客戶支援軟體公司 Pylon 的執行長 Marty Kausas 近日指出了一個許多企業都可能面臨的 AI 預算難題。他表示，Pylon 的年度 Anthropic 帳單預計在公司超過 150 席後，將從大約 400,000 美元飆升至 140 萬美元。這一增幅並非由使用量的突然暴增所驅動，而是源於定價結構的變化：超過 150 席後，Pylon 將從包含用量的方案轉為企業方案，token 將按標準 API 費率單獨計費。

Kausas 的評估十分直白：在多年鼓勵員工擁抱 AI 工具之後，Pylon 已開始實施支出上限，並要求額外使用需要獲得批准。

Pylon 的處境反映了正在發生的更廣泛轉型。許多公司最初是在極為有利的條件下採用 AI 的——綑綁用量、入門定價、豐厚的企業折扣，以及相對有限的部署範圍。隨著這些安排到期、試驗專案演變為生產系統，企業 AI 的真實成本正逐漸浮現。

與此同時，底層技術本身也在變得更便宜。推理成本已顯著下降，模型供應商之間的競爭依然激烈，而組織現在也有更多選擇可以將任務分配給更小、更高效的模型。包括 OpenAI、Anthropic 和 Google 在內的主要供應商在過去兩年中屢次下調旗艦模型的 API 價格，而來自 Meta 等公司的開源替代方案則進一步加劇了價格下行壓力。

矛盾的是，單獨使用 AI 可能變得更便宜，但在整個組織中部署的總成本卻可能大幅增加。隨著模型能力提升，企業分配給 AI 的工作量增加、使用 AI 的員工數量擴大，並將其嵌入更多產品中。由此帶來的使用量和複雜度的增長，很容易超越單價下降所帶來的節省。

這一現象並非 AI 獨有。運算變得更便宜，組織消耗的運算量隨之大幅增加。儲存價格下降，公司保留的資料量隨之大幅增長。頻寬成本降低，影片隨之主導了網路流量。效率提升往往會擴大市場——這是經濟學家自十九世紀以來就觀察到的模式，當時更高效的燃煤引擎反而增加了整體煤炭消耗量，而非減少它。AI 很可能會遵循相同的軌跡——但有一個關鍵區別：其大部分消耗將難以被管理層察覺。

傳統企業軟體通常圍繞一個可見的計價單位定價：席位、交易或客戶帳戶。相比之下，代理式 AI 系統可以自主且不均勻地產生成本。兩名持有相同授權的員工可能消耗截然不同的運算量。一個系統可能在變得更強大的同時，需要更長的上下文、更多的推理步驟，以及更多的外部工具呼叫。與成本隨人數線性增長的 SaaS 訂閱不同，基於 token 的定價引入了大多數企業預算流程並未設計應對的可變性。

這帶來了一個全新的管理挑戰。企業不能再將購買 AI 的使用權等同於控制其成本。

在企業 AI 採用的第一階段，這個問題容易被忽視。大多數組織仍在進行實驗，並分發有限數量的授權。這些舉措揭示了員工是否會使用 AI 工具，但並未回答現在最關鍵的問題：這些使用是否創造了足夠的經濟價值。

隨著 AI 預算從實驗性質轉變為實質支出，企業必須用單位經濟學取代採用率指標。對於客戶支援系統，相關的衡量標準可能包括每成功解決案例的成本、解決時間和升級率。對於 AI 驅動的翻譯公司 Smartling，有意義的指標可能包括以約定品質水準製作內容的成本、進入新市場所需的時間，或者一家公司能夠在經濟上可行地以每種語言提供的內容量。

這些指標本質上比簡單的使用率數據更難計算。它們要求企業在部署技術之前定義期望的成果、建立基準，並同時考量技術成本和圍繞其周圍仍需的人力投入。

過去幾年中，圍繞 AI 建構 Smartling 的過程表明，核心挑戰從來不是將 AI 引入組織或說服人們使用它。真正的挑戰在於找出 AI 在哪裡實質性地改變了工作的經濟學。

例如，更便宜的翻譯如果需要足夠多的人工修正才能達到可用水準，其價值就很有限。相關的衡量標準不是通過 AI 系統處理了多少單詞，而是製作可用多語言內容的成本和商業價值。

同樣的原則適用於整個企業。每次 AI 部署都應始於一個明確的經濟假設：哪項成本會下降，哪個限制會被解除，或者哪個收入來源會增長？然後應根據該假設進行評估——而非根據 AI 消耗的原始數量。

因此，企業 AI 的下一階段不會由哪些公司實現最高的採用率來定義。它將由哪些公司真正理解其採用技術的經濟學來定義。

能夠將 AI 支出與營收、利潤率、產能或策略優勢連結起來的組織將繼續投資——即使其絕對支出在增加。

AI 不需要變得廉價才能證明其在企業中的價值。它需要變得在經濟上可理解。實現這一目標的公司不一定在 AI 上花費最少，但它們會清楚知道每一塊額外支出的美元購買了什麼。

Fortune.com 評論文章中表達的觀點僅代表作者個人看法，不一定反映 Fortune 的觀點和信念。

本文最初刊載於 Fortune.com。