吴明辉：AI下半场企业要算清Agent任务账，Token花在哪

AI投资的账本变了

11月10日，2026中金论坛上，明略科技创始人、CEO兼CTO吴明辉抛出一个很现实的问题：AI投资到底有没有泡沫？他没在宏观叙事里绕圈子，直接把话题拉回企业的财务报表。照他的说法，AI发展的上半场，大家比的是谁家模型更聪明、参数更大；下半场重心得挪到算账上——企业用Agent做完一项具体业务任务，究竟烧掉多少Token，这笔钱投出去又能换回多少真金白银。

视角之所以要变，是因为AI应用正从“玩具”渗进“工具”。AI一旦真正介入核心业务流程，成本就不再是可以忽略的技术细节，而成了决定项目生死的关键变量。

两笔假设账：谁为推理买单？

为说明成本的量级，吴明辉在演讲中算了两笔账。头一笔针对大型企业内部应用：假设一家有数万名员工的企业，每位员工每年用AI助手消耗价值10万元的Token，全年推理支出就是数十亿元。数字听着吓人，可要是这些AI助手能顶掉部分人力成本，或者把效率明显拉高，这笔开支或许就落在预算之内。

第二笔账指向消费级市场。一款日活跃用户达到1亿的消费级AI应用，哪怕每位用户每天只发一次推理请求，平台每天也得扛下1亿次请求对应的算力成本。服务免费，或者订阅费远低于推理成本，商业模式就很难跑通。

两笔账背后是不同的付费逻辑。消费级应用靠免费服务攒用户，就必须另找收入来源填高昂的推理开支，否则就是烧钱换热闹。企业市场的付费意愿则直接跟业务结果挂钩：企业肯为AI掏多少钱，看它能不能带来可衡量的效率提升或收入增长。吴明辉由此判断，企业市场会是Agent商业化的重要场景。只有模型调用费用随业务规模扩大得到合理控制，企业才敢把Agent部署到更多岗位和流程里。

编程为例：从单点辅助到链路协同

编程领域是观察这一变化的最佳样本。早先的AI编程助手主要做代码补全，单次调用成本低，效果立竿见影。技术往前走，AI的角色也在变：从帮程序员写几行代码，到独自处理一个完整开发任务，再到多个Agent在同一个工作群里分工协作。

新模式之下，交给AI的指令可能更短，背后的执行链路反而更长。一个任务可能牵扯多次模型调用、中间结果校验、多轮对话交互。只盯单次调用的价格，很难判断这种工作方式划不划算。企业得把一次完整任务里所有多轮调用的开销加总，再结合交付结果的质量来算性价比。

比如一个复杂的Bug修复任务，Agent可能要先读代码库，再生成修复方案，接着跑测试，最后照着报错信息改代码。整个过程可能产生数百次Token消耗。最终修得好，替工程师省下半天时间，这笔开销就值；反过来，Agent反复出错，人工介入的成本更高，那就是负收益。

企业主权AI：数据去哪，模型选哪

成本之外，数据安全是企业引入AI时的另一大顾虑。明略科技把多Agent协作应用到了内部研发中。据吴明辉介绍，工程师通过自研的开源平台Octo组织多个Agent协作编程。Octo支持私有化部署，不同的Agent可以作为Bot加入团队。人员负责判断和校准，协作中形成的知识、方法和反馈能留给后续任务复用。吴明辉把这种多个Agent连入同一网络协作的模式称为IoA（Internet of Agents）。

Agent深入工作流程，就不可避免地会碰企业文件和代码仓库。吴明辉强调，企业必须清楚Agent能访问哪些资料，更要明白每次调用模型时，哪些业务上下文会被送到云端。企业掌握自身数据、Agent权限和模型使用方式的能力，他称之为“企业主权AI”。

这意味着企业在搭建组织智能平台时，得逐项判断：哪些数据可以随任务交给外部公有云模型处理，哪些敏感环节必须留在自己的私有环境里。模型选择也能细化到任务层级。日常办公、文档总结这类非核心任务，前沿的开源模型已经够用，成本还更低。遇到需要处理复杂逻辑或高保密性的难题，企业仍可调用能力更强的闭源模型。特定业务场景中，还能通过后训练提升开源模型的表现，让它以更低成本接近前沿闭源模型在该场景的能力。

主动式Agent的收费困境与出路

Agent越来越聪明，也开始有了主动性：主动查邮件、整理日程，甚至在夜间自动完成市场调研。这种行为模式带来了新的成本矛盾。按Token用量计费，Agent越主动、发起的任务越多，用户承担的开支就越高，可能打击用户的使用积极性。换成固定月费制，Agent每多跑一次，服务商就要多担一份算力成本，弄不好就亏损。

吴明辉提出，用户自有算力是他看好的一条解决路径。企业买下服务器后，可以自行安排Agent的运行频率，把已经投进去的硬件成本用在需要持续执行的任务上。顺着这个逻辑，企业要评估的不只是软件订阅费，还包括设备投入能不能被长期、稳定的任务量摊薄。这样企业对成本有更可控的预期，也躲开了因Agent“过度勤奋”而来的账单惊吓。

Token市场的未来：像广告交易一样撮合

吴明辉还拿自己早年在秒针系统接触的程序化广告生态，来类比未来的AI市场。广告技术市场里，有代表广告主优化投放成本的DSP（需求方平台），有帮助媒体提升流量收益的SSP（供应方平台），也有撮合买卖双方的广告交易平台。在他看来，Token市场可能形成类似的分工。

站在算力提供方的角度，收益自然是越高越好；使用方则希望花更少的钱把同样的事办成。两头之间，就可能长出一种做撮合的平台。使用方尤其需要这样一个“中介”：把每项任务烧掉多少Token摆到明面上，再据此调整模型选型和成本结构。任务急不急、难不难、数据敏不敏感，平台都能据此挑出更合适的模型和算力资源，自动完成匹配，让全局配置跑到最优。

选模型、买算力，归根到底都得落到一件件具体工作上。某个任务交给Agent能推进到哪一步，要烧掉多少算力，最终交付的成果又能换来多少业务价值——这些账目数据，会决定企业把哪些AI应用从局部试水推向规模化铺开。AI已经不只是锦上添花的技术点缀，而是必须精打细算投入产出的生产要素。下半场拼的是这笔账，谁算得清，谁就能走得更远。