买得起Token，买得到“靠谱”吗？

编辑：李信马

在 ChatGPT 引爆 AI 浪潮后的第四年，出现了一个新的经济学概念：Token 经济。

在 AI 领域，Token 是词元，是语言的“原子”，是文本处理的最小单位。这个曾经的技术术语，如今成为了衡量 AI 价值的“基础单位”，被市场明码标价。

2026 年 5 月，国内三大运营商陆续官宣售卖“Token 套餐”，9.9 元包 1000 万 Token（中国电信）、1 元买 40 万 Token（中国移动）、Token 与手机宽带融合打包（中国联通）......这意味着，以后用 AI 消耗掉的 Token 都会计入费用账单。

价格是由价值决定的，Token 套餐的推出再一次印证了这个道理。

国家数据局信息显示，截至 3 月，我国日均 Token 调用量已超过 140 万亿，相比 2024 年初的 1000 亿增长了 1000 多倍。摩根大通预测，中国 AI 推理 Token 消耗量将从 2025 年的约 10 千万亿增长至 2030 年的约 3900 千万亿，五年增幅约 370 倍。 

图源：国家数据网

数据揭示了人们对 AI 的旺盛需求，AI 算力被看作新时代下的“水电煤”，Token 就是数字生活中的基础消费品。可定价、可计量的 Token 单元，让产业链也有了清晰的分工界面：谁负责生产、谁负责分发、谁负责消费，各环节的成本和利润变得可追溯、可标准化，商业价值得以进一步显现。

但美好图景背后却藏着另一种真相。这些庞大的 Token 到底用在了哪儿？它们真的解决问题了吗？以及，当你的每一次调用都被记录、每一笔消耗都变成数据，这张看不见的“网”，到底攥在谁手里？

近期，IDC Direction 2026 趋势论坛分享了 Token 经济学下的一些趋势和思考，结合这些观点，DoNews 逐一进行了梳理。

日均 140 万亿次的调用量，看起来确实足够震撼。但其中有多少是有效调用，有多少是重复生成、无效请求，目前没有权威数据。

比起数字，更关键的是看谁在用、怎么用。

根据 QuestMobile 发布的《中国移动互联网 2026 春季大报告》，截至 2026 年 3 月，AI 原生 App 月活用户规模已达到 4.4 亿，其中，豆包、千问、DeepSeek 位居前三位，月活用户规模分别为 3.45 亿、1.66 亿和 1.27 亿，单季度新增了 1.3 亿用户。一季度，豆包、千问、DeepSeek 三者在整个季度的平均活跃率分别达到 33.5%、17.1% 和 21%，豆包平均使用次数 54.8 次/月，DeepSeek 41.7 次/月，千问为 19.8 次/月。

C 端用户的基数虽大，但绝大多数人可能只是让 AI 写个朋友圈文案、生成一张图、翻译一段话。这些场景消耗的 Token 看似频繁，实则单次量小，真正的 Token 消耗大户在 B 端。

根据 OpenRouter 与 a16z 联合发布的百万亿 Token 实证研究报告，编程类任务已从 2024 年初占总用量的 11% 跃升至 2025 年的 50% 多，Agent 驱动的自动化工作流产生了平台上过半的输出 Token。

大量 Token 不是被“普通用户”消耗的，而是被开发者、企业嵌入到日常流程中，用来自动写代码、跑测试、生成文档。这就引出了一个尴尬的现实，Token 调用的指数型增长，并非主要作用于普通人生产力的提升。

在B端，还有很大一部分 Token 被用于“自己喂自己”，人们花钱买来的算力，变成了训练下一代模型的“饲料”。原因是行业缺少高质量数据， 当大模型把互联网上公开的文本、代码“学”光之后，再去哪里找新知识？答案是，用 AI 生成的内容再去训练 AI。

IDC 中国研究副总裁钟振山在一次公开分享中提到，像 DeepSeek、通义千问等国产模型在全球基准测试中表现优异，秘诀之一就是它们“消化”了海量的代码和语料。这些语料很多正是由上一代模型（如 GPT-3.5、Claude 2）生成的。

但“自己喂自己”正在抬高企业成本，而非降低。 IDC 中国研究副总裁周震刚提到一个“Token 经济学的悖论”：Token 单价确实在暴跌（中国模型价格是海外的 1/6 到 1/10），企业的总账单却在飙升。这就好比电价便宜了，但家里电器越来越多、越开越久，月底一看电费还是涨了。

总而言之，现在 Token 更像“工业用电”，而非“民用电”，它驱动的是 AI 产业的内部循环，尚未真正渗透到每一个普通人的数字生活。

绝大多数用户面对 AI 付费的第一反应不是掏钱，而是犹豫。原因很清楚，你还没证明自己足够好用，凭什么让我先付钱？

近期讨论最多的，大抵就是豆包 AI 幻觉引起的各种魔幻事件，它除了“一本正经的胡说八道，嬉皮笑脸的认真道歉”外，甚至在真实的政策上误导用户。

起因是某用户需要退订机票，为了使损失降到最低，他问了豆包。豆包也非常“认真”地列出了步骤，甚至生成了“可追溯、可追责”的赔付承诺。结果出乎用户的意料之外——这份决策建议并未奏效。更魔幻的是，之后该用户决定拿起法律武器——用豆包生成的起诉书，将豆包告上法庭。

