一个反常识的数字
2026 年 7 月，麦肯锡发布了一份让 CTO 们坐不住的报告：93% 的企业 AI 团队已经超预算，而单次任务 Token 消耗量是普通对话的 5 到 30 倍。
同一时期，GPT-3.5 级能力的推理成本从 20 美元/百万 Token 跌到 0.07 美元——累计降幅超过 99%。
Token 越卖越便宜，账单却越来越失控。这不是某几家公司管理不善，而是一场正在席卷整个行业的结构性错配。
Uber 的四个月
Uber 是最典型的案例。今年年初，公司给 5000 名工程师全面开放了 AI 编程工具，工程师普及率很快达到 95%。管理层还搞了个"AI 使用量排行榜"，员工为了刷榜，让 AI 重写已经写好的代码、生成毫无用处的架构图，只为排名好看。
四个月后，全年预算被打穿。人均月账单 500 到 2000 美元不等，一次两小时的演示就能烧掉 1200 美元。Uber 总裁紧急下令：每人每月 AI 工具开销上限卡死在 1500 美元。
Uber 不是孤例。花旗银行被迫封禁 Claude Opus 和 GPT-5.5 等顶级模型，因为开发人员吃掉了大部分共享 Token 池；Atlassian 的 AI 月支出从 500 万美元飙到 1500 万美元，一年翻了三倍；亚马逊单月 Token 支出高达 5 亿美元。
钱到底花在哪了
麦肯锡的 QuantumBlack 团队给出了精确拆解：60% 的 Agent 成本花在"响应精修"上——也就是 Agent 在返回最终答案前，反复检查、修改、重新生成自己输出的那个循环。
一个 Agent 执行任务，背后可能调用几十次模型：查资料、做推理、生成内容、自我修正。每一次调用都在烧 Token。多 Agent 协作更夸张，信息在多个 Agent 之间来回传递，Token 消耗呈指数级增长。
Citadel 证券的报告里有一个已经发生的案例：中小企业在业务 Agent 化之后，每个任务的 Token 消耗变成了原来的 3.5 倍——不是总用量涨 3.5 倍，是每个任务。
更扎心的是 Faros AI 对两万名开发者做的两年跟踪：Token 消耗最大的工程师，产出大约是普通工程师的两倍，但他们消耗的 Token 是普通工程师的 10 倍。
"裁人换 AI"的账，半年后才开始算
Token 账单只是硬币的一面。另一面是"裁人换 AI"的连锁反应。
一项对 300 多家企业 HR 的访谈显示，有 36% 的公司在裁掉员工后，不得不把其中一半人重新招回来，原因是"AI 还不够稳定，很多活还是得人来干"。
技术债的数据更直白。研究显示，AI 生成的代码引入的 Bug 是人类手写代码的 1.7 倍，安全问题在代码库中的存活率高达 41%。到第二年，缺乏管理的 AI 辅助开发会将维护成本推高到正常水平的 4 倍。
行业已经出现了"回旋镖式招聘"（boomerang hiring）——2026 年初，35% 的新技术岗录用者是前员工被请回来的。
原因很简单：编码从来不是最难的部分。AI 让"写代码"变便宜了，但让"判断该写什么、为什么这么写、出了问题怎么救"变得更重要了。而这些恰恰是高级工程师的工作。
基准测试不是真实工作
还有一个被广泛误读的数字。顶级编程 Agent 在 SWE-bench Verified 上的得分已经达到约 80%。听起来像是"5 个工单能独立解决 4 个"。
但真相是：
| 测试场景 | 测量内容 | 顶级 Agent 得分 |
|---------|---------|----------------|
| SWE-bench Verified | 单仓库、有测试的限定 Bug 修复 | ~80% |
| 真实 PR 合并率 | 人类审查者实际合并的变更 | 35-50% |
| 工业级移动端任务 | 生产代码库、真实功能开关 | 12% |
最后那行才是值得停下来想的。在工业级移动端任务基准上，最好的 Agent 配置只完成了 12% 的任务。失败原因中 54% 是因为 Agent 不理解"功能开关"（feature flag）——一个基本的生产行为，在干净的基准测试里根本不会出现。
Agent 在干净、明确、单文件的问题上很强，一旦任务需要跨文件推理、团队隐性知识或"我们这里就是这么做的"这类上下文，能力就断崖式下跌。
给团队的 4 条实操建议
1. 别让旗舰模型干杂活
麦肯锡报告指出，昂贵的前沿模型经常被部署在廉价小模型就能搞定的常规任务上。分层用模型：简单任务（格式化、文档、单元测试）用中端，复杂任务（架构设计、跨模块重构）才上旗舰。 这一招能砍掉 30-50% 的 Token 支出。
2. 给 Agent 设"预算墙"而非"权限墙"
每个 Agent 任务设置 Token 预算上限，超了就暂停并交回人工。别让 Agent 无限循环——60% 的钱花在"响应精修"上，而大多数精修循环并不产生增量价值。初始预算设为单任务预估的 3 倍，观察一周后收紧。
3. 撤掉"AI 使用排行榜"
Uber、亚马逊都在撤掉内部 AI 使用量排行榜后迅速见效。排行榜激励的是"消耗"而非"产出"。改用"交付价值/Token 消耗"的效率指标，而非原始使用量。
4. 保留"结构守门人"
无论 Agent 多强，至少保留一名能看懂整体架构的工程师做合并审查。这个人不看代码细节，只看三样东西：命名一致性、模块边界、循环依赖。 这个 30 秒的检查能挡掉大部分 AI 生成代码引入的结构性问题。
写在最后
Token 降价 99% 和账单翻 3 倍同时成立，因为模型变便宜后，用量暴涨的速度远超单价下降的速度——经典的杰文斯悖论。
但更深层的账其实是这样算的：AI 省下了编码的 keystroke，却让你更需要判断力、架构经验和善后能力。裁掉这些人省下的钱，半年后以 Token 账单、技术债和回旋镖式招聘的形式连本带利地回来了。
在你决定"裁掉最后一个工程师"之前，先算清这笔账。