“Token Shock”正在把企业AI adoption的瓶颈从技术可用性转向经济可承受性
AI 摘要卡
“Token Shock”正在把企业AI adoption的瓶颈从技术可用性转向经济可承受性
Bernstein认为，随着AI应用从低价订阅转向token/用量计费，企业预算冲击、ROI难以量化和Agentic AI高成本可能放缓大规模部署，但也证明AI正在进入真实生产环境。
- 企业AI的关键矛盾不再只是模型能力，而是token、API调用、推理和自治代理带来的可变成本能否被业务价值覆盖。
- 多个案例显示成本压力已经出现：EY称Agentic AI交互成本可较简单LLM提示高约30倍，Uber据报4个月用完2026年AI coding预算，Pylon年度AI账单升至约140万美元。
- 企业正在通过AI FinOps、token治理、预算上限、配额、实时监控和按业务结果衡量成本来控制支出。
- 报告同时指出，成本上升也说明AI正在从试点走向生产，Fireworks AI等推理平台的高token量和收入增长体现了真实需求。
研报解读
概览
本报告讨论企业AI应用中的“Token Shock”：早期免费、免费增值或低价无限量订阅降低了企业试用门槛，但随着AI Labs、云厂商和企业软件供应商转向token/用量计费，企业开始看到真实且波动的AI成本。Bernstein认为，AI adoption的下一阶段瓶颈将更多来自经济性、预算治理和ROI证明，而不是单纯来自需求不足或技术不可用。
核心观点
核心观点是：第一，企业AI需求依然强劲，成本上升本身说明AI正在进入生产环境；第二，token计费把AI从固定订阅成本变成更难预测的可变成本，尤其在Agentic AI、多步工作流和大上下文窗口场景下更明显；第三，企业如果不能把AI支出与收入提升、成本节约、流程效率或客户结果相连接，就会缩减、推迟或取消项目；第四，解决路径包括企业侧的AI FinOps和token治理、供应商侧降低成本和价格，以及市场对AI价值兑现节奏进行更现实的预期管理。
分析框架
报告采用行业观察、企业用户访谈、咨询公司反馈、案例研究和调查证据相结合的方法，重点比较从免费/低价订阅到token/用量计费后的企业预算影响，并分析企业软件、AI工具、云推理和Agentic AI场景中的成本结构变化。
方法论与常识提炼
token/用量计费
报告把token视为AI输入、输出、上下文窗口和推理资源消耗的计量单位，用于解释AI供应商为什么从无限量订阅转向与成本更匹配的消费型定价。
AI成本治理
企业通过监控token消耗、分摊成本、设置预算、限制用量、按用例追踪ROI和建立实时仪表盘，降低AI账单冲击和预算失控风险。
按业务结果衡量AI投入
报告强调不应只看token消耗，而要评估处理一笔索赔、发现一次欺诈、解决一个客服问题或完成一个工作流的单位成本与业务价值。
标的映射与对比
研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。
- ADOBE INC报告在企业应用厂商例子中提到Adobe采用免费或免费增值方式推动AI功能采用。
- 优势
- Adobe具备既有企业和创意软件用户基础，AI功能可以嵌入现有工作流并提高内容生产效率。
- 劣势
- 若AI功能推理成本高于客户愿意支付的价格，免费增值或低价推广模式可能压缩利润率或需要更严格的用量限制。
- 对比
- 与纯AI初创公司相比，Adobe拥有成熟订阅客户和产品入口；但与云和模型供应商一样，也需要在 adoption、定价和成本回收之间取得平衡。
- 风险
- 客户对AI功能付费意愿不足、ROI难以证明、token成本上升、用量限制影响用户体验。
- 企业软件与AI应用供应商是token shock的直接定价和利润率承压主体。
- 优势
- 客户需求强，AI功能可提升生产率、自动化工作流并创造新的付费模块。
- 劣势
- 推理、API调用、上下文窗口和Agentic工作流成本难预测，低价无限量订阅难以长期维持。
- 对比
- 传统软件成本主要与席位和订阅挂钩，AI应用成本更接近消费型云资源，毛利率和预算治理更复杂。
- 风险
- 客户缩减部署、项目延期、价格上涨带来采用阻力、AI成本高于增量收入。
- 云与推理基础设施平台受益于企业生产级AI用量增长，但也面临供给能力和价格竞争压力。
- 优势
- 随着AI从试点转向生产，token吞吐、推理调用和算力需求持续增长。
- 劣势
- 基础设施扩张成本高，若供应不足可能限制客户访问领先模型或推高价格。
- 对比
- 市场过去更关注训练成本，报告强调生产推理成本可能更决定长期经济性。
- 风险
- 算力供给瓶颈、价格下降速度、客户优化用量、模型效率提升削弱单位收入。
关键数据
- EY案例约30倍从简单搜索/综合类LLM提示切换到Agentic AI多步骤任务后，单次交互成本可能上升约30倍。
- Pylon案例约3.5倍增长至约$1.4MM公司跨过员工数门槛后，AI账单按企业版和API标准费率计费，管理层被迫更关注ROI为正的使用场景。
- Uber案例4个月用完2026年AI coding预算据报道公司随后对员工和agentic coding工具设置每人每工具约$1,500的支出上限。
- 大型欧洲银行观点推理成本约占AI模型生命周期总成本80%报告认为市场过度关注训练成本，但企业AI长期经济性越来越由生产环境中的模型服务和运行成本决定。
- Fireworks AI案例约30万亿tokens/天；2025年末年化收入约$305m，5月约$800m作为推理平台，服务超过10,000名客户，包括Cursor、Uber、Samsung、Notion和Shopify，体现生产级AI需求。
- Bernstein评级分布披露Outperform 51.2%；Market-Perform 35.8%；Underperform 13.1%截至2026年6月30日的全球股票评级分布披露，非本文核心投资结论。
影响与含义
对投资者而言，AI产业链的关注点需要从“是否有需求”扩展到“谁能把需求转化为可持续利润”。企业软件和AI应用供应商若能证明明确ROI、提供更好的成本治理并降低推理成本，可能更容易扩大 adoption；反之，高token消耗、预算不可预测和价值难量化可能压制客户扩容、延迟项目或造成估值预期下修。
风险
- 企业AI成本从固定订阅转为可变用量后，预算预测难度上升。
- Agentic AI多步骤任务可能显著放大token、API调用、CPU、存储和带宽成本。
- ROI难以证明会导致企业缩减、推迟或取消AI项目。
- 监管行业还需治理、审计、可解释性、监控和合规控制，推高总拥有成本。
- AI基础设施供给可能跟不上需求，造成更高价格、访问限制或用量约束。
- 供应商若过早提高价格，可能抑制adoption；若价格过低，则可能损害利润率。
后续跟踪
- 企业是否建立AI FinOps、token治理、预算上限和用量可视化能力。
- AI供应商能否降低推理成本，并把降本转化为客户可接受的定价。
- Agentic AI项目是否能用业务结果证明ROI，而不是只展示技术能力。
- 企业从试点到生产部署后的账单变化和项目取消率。
- 客户是否从按token衡量转向按业务流程单位成本和价值衡量。
- 软件公司AI功能的毛利率、价格调整、用量限制和客户扩容节奏。