Bernstein：企业AI进入“Token Shock”阶段，成本与ROI可能比技术本身更制约采用。
AI 摘要卡
Bernstein：企业AI进入“Token Shock”阶段，成本与ROI可能比技术本身更制约采用。
报告指出，生成式AI和Agentic AI从低价订阅转向按Token/用量计费后，企业正面临预算冲击、ROI难以衡量和治理压力，但这也说明AI正在从试点走向真实生产环境。
- 企业AI的主要摩擦正在从“技术是否可用”转向“能否经济地规模化部署”。
- Token消耗、API调用、多步骤Agent工作流和推理成本使AI支出更难预测，成功试点在生产环境中可能迅速变贵。
- 报告列举法国保险公司、Pylon、EY、Uber、Walmart和欧洲银行等案例，显示企业已经开始缩减部署、设置额度或重新审视ROI。
- 潜在解决方向包括企业加强AI FinOps和Token治理，供应商降低成本与价格，以及市场重新校准对AI回报周期的预期。
研报解读
概览
Bernstein全球软件团队讨论“Token Shock”是否会伤害AI采用。报告认为，ChatGPT和早期生成式AI工具的免费、免费增值或低价无限订阅模式推动了快速采用，但随着AI公司需要覆盖推理成本并实现盈利，企业市场正在转向按Token、上下文窗口、API调用和Agent任务量计费。企业仍然认可AI能力，但成本不确定、预算超支和ROI难以证明，正在使部署节奏更谨慎。
核心观点
核心观点是：AI需求并未消失，反而许多账单上升说明采用正在进入生产环境；但企业AI扩张的瓶颈正在变为经济性。Agentic AI、多步骤自动化和大型上下文窗口会显著放大Token和云资源消耗，导致企业从“先采用、后变现”的阶段转向“先看ROI、再扩张”的阶段。企业将通过用量额度、预算上限、部门成本分摊、审批流程和AI FinOps来管理支出；供应商则需要降低自身成本和客户价格，否则部分项目可能被推迟、缩小或取消。
分析框架
报告采用行业主题研究方式，将软件、云、AI实验室、企业应用和咨询渠道的观察结合起来，重点分析定价模式变化、推理成本结构、企业预算行为和案例反馈。论证路径是先说明免费或低价订阅为何推动早期采用，再解释按Token计费为何成为必然，随后用企业案例展示成本冲击，最后讨论企业和供应商可能的缓解方式。
方法论与常识提炼
当AI需求和Token消耗增长快于Token价格下降和预算承受能力时，企业出现预算冲击。
报告将Token Shock定义为AI从固定订阅或免费使用转向按Token/用量计费后，企业在生产环境中发现真实成本显著高于试点预期的现象。
用类似云FinOps的方式管理AI用量、预算、成本分摊和ROI。
企业需要监控Token消耗、按业务单元分摊成本、建立预算和用量限制，并持续衡量每一美元AI支出带来的业务价值。
AI支出必须与可衡量收入、节省或生产率提升相匹配。
报告强调Token只能衡量计算活动，不能直接衡量业务价值；如果无法证明AI支出带来更高收益或节省，成本上升会自然导致部署削减。
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 / ADBE.US报告实体识别到的相关软件公司，文中作为企业应用厂商免费或免费增值AI能力的例子之一。
- 优势
- 若AI功能嵌入高价值创意工作流并能证明生产率提升，Adobe可能具备定价和留存优势。
- 劣势
- 若客户认为AI功能带来额外成本但ROI不清晰，采用和付费转化可能受限。
- 对比
- 相较AI实验室或纯Agent工具，Adobe的AI商业化更依赖既有应用场景和企业订阅关系。
- 风险
- 生成式AI成本上升、客户预算约束、AI功能被视为应包含在现有订阅内，均可能压缩增量变现空间。
- AI coding tools，包括Claude Code、Codex、Cursor、GitHub Copilot报告认为编码工具是目前最可见、可能最有效的生成式AI用例之一，也是Token Shock最早被企业感知的场景。
- 优势
- 开发效率提升直观，企业产品和IT团队采用速度快。
