现其中90%无需调用前沿模型，中端模型即可满足需求。
04
在工作负载上线前，明确价值论证与管理标准
在投入资金开发新的AI应用前，企业应首先厘清三件事：现有流程的财务成本和时间成本分别是多少；AI将改善哪些具体财务成果；以及如何以财务价值衡量这些成果。然后，设置明确的准入门槛。
无需设计得过于复杂，关键在于机制前置，而不是等到项目上线后再设法论证其合理性。
价值的衡量标准因职能和行业而异：客户运营领域体现在自助解决率、软件开发领域体现在开发周期时长，而后台运营领域则体现在单笔业务耗时上。价值的定义因场景而异，但管理准则始终如一。
<20%
的词元支出能够对应到可量化的财务成果。
05
提升全员AI能力
大多数情况下，模型选择不当并非使用者判断失误，而是由于缺乏明确指导。开发人员和员工倾向直接选择能力最强的模型，一方面是因为他们看不到成本差异，另一方面通常也缺少简明的标准来指导他们如何按需选择模型。
企业可以开放成本查询权限给相关人员，同时预设默认模型，让最适配的模型成为最便捷的选项，把人工判断留给真正需要专业权衡的场景。
54%
的AI请求被分配给了能力超出任务实际需求的高成本模型。
管理机制决定成败
AI时代的领导力，归根结底取决于管控能力和治理水平。真正领先的企业，会在每一个词元转化为需要解释的成本前就实施有效管理，并将其与可验证的价值成果建立明确关联。
CIO不能孤军作战，而是需要与CFO协同，将价值量化和成本问责纳入AI投资决策；与CHRO协同，将模型选择和成本意识融入员工日常工作规范；同时推动业务负责人在立项之初就为每个AI工作负载明确权责、完成价值论证，并对最终业务成果负责。
压力已经在沿着管理链条传递：从董事会到CEO，再从CEO到CFO、CIO。已提前行动建立起工作负载可见性、财务问责制与模型调用规范的CIO，将能给出清晰有力的答案，并满怀信心地推动企业基于实证而非期望，持续规模化释放AI价值。
关于本研究
本研究面向17个国家及地区、年营收超10亿美元企业的750位高管开展调研；并于2026年6—7月，对《财富》500强企业的技术和财务主管进行了15次深度访谈。