物界前沿当万亿Token成为内部研发成本，金山办公的模型策略值得每个技术管理者思考
想象一下，你管理的团队每个月要消耗掉数万亿token——写代码占大半，写文档和处理办公事务占其余。这不是某家AI创业公司的日常测试，而是金山办公内部员工在2026年的真实使用场景。章庆元在生产力大会上算的这笔账，背后是一个核心判断：他们不打算自己训练基础大模型。
这个选择看似反直觉。一家拥有数亿用户的办公软件公司，在AI浪潮中为什么不做自己的底座模型？但如果你带过技术团队，就会明白这背后是极其务实的ROI计算。
[!note] 数万亿token的月消耗量，折算成主流模型的调用成本，即便是内部折扣价也意味着每月数百万级别的研发投入。这笔钱如果用来训模型，能跑几个实验？章庆元显然算过。
不做基础模型，是战略选择而非能力不足
金山办公在AI领域的积累并不弱。WPS AI从2023年推出至今，已经覆盖了文档生成、表格分析、PPT制作等多个场景。但章庆元明确表态不做基础大模型，这个决策背后有两层逻辑。
第一层是资源约束。基础模型训练是典型的“赢家通吃”游戏，参数规模、训练数据、算力集群缺一不可。即使金山办公每年营收数十亿，跟头部模型厂商的投入相比仍然不是一个量级。与其砸钱追赶一个不确定的领先位置，不如把资源集中在更有优势的领域——理解真实办公场景中的用户需求。
第二层是战略定位。金山办公的核心竞争力是“办公”，不是“AI底座”。模型只是工具，真正能形成壁垒的是模型与办公场景的深度适配。章庆元让内部员工高频使用模型，月耗万亿token，本质上是在做“需求勘探”——哪些场景用户真正需要AI，哪些场景是伪需求，这些数据比任何模型参数都值钱。
万亿Token花在哪，决定了产品方向
内部员工月耗数万亿token，这个数字本身就是一个信号。拆解来看，写代码占大半，写文档和处理办公事务占其余。这反映出金山办公对AI能力的优先级判断：先服务好内部研发效率，再外溢到产品体验。
代码场景的消耗量最大，说明金山办公把AI定位为“生产力加速器”而非“功能噱头”。写代码、调试、代码审查，这些都是高频且能直接产生价值的工作流。相比之下，很多公司将AI资源优先用于营销文案或交互体验，反而忽略了内部研发这个最直接的效率提升点。
而从办公场景来看，文档处理、表格分析、PPT生成，这些正是WPS AI的核心能力。内部员工用token来测试这些场景，本质上是在做“大规模人肉质控”——每一轮对话、每一次生成，都在帮产品团队校准模型输出的质量。这种“以使用代测试”的方式，比任何标注团队的效率都要高。
从“拥有模型”到“理解场景”，组织能力的转变
不做基础模型，不意味着放弃AI能力。相反，金山办公需要更强的组织能力来“驾驭”模型。章庆元的选择，实际上是在推动整个公司从“模型拥有者”向“模型体验专家”转型。
这个转型对技术团队的要求很高。首先是模型选型能力：面对开源闭源、不同参数规模的模型，如何选择最适合办公场景的基座？其次是微调和适配能力：如何在有限资源下让模型理解办公文档的复杂格式和语义？最后是成本控制能力：月耗数万亿token，如果不对调用策略做精细化运营，成本会迅速失控。
我注意到金山办公在这方面的投入方向：他们更多在做模型与办公场景的“中间件”——比如文档理解、格式转换、指令优化。这些能力看似不如训练一个模型“性感”，但恰恰是真正能落地的关键。
[!info] 一个值得关注的细节：金山办公内部token消耗中，写代码占比最高。这意味着他们正在用AI加速自己的研发节奏，而不是仅仅把AI当作产品功能。这种“狗粮”策略，在AI时代尤其重要。
明确的趋势预测
未来两年，我会看到更多应用层公司放弃自训基础模型，转而成为“模型体验专家”。这个趋势已经在发生：金山办公、飞书、钉钉，甚至一些垂直SaaS公司，都在从“拥有模型”转向“使用模型”。
核心原因很简单：模型训练的门槛正在被技术基座和开源生态拉平，而真正稀缺的是“理解场景”的能力。谁能在特定的业务场景中让模型产生稳定、可靠、高性价比的输出，谁就能获得用户信任。
对于技术管理者来说，这意味着我们需要重新思考AI团队的配置。过去你可能需要一位大模型专家来带队训练，未来你需要的是“场景架构师”——他们懂模型能力边界，更懂业务痛点，能设计出最合适的模型调用策略。
金山办公的万亿Token