返回洞察
企业转型

100 万美元 Token 不限量实验：真正限制 AI 的，是组织

一个20多人的硅谷团队拿到100万美元预算，尝试彻底放开Token：结果不是生产力无限增长，而是人更累、Review堆积、Context失控。真正暴露出来的，是旧组织已经承接不了AI的新生产力。企业AI转型的下一站，不是更多Token，而是组织重构。

最近看到一个很有意思的实验。

一位自称在硅谷AI训练、推理大厂工作的从业者，带着一个20多人的团队，向公司申请了100万美元预算，然后做了一次相当激进的尝试：

Token不限量。

不用考虑API账单，不用为了节省成本刻意选择便宜模型，也不用纠结一个任务到底值不值得调用顶级模型。只要能提高效率，就尽管用。

从某种意义上说，这不是一次普通的AI使用实验，而是把未来提前做了一次压力测试。

因为如果我们相信模型还会继续变强、Token还会继续变便宜，那么绝大多数企业迟早都会进入这样一种状态：AI的供给不再稀缺。

到了那个时候，生产力是不是就可以无限增长？

这场实验给出的答案是：不能。

更重要的是，当Token这个最显眼的限制被人为拿掉以后，真正限制AI生产力的东西，反而第一次清晰地暴露了出来。

单日峰值消耗 $7,000 · 日消耗中位数 $2,000 · 人均并行Session 5 个 · 团队会议环比降幅 -80%

Token不限量之后，人先成为了瓶颈

先看数据。

团队里Token消耗最高的成员，单日费用达到约7000美元；成员日消耗中位数大约2000美元。既然没有预算压力，大家自然倾向于大量使用能力更强的模型。

但负责人后来逐一和团队成员做1对1时，得到的共同反馈却很反直觉：

大家比以前更累了。

原因很简单。过去知识工作基本是串行的。一个人想问题、查资料、写东西、修改、提交，即便工作很多，本质上仍然是一件一件往前推进。

Agent改变了这个模式。团队成员通常会同时打开大约5个Session：一个写代码，一个查资料，一个做分析，一个修改内容，一个尝试另一套方案。

从产能角度看，一个人突然拥有了五个同时工作的“数字员工”。

但接下来，五个Agent会不断把结果交回来。人需要阅读、判断、Review、补充Context、纠正错误、决定下一步，再不停切换到另外几个Session。

认知切换陷阱 AI可以并行处理五套Context，人脑不行。过去的问题是AI或人“做得不够快”；现在的问题变成了AI做得太快，人已经来不及理解、判断和管理。

也就是说，AI大幅提高了Execution Capacity（执行能力），但没有同步提高Supervision Capacity（监督能力）。

这其实是整场实验最关键的第一个发现：当AI的执行能力超过人的管理带宽以后，继续增加Agent和Token，并不会线性增加组织产出，甚至可能适得其反。

更多Token会产生更多结果，更多结果意味着更多Review，更多Review又意味着更多Context Switching。最后AI生产出来的不是生产力，而是一堆等待人类处理的“数字库存”。

人脑串行带宽 vs 5个Agent并行执行：Context切换与数字库存过载

便宜模型未必便宜，因为真正稀缺的开始变成人

实验里还有第二个很有意思的现象。

团队当然也会做模型路由。简单问答、前期研究、信息整理，会倾向于交给更便宜、更快的模型。按照传统IT成本逻辑，这完全合理。

但实际使用下来，他们发现：便宜模型未必真的便宜。

一个能力强的模型可能一次完成任务，而便宜模型可能需要不断补Prompt、补Context、纠偏、重新生成。单次调用虽然便宜，但整体调用次数更多。更重要的是，每多一轮交互，就多消耗一轮人的注意力。

成本结构重构 企业未来真正应该优化的，不应该只是Cost per Token，而应该是Cost per Accepted Outcome——为了得到一个真正可用的结果，究竟消耗了多少总成本。包括模型费用、人的Review时间、返工次数、Context Switching，以及错误导致的隐性成本。

这个变化其实非常重要。因为Token价格会继续下降，但优秀知识工作者的时间不会以同样速度下降。未来企业AI的成本结构会逐渐发生反转：模型可能越来越便宜，而人的注意力越来越贵。

