企业用AI最大的问题不是贵，是你根本不知道钱花哪了

企业用AI最大的问题不是贵是你根本不知道钱花哪了标签成本ROI · 约3600字 · 阅读8分钟最近注意到一个现象。越来越多公司的财务部门开始收到一笔看不懂的账单。不是SaaS订阅费那种固定的、每月一目了然的费用。是一笔浮动的、忽高忽低的、没有任何明细的「API调用费」。有时候一个月几千块有时候突然蹿到几万。财务拿着账单去找ITIT说这是AI的调用费。财务问具体哪个项目用的哪个团队用的哪天用的多。IT翻了翻答不上来。这不是我编的。这个场景正在一遍一遍地发生。你想想看这事儿有多荒诞。一个公司每个月花几万块钱在一个东西上这个东西是谁在用、用在哪、产生了什么价值没有一个人能说清楚。账单上只有一个数字和一个API provider的名字。我跟你说如果你把这个场景讲给一个十年前的CFO听他会觉得这个公司疯了。哪个采购项目没有预算审批、没有成本归因、没有ROI追踪但放到AI上大家好像突然觉得这很正常了。「AI嘛是新东西先跑起来再说。」先跑起来跑着跑着账单就成了黑洞。问题出在哪其实不是AI贵。说真的现在大模型的token价格已经跌到什么程度了。DeepSeek的API一百万token输入才一块钱。Claude Sonnet也降了好几轮。比起两年前现在用AI的成本可能只有当时的十分之一甚至更低。单个调用来看便宜得像不要钱。但问题就在这。正因为单次调用太便宜了便宜到你不会去在意每一次调用花了多少。一次调用0.003元谁会在意一千次调用3元还是不在意。但当你的公司有200个人每个人每天调几十次跑着十几个不同的AI应用有些应用还在后台24小时跑着批处理任务这些0.003就堆成了一座山。温水煮青蛙。真正的问题不是成本高是成本不透明。你看得见总额看不见结构。你知道这个月花了四万七但你不知道这四万七里面有多少是市场部的文案生成有多少是开发组的代码review有多少是某个实习生上周三凌晨跑的一个忘了关的测试脚本。对忘了关的测试脚本。我自己就干过这事。前段时间跑一个AI应用的原型调的是GPT-4的API。开发完了扔在服务器上忘了关定时任务。它每天凌晨三点准时跑一轮调几十次API生成一堆没人看的结果。跑了整整两周我才发现。一算账白白烧了好几百块。几百块不多但你想想如果是一个50人的团队每个人都有可能犯这种错呢如果是一个跑在生产环境里的应用因为prompt写得不好每次调用多消耗三倍的token呢这些钱不是被谁偷走的是被「看不见」吞掉的。所以当我在AIHelm的文档里看到「token级成本归因」这个功能的时候我第一反应不是「哇好厉害」而是「终于有人想明白这件事了」。什么叫token级成本归因。就是每一笔AI调用不只是一个总数而是被拆到了颗粒度极细的维度。哪个团队调的哪个项目下的用的哪个模型输入多少token输出多少token花了多少钱什么时间调的。不是月底出一个汇总报表是每一次调用都有记录。你想想看这意味着什么。CFO拿着那笔四万七的账单终于可以问出一个能被回答的问题了。「这四万七里面有多少是生产环境的正式调用有多少是测试和开发环境的」一查便知。「市场部上个月的AI支出环比涨了40%涨在哪里了」点开就清楚。「这个项目组的单次调用成本是其他组的五倍prompt是不是该优化了」一目了然。但这里有个特别反直觉的事我得说清楚。报表本身不省钱。你可能觉得装个成本追踪的系统成本就会降下来。不是的。报表只是一堆数字。数字本身不会做任何事。真正让成本降下来的是当你把这些数字摆到人面前时人的行为发生了改变。我自己有一个很真实的体会。我之前从来不记账。每个月花了多少钱花在哪了一笔糊涂账。后来有一次开始用记账App坚持了一周。你猜怎么着第一周我的消费就降了百分之二十。不是因为App帮我省了钱是因为我第一次看到「咖啡 ¥38」这个条目出现了11次之后我自己选择了少喝几杯。看见自己的数会改变行为。这个道理放在企业AI成本上一模一样。当市场部知道他们每个月在AI文案生成上花了一万一他们自然会去想这些文案里有多少是真正有用的。当开发组知道某个项目的单次调用成本是其他项目的三倍他们自然会去优化prompt。不是你逼他们优化的是他们自己看到了自己想优化的。这就是为什么我说成本管理这件事重点不在「管」在「看得见」。不是规则改变行为是可见性改变行为。你想想看为什么路口装了摄像头之后闯红灯的就少了不是摄像头会拦住你的车。是你知道它在拍。可见性本身就是一个约束力。心理学里有个概念叫「霍桑效应」就是当人意识到自己正在被观察的时候行为会不自觉地改变。这玩意听着很学术但其实特别朴素。你盯着一个人看他坐姿都会端正一点。AI成本也是一样的。你不需要给每个团队设预算上限不需要审批每一次API调用。你只需要让每次调用都被记录、被归因、被看见。剩下的人性会替你完成大部分工作。当然我不是说AIHelm这个方案就完美了。说实话我也没用过太长时间只是跑了个测试环境看了看。而且这个赛道里不止它一家LiteLLM也有成本统计功能一些云厂商的AI平台也带了类似的东西。但我觉得方向是对的。这个方向的核心就一句话。你得先把账算清楚。我见过太多公司在AI投入上犯的一个错误就是一上来就谈ROI。「我们投了AI产出是多少」这个问题本身没毛病但你连投入都算不清楚怎么算ROI你不知道市场部花了多少不知道开发组花了多少不知道有多少钱是被浪费在没关的测试任务上的你拿什么去除所以如果让我给企业一个建议的话不是「赶紧上AI」也不是「赶紧管控AI成本」。是先把你的AI账单拆开。拆到你能看见每一笔调用来自哪个团队、哪个项目、哪个人的时候你会发现很多答案自己就浮出来了。哪些项目该砍哪些prompt该优化哪些团队需要培训哪些调用根本就不该存在。不是数字帮你做了决策。是你终于看见了该看见的东西。文里聊的这些东西AIHelm 都开源了。想把自己公司的 AI 账单拆开看看可以去仓库翻翻。官网也有功能说明懒得看代码的话直接看文档也行。GitHub 仓库 → github.com/beizhu-1209/AIHelms官网 → aihelms.cn模型定价基于公开数据功能描述基于 GitHub v0.1.19 文档