吴明辉：AI下半场怎么算Agent的Token投入产出账？

11月10日，明略科技创始人、CEO兼CTO吴明辉在2026中金论坛发表演讲，谈到AI投资有没有泡沫时，他把话题拉回到企业的投入产出上。按他的判断，AI投资上半场拼的是把模型能力做得更强；进入下半场，企业得算明白Agent完成一项业务任务要烧掉多少Token，这笔钱又能换回多少回报。

Agent揽下的活越多，单项任务的成本就越得算清楚。吴明辉在演讲里摆了两笔假设账：一家有数万名员工的企业，若每名员工每年用掉价值10万元的Token，一年推理支出就是数十亿元；一款日活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，平台每天也要为这1亿次请求掏钱。

这两笔账背后的付费逻辑并不一样。消费级应用若靠免费服务攒用户，就得找到能填上推理开支的收入来源；企业肯为AI付多少钱，则可以跟具体业务结果挂钩。吴明辉因此判断，企业市场会是Agent商业化的重要场景。模型调用费用能不能随业务规模扩大而压得住，直接关系到企业敢把Agent放进多少岗位和流程。

编程是吴明辉拿来解释这一变化的例子。从帮程序员补全代码，到自己扛下一个开发任务，再到多个Agent在同一个工作群里分工，交给AI的指令可以越来越短，执行链路反倒越拉越长。只盯每次调用的价格，很难说清这种干活方式划不划算。企业还得把一次任务里多轮调用的开销加总，再放到交付结果里去衡量。

企业选什么模型，同样要看数据能流向哪里。明略科技已经把多Agent协作搬进内部研发：据吴明辉介绍，工程师借助自研开源平台Octo组织多个Agent协作编程，Octo支持私有化部署，不同Agent能以Bot身份加入团队。人负责判断和校准，协作中沉淀的知识、方法和反馈则留给后续任务复用。吴明辉把多个Agent接入同一网络协作的模式叫作IoA，即Internet of Agents。

Agent进了工作流程，还会碰到企业文件和代码仓库。吴明辉提到，企业既要清楚Agent能访问哪些资料，也要清楚每次调用模型时哪些业务上下文会被送到云端。他把企业掌控自身数据、Agent权限和模型使用方式的能力称为“企业主权 AI”。明略科技想帮大型企业在这个基础上搭组织智能平台。对企业而言，这意味着要一项项判断：哪些数据可以随任务交给外部模型，哪些环节必须留在自己的环境里处理。

模型选择还能细到任务层面。吴明辉认为，不少日常办公工作，前沿开源模型已经够用；碰上更难的问题，企业仍可调用能力更强的模型。在特定业务场景里，他觉得还能靠后训练提升开源模型的表现，让它以更低的成本逼近前沿闭源模型在该场景下的能力。明略科技已把内部积累的Token精益管理能力用到客户服务中。

主动式Agent的收费和算力归属是另一道题。当Agent开始主动翻邮件、排日程或在夜里做调研，推理成本会随它自主发起的任务一起涨。吴明辉用两种收费方式点出其中的矛盾：按Token用量计费，Agent越主动，用户掏的钱越多；改成固定月费，Agent每多跑一次，服务商就多担一份成本。

吴明辉看好