如果一家公司的AI架构仍然需要员工不停地盯着Agent、补Prompt、验收结果，那么它即使拥有最便宜的Token，也很难获得真正可扩展的生产力。

模型路由误区对比：一次通过的高质量交付 vs 便宜模型反复纠偏的人力总成本

会议少了80%，却说明组织正在丢失Context

这场实验里还有一个非常漂亮、也最容易被误读的数据：团队会议数量环比减少了接近80%。如果这是一个普通的AI转型汇报，这几乎可以直接作为“效率提升”的成功案例。但真实情况并没有那么简单。

随着越来越多的研究、分析和推理过程被交给AI，一些团队成员开始出现一个问题：事情完成了，但人自己对事情的理解变浅了。

过去，一个人亲自完成一个分析，他不仅拥有最后的答案，也拥有答案背后的推理过程。现在很多中间过程发生在Agent里。于是会上别人追问“为什么这么做”“这个数字为什么这样”“为什么选A而不是B”时，负责的人可能无法实时回答，需要回去重新问AI，再异步回复。

进一步发展，就会出现一种非常荒诞的协作模式：A收到问题，交给自己的AI；A把答案发给B；B又把答案交给自己的AI。最后两个AI围绕不同的Context来回推演，而两个人类反而都没有完整掌握这件事情。

企业的Context到底在哪里？如果企业没有一套新的Context Infrastructure，那么AI使用越深入，组织知识反而越碎片化。三个看似不同的现象——人更累、便宜模型不便宜、会议减少却理解变浅——都指向了同一个问题：机器的生产能力已经开始超过旧组织的承载能力。

企业Context丢失与协作断层：思考过程外包导致人与人之间的认知鸿沟

真正的问题，是瓶颈在不断上移

把这三个现象放在一起看，会发现一条非常重要的规律。AI并没有消灭企业里的瓶颈，它只是不断把瓶颈往上推。

AI生产力瓶颈演进链条 Execution 执行 → Review 监督/审查 → Decision 决策选择 → Goal & Accountability 目标与责任

最开始，瓶颈是执行：写代码慢、查资料慢、分析慢、做PPT慢。AI把执行效率提高以后，瓶颈开始移动到Review：AI生成太快，人看不过来。

当Review逐渐被自动化以后，瓶颈又会继续向上移动到Decision：这么多方案，到底选哪个？再往上，最终会来到最难被自动化的部分：我们到底应该做什么？为什么做？接受什么风险？谁为结果负责？

AI每解决一层，瓶颈就向上一层移动。这也是为什么，单纯给旧组织不断增加Token，最终一定会遇到明显的边际效益递减。流水线里把其中一道工序提速十倍，不代表整条流水线产能提高十倍。如果下一道工序不变，结果只会是大量半成品堆积。代码写得更快，Review堵住；分析做得更快，决策堵住；Agent越来越多，人的注意力堵住。

100万美元Token不限量实验最大的价值，并不是证明“Token太贵”，恰恰相反，它证明的是：当Token不再稀缺以后，组织本身才是最大的约束。

AI-Native不是“给旧组织装AI”

这也是今天很多企业AI转型最容易误判的地方。现在大量所谓AI转型，本质上还是岗位不变、流程不变、审批不变、职责不变、组织结构不变，然后给每个人增加一个AI：产品经理+Copilot、程序员+Coding Agent、分析师+Deep Research、管理者+AI Meeting Notes。

这种模式当然有效，而且一定应该做。但它本质上只是Human Organization + AI Tools，AI仍然依附于人。

旧组织+AI工具 vs AI-Native组织四大重构支柱全景对比

旧模式 · Human Organization + AI Tools 岗位不变、流程不变、审批不变。一个岗位依然由一个人负责，只不过拥有了更强的单点工具。最终导致多Agent产生的大量结果全堵在单点人工审批处。

新范式 · AI-Native Organization 开始围绕“AI可以成为默认执行主体”重新设计工作。企业真正要重构的只有四件事，恰好对应前面暴露出来的四类瓶颈。

从“人执行、AI辅助”，变成“AI执行、人处理例外”

今天大多数AI Workflow的基本模式仍然是：AI先做一遍，人再完整检查一遍。这种模式长期看无法扩展。如果AI的生产速度是人的十倍，而每一个输出仍然要求人从头到尾Review，那么AI越强，人越忙。