- 劣势
- 多工具并用、重复构建和Agent任务链可能造成Token消耗失控。
- 对比
- 相较搜索或内容生成，编码工具ROI更容易被感知，但也因高频使用更容易触发预算上限。
- 风险
- 企业设置人均额度、工具额度或审批流程后，使用增长可能放缓。
- 企业AI与Agentic AI平台报告讨论的核心资产类别，涵盖搜索、客服、内容生成、办公、代码和多步骤Agent工作流。
- 优势
- 能够自动化流程、提升效率，并推动AI从试点进入生产环境。
- 劣势
- 成本由Token、API调用、上下文窗口、推理、CPU、存储、带宽和治理成本共同决定，预算可预测性较差。
- 对比
- 相比传统软件按席位或订阅收费，AI按用量计费使客户承担更多变量成本风险。
- 风险
- ROI难以量化、监管行业治理成本高、基础设施供给紧张、项目被推迟或取消。
- AI基础设施与推理平台报告将其视为AI用量增长的直接受益方向，同时也是企业成本压力的来源。
- 优势
- 生产环境Token量增长能转化为平台收入，例如Fireworks AI案例显示客户和收入快速增长。
- 劣势
- 客户成本敏感度提升可能迫使平台降价或帮助客户优化消耗。
- 对比
- 相较训练成本，推理和服务成本更持续地决定企业AI经济性。
- 风险
- 若Token价格下降慢于企业预算压力，平台收入增长和客户留存之间可能出现张力。
关键数据
- Pylon AI账单增长约3.5倍至约$1.4MM年化AI账单企业版定价触发后，席位不再包含Token，标准API费率使管理层更关注ROI为正的使用。
- EY Agentic AI成本放大每次交互成本约增加30倍从简单搜索/综合型LLM提示转向多步骤Agent任务后，单次交互成本显著提升。
- Uber AI编码预算2026年AI编码预算4个月用完；设置每员工每Agentic编码工具$1,500上限报告引用媒体称Uber通过支出上限管理Anthropic Claude Code、Cursor等工具预算。
- 欧洲银行推理成本判断推理成本可能约占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，而企业AI长期经济性越来越取决于生产环境中的服务和运行成本。
- Fireworks AI规模约30万亿Token/日、超过10,000名客户；年化收入从2025年底约$305m至5月约$800m成本上升也可被视为生产环境采用扩大的证据。
- 评级分布披露Outperform 51.2%；Market-Perform/Neutral 35.8%；Underperform 13.1%Bernstein披露截至2026-06-30的全球评级分布，并非本文对单一公司的评级。
影响与含义
对软件和AI产业而言，Token Shock可能压低无差别AI功能的采用速度，并提高客户对可证明ROI、成本透明度和治理能力的要求。受益者可能包括能降低推理成本、提供成本监控和优化、或将AI能力绑定到高价值工作流的厂商；承压者可能是依赖高用量、低价格或ROI难以证明的AI应用。对投资者而言，应同时关注AI收入增长和客户预算承受力，而不能只看使用量或模型能力。
风险
- Token消耗增长快于价格下降，导致企业预算超支。
- Agentic AI多步骤工作流显著放大每次任务成本。
- 企业难以把Token用量直接映射为收入、节省或生产率提升。
- 监管行业需要治理、审计、解释性和合规控制，抬高总拥有成本。
- 基础设施供给不足可能推高模型访问成本或限制可用性。
- 企业可能通过配额、支出上限、缩小部署或取消项目来控制风险。
后续跟踪
- 企业是否从试点转向生产后仍能维持可接受ROI。
- AI FinOps、Token治理和成本可视化工具的采用速度。
- 主要AI供应商是否降低推理成本并把降本传导给客户。
- 编码工具和Agentic AI是否继续成为企业AI预算的高增长但高争议类别。
- 客户合同是否从无限订阅转向更细的用量、额度和审批机制。
- 软件公司AI功能的增量收入能否覆盖推理成本并保持毛利率。