如果是提供退票操作的步骤出了问题，我们可以理解成 AI 幻觉，但“虚假承诺”表示自己拥有赔付和承担法律责任的功能，就不能用幻觉来解释。豆包的问题和其他大模型一样，并未成熟到百分百有用、好用，甚至只是遵守法规条例。

图源：小红书截图

C 端用户对价格敏感，但对“不确定的风险”更敏感，企业端也一样。

目前，中美 AI 模型的能力差距已缩小至 2.7%，模型能力会越来越强，API 调用会越来越方便。

这看起来是个好消息，但 IDC 调研显示，在国外企业“不考虑使用中国 AI 模型的原因”中，他们优先考虑的因素不是性能——因为性能已经很接近——而在于能不能长期稳定使用，值不值得继续花钱，以及能不能接进客服、研发、法务、风控这些现有流程，是否和系统兼容等等。

大多数人似乎陷入一个误区，将算力逻辑等同于体验逻辑。

运营商和云厂商热衷于告诉你“1 块钱买 40 万 Token”，仿佛 Token 越多，你就越赚。但问题是，消耗这 40 万 Token，到底能不能解决实际问题——如果需要不断“调教”、反复修改指令、忍受答非所问，Token 再便宜也毫无意义。

好用，是唯一的标准。这就引出了一个更关键的概念——Skill（技能）。

钟振山分享了一个耐人寻味的实验：用 OpenClaw 在水木社区发帖，第一次消耗了 6500 万 Token，发了两次才成功，但第二次调用时，Token 消耗降到了 37 万，前后大约 200 倍的差距。原因在于 OpenClaw 自己写了一个“skill”，把重复动作变成了可复用的工具。

Token 本身只是原材料，真正产生价值的是让 Token 完成有效任务的 Skill。如果缺少丰富的 Skill 库，Token 就只是被消耗，而不是被“使用”。未来，企业间比拼不是谁的模型参数大、谁的 Token 单价低，而是谁的 Skill 生态更丰富、更聪明。

刚才已经说明两个问题：首先，大量 Token 消耗在 AI 模型的自我训练中，并未直接转化为普通用户的生产力；其次，即便 Token 流向应用层，实际效用也远未达到“好用”的标准。

但在这两个问题之外，还有一个更根本性的风险。Token 经济的扩张，正在重新定义安全的成本结构，而这个成本，目前几乎没有人买单。

首先，Token 本身就存在被污染的风险。大模型没有“判断力”，一切都是靠投喂内容生成——无论这个内容是正经知识还是恶意假话。一旦假数据喂多，它的“概率认知”就会跑偏，就会说假话、传递假信息。

更值得警惕的是，国家安全部已经发出预警，Token 在特定场景下充当着数字世界的“临时身份证”，一旦泄露，攻击者可直接盗用用户身份，获取隐私信息、登录账号，甚至实施转账，威胁个人财产安全。

其次，Skill 的安全隐患被严重低估。IDC 的观察显示，目前市面上超过 60% 的开源 Skill 可能存在安全风险，但普通用户和企业缺乏有效的技术手段去判断一个 Skill 是否“有恶意”。Thales 《2026 年数据威胁报告》也提出，70% 的企业将 AI 列为首要数据安全风险，但仅 34% 的企业清楚所有数据的存储位置。

正如任何工具一样，Token 的价值取决于我们如何看待、使用它。当调用量从千亿级跃升至百万亿级，人工审核已完全不可行，而目前的安全审计工具尚未针对 Agent 驱动的权限模型做出实质性升级。

一个值得关注的新趋势是，以 MISOS 为代表的新型模型，其核心能力不是经过安全数据专项训练，而是通过对海量开源代码、技术文档、漏洞报告等语料的消化，具备了自主识别系统弱点的能力。这意味着安全攻防的底层逻辑正在变化：传统体系中，攻防双方都是“人”；而未来，双方都可能部署模型，企业需要对抗的不再是零散的黑客行为，而是模型驱动的自动化攻击。

随着 Agent 部署规模扩大、模型权限边界模糊、攻击手段升级，安全成本必然会成为“必选项”。IDC 预测，到 2028 年，企业在 AI 安全相关的算力和服务支出将占到 AI 预算的15%-20%。

但问题是，这笔钱谁出？目前，无论是运营商推出的 Token 套餐，还是云厂商的 API 定价，都没有单独列出安全成本。用户买到的实际上是未经净化的“原水”，一旦发生数据泄露或身份盗用，责任归属是模型厂商？Skill 开发者？还是用户自己？

写在最后

Token 可以定价，但信任不能；算力可以规模化，但责任很难拆分。运营商把 AI 切成了最小单位，市场也欣然接受了这把尺子，但具体的刻度还得一笔笔仔细划清楚。否则，再简单的账单，也没人算得明白。