真正可扩展的方式应该变成：AI执行 → 系统自动验证 → 正常情况自动通过 → 异常和高风险情况升级给人。也就是说，人不再负责检查AI的全部劳动，而只处理例外。

这意味着企业真正应该投资的，不只是模型，还包括Eval、自动测试、规则引擎、风险分级、监控和异常处理。关键指标也不应该只是“AI使用率”，而应该逐渐关注：一个任务有多少比例可以在没有人工介入的情况下完整闭环。

从“个人Context”，变成“组织Context”

AI真正进入业务以后，决定效果的往往不是模型知不知道世界知识，而是它知不知道：这家公司是怎么工作的。产品规则是什么，客户规则是什么，历史上为什么这么决策，数据口径是什么，谁拥有什么权限，哪些事情绝对不能做。

这些东西不能继续散落在人的脑子、微信群和某个Agent Session里。企业需要逐渐形成一层真正的Organizational Context Layer：机器可读、持续更新、有版本、有权限、有来源、有责任人。这样Agent才不是每次从零开始理解公司，Context才能够真正成为组织资产。

从“人工Review”，变成“风险分级的监督系统”

今天很多组织只有两种选择：AI可以做，或者AI不可以做。这太粗糙了。真正成熟的AI-Native组织应该把任务按照风险拆开：低风险、高可验证的任务，直接由AI完成；中风险任务，通过自动Eval和规则检查之后执行；高风险、不可逆或者涉及重大判断的任务，再交给人。

也就是说，Human-in-the-loop不应该是所有流程的默认状态。Human-on-the-loop，甚至Human-by-exception，才更有扩展性。否则“人在回路里”最终很容易演化成：所有Agent都在等一个人审批。那不是AI-Native，那只是把人的瓶颈数字化了。

从“管理人”，变成“管理人和Agent组成的生产系统”

最后一个变化是管理方式本身。过去经理管理的主要对象是人；未来经理管理的，很可能是一套Human + Agent的混合生产系统。

管理者需要关心的问题会发生变化：哪些任务应该交给AI？Agent可以拥有多大权限？什么情况下必须升级？AI的质量如何衡量？一项工作到底消耗了多少人类时间？哪些环节仍然需要人，而这些人为什么必须存在？

这实际上意味着，企业未来真正需要重新设计的，不只是Job Description，而是整个Operating Model。工作不再天然属于某个岗位，它应该先被拆成Task和Decision，再决定哪些由AI执行，哪些由系统验证，哪些由人判断，谁承担最终责任。

那么，一家公司今天应该怎么开始？

如果把上面的内容落到实际行动，企业没有必要一上来就讨论宏大的“AI组织架构”。更实际的方式，是先选一条高频、端到端、结果可衡量的Workflow做实验。比如一个营销活动配置流程、一条研发交付流程、一个客服处理流程、一套分析报告生产流程。

然后不要再问：“这个环节可以加什么AI？”而应该重新问：如果今天重新设计这条流程，并且默认AI已经具备很强的执行能力，这条流程还应该长成现在这样吗？

重点审视四个核心问题

然后换一套指标衡量。不要只看用了多少Token、多少员工用了AI、节省了多少写作时间。更应该看：端到端Cycle Time有没有下降，Cost per Accepted Outcome有没有下降，人工介入次数有没有减少，返工率有没有下降，以及一项任务能够Autonomous Completion的比例到底有多高。这些指标，才真正反映组织有没有获得AI生产力。

真正决定AI转型成败的，是组织能不能跟着变

回头再看这场100万美元实验。它最有价值的地方，不是告诉我们Token很贵，也不是告诉我们不要让员工无限使用AI。

Token还会继续便宜，模型还会继续变强，Agent还会越来越多。真正重要的是：当机器端的生产力持续扩张时，公司另一侧有没有同步发生变化。

如果没有，那么更多Token只会制造更多输出，更多Agent只会制造更多待Review的数字库存。如果有，那么AI才有可能真正突破“个人生产力工具”的上限，开始改变整个组织的产出方式。

企业AI转型真正应该重构的四件事

这四件事情如果不改变，无论买多少模型、给多少Token，都只是在旧组织上不断叠加AI。而真正的AI-Native，不是旧组织跑得更快，是重新设计一家公司应该怎么工作。

终局洞察 当Token不再是限制，模型不再是限制，最后真正限制AI的，就是组织本身。