token账单进了工资条，这笔钱该算成本还是资产

我注意到一个有意思的细节，微软员工把 AI 用量填在薪资旁边。你每月烧掉多少 token，和你赚多少钱一样，成了一个被看见的数字。报道里说，微软给员工发了内部工具，能查过去 28 天用掉的 AI 金额，全公司自愿填报的中位数是每月 300 美元，约 2000 元。单人一月烧掉 19 万这种极端案例当然刺眼，但更值得琢磨的是中位数。300 美元不算离谱，放在一个硅谷工程师的人力成本旁边，像把汽油费加进了司机工资单。它说明 AI 调用已经从尝鲜补贴变成了生产资料。

从资产配置角度看，这类账单不能简单归成软件费。软件费过去看席位，席位稳定，毛利可预测。token 费看调用量，调用量跟任务复杂度、模型能力、员工习惯、组织激励都有关。Meta 那边据说有员工搭了个 Claudeonomics 仪表盘，统计约 8.5 万名员工 Token 消耗量，30 天全公司烧掉超过 60 万亿个 Token。这个规模已经不像部门预算，更像一条新的现金流。也有说法提到内部大模型 Token 支出占到员工总薪资的 30%，我不确定这是哪家公司、哪个口径，但它至少提醒我，AI 成本正在逼近人力成本，已经不算远端。

企业开始倒查员工 AI 账单，本质是归因问题。云计算早期也走过这条路，先鼓励上云，账单爆炸，再出现云成本治理。现在轮到 token。投资判断不能只看谁用 AI 多，要看谁能把 token 消耗转成可交付、可复用、可定价的资产。Uber 在 4 月用完全年 AI 预算，后来限制员工单个 AI 工具月度 token 支出 1500 美元，这个动作很真实。企业限制这类支出，是因为很多支出无法对应到多交付了多少消费者功能。风险收益比在这里变差了，钱花出去，产出说不清，组织又很难停下来。

这几天在试 AI coding agent，时间很短，不敢说自己懂。但我有个直观感受，它最容易在陌生仓库、多文件重构、长上下文任务里放大 token 消耗。一个任务看起来只改了几行，模型为了找入口、读依赖、跑测试、解释报错，可能反复消耗大量上下文。Git 仓库、终端、Claude Code、Anthropic 这些工具我都用了一阵子，越用越觉得，AI coding 会把搜索、理解、验证都显性化，工程师的产出边界也因此被重新计价。以前这些时间沉在工资里，现在沉在 token 账单里。这会让公司重新判断，买的是产能还是焦虑。

商业模式上，模型 API 公司短期最受益。用量越大，收入越直接。英伟达、GPU、HBM、LPU、Groq 这些基础设施也受益，但路径不同。GPU 卖训练和通用推理，LPU 和 Groq 这类更强调低延迟推理，HBM/zHBM 则把内存带宽和算力耦合得更紧。昨天刚接触 zHBM，理解还很浅，但方向我认同，推理成本的关键在数据搬运、显存容量、延迟和利用率，芯片峰值算力只是其中一部分。如果企业开始倒查 token 成本，底层技术选型会被迫从谁模型强转向每美元能产出多少有效 token。这对纯烧钱堆参数的公司不友好，对系统级效率公司反而可能抬估值。

竞争壁垒也会变。过去大家爱讲模型能力、数据规模、生态入口。现在多了成本治理、路由调度、缓存、私有化部署、任务归因。谁能把一次 token 消耗记录成可审计的交付物，谁就有企业客户粘性。WorkBuddy 那类办公入口我之前觉得红海，原因也在这里，入口不稀缺，把数据留下来并证明投入产出才稀缺。反诈 AI 我也说过，它更像保险工具。AI 成本治理同样像保险。它不直接创造收入，但它防止组织在错误激励下把 token 烧成泡沫。

这次倒查更像资本开支进入第二阶段。第一阶段看信仰，第二阶段看单位经济。企业不会停，但会从人人有 AI 变成每笔 AI 有账。从资产配置角度看，我愿意保留 AI 基础设施的核心仓位，但会调结构，减少纯概念包装，增加计量、治理、低延迟推理、内存带宽、企业交付工具链这些更靠近现金流的位置。模型层要看毛利和价格战，应用层要看它能不能把 token 变成客户愿意付费的确定性结果。

token 账单进入工资条，说明 AI 正在变成组织的变动成本。能管理这笔成本的公司，才可能把成本变成壁垒。

往后看，倒查员工账单会催生 AI 成本治理这类岗位，职责横跨财务、工程、采购。300 美元的中位数已经足够说明，token 正在进入企业成本口径。