客户支持软件公司Pylon的首席执行官Marty Kausas近期揭示了一个许多企业可能即将面临的AI预算难题。他指出，Pylon的年度Anthropic账单预计将在公司超过150个席位后从约40万美元激增至140万美元。这一增长并非源于使用量的突然飙升，而是由于定价结构的调整：超过150个席位后，Pylon将从包含使用量的套餐转为按标准API费率单独计费的token企业方案。

Kausas直言不讳地表示：在多年鼓励员工积极拥抱AI工具之后，Pylon已开始设定支出上限，并要求额外使用需经审批。

Pylon的处境反映了一场更广泛的转型。许多公司最初是在极为优惠的条件下引入AI的——打包使用量、入门定价、丰厚的折扣以及相对有限的部署范围。随着这些优惠安排陆续到期，试点项目逐步转为生产系统，企业AI的真实成本正逐渐浮出水面。

与此同时，底层技术本身也在变得更便宜。推理成本已大幅下降，模型提供商之间的竞争依然激烈，组织如今有更多选择将任务路由到更小、更高效的模型上。包括OpenAI、Anthropic和Google在内的主要提供商在过去两年中多次下调旗舰模型的API价格，而Meta等公司推出的开源替代方案则进一步加剧了价格下行压力。

由此产生的悖论是：孤立来看，AI的使用成本可能更低，但在整个组织范围内运营AI的总支出却可能大幅增加。随着模型能力的提升，企业交给AI的任务越来越多，将AI推广给更多员工，并将其嵌入更多产品中。由此带来的使用量和复杂度的增长，很容易超过单位价格下降所节省的费用。

这一现象并非AI独有。计算成本下降了，组织消耗的计算资源却大幅增长。存储价格下降了，企业留存的数据量却远超以往。带宽成本下降了，视频流量却主导了互联网。效率的提升往往会扩大市场规模——经济学家早在十九世纪就观察到了这一规律：当时更高效的燃煤引擎反而增加了整体的煤炭消耗量，而非减少。AI很可能遵循同样的轨迹——但有一个关键区别：其大部分消耗将难以被管理层直接观测到。

传统企业软件的定价通常围绕一个可见的单位展开：一个席位、一笔交易或一个客户账户。而智能体AI系统则可以自主且不均衡地产生成本。持有相同许可证的两名员工可能消耗截然不同的计算资源。一个系统在变得更强大的同时，可能需要更长的上下文、更多的推理步骤以及更频繁的外部工具调用。与SaaS订阅中成本随人数线性增长不同，基于token的定价引入了大多数企业预算流程未曾设计应对的变数。

这带来了一个全新的管理挑战。企业不能再将购买AI的使用权等同于控制AI的成本。

在企业AI采用的初期阶段，这一问题很容易被忽视。大多数组织只是在开展实验并分发有限数量的许可证。这些举措揭示了员工是否愿意使用AI工具，但并未回答如今最为关键的问题：这种使用是否创造了足够的经济价值。

随着AI预算从实验性支出转变为实质性投入，企业必须用单位经济效益取代采用率指标。对于客户支持系统，相关衡量标准可能包括每个成功解决案例的成本、解决时间和升级率。对于AI驱动的翻译公司Smartling，有意义的指标可能包括以约定质量水平生产内容的成本、进入新市场所需的时间，或企业在每种语言上能够经济高效地提供的内容量。

这些指标本质上比简单的使用率数据更难计算。它们要求企业在部署技术之前就明确期望的成果，建立基线，并同时考量技术成本和围绕技术保留的人工成本。

在过去几年中围绕AI构建Smartling的过程表明，核心挑战从来不是将AI引入组织或说服人们使用它。真正的挑战在于识别AI在哪些方面实质性地改变了工作的经济模型。

例如，更便宜的翻译如果需要足够多的人工校对来弥补，那么其价值就很有限。关键指标不是通过AI系统处理的单词数量，而是生产可用多语言内容的成本和商业价值。

同样的原则适用于整个企业。每一次AI部署都应始于一个明确的经济假设：哪项成本会下降，哪个约束会被消除，或者哪个收入来源会增长？每次部署随后都应根据该假设进行评估——而非根据AI的原始消耗量。

因此，企业AI的下一阶段不会由哪些公司实现了最高的采用率来定义。它将由哪些公司真正理解了其已采用技术的经济模型来定义。

能够将AI支出与收入、利润率、产能或战略优势关联起来的组织将继续投资——即使其绝对支出在上升。

AI不需要变得廉价才能证明其在企业中的价值。它需要变得在经济上清晰可读。做到这一点的公司不一定是AI支出最少的，但它们会确切地知道每一美元的额外支出换来了什么。

Fortune.com评论文章中表达的观点仅为作者个人观点，不一定反映Fortune的意见和立场。

本报道最初发布于Fortune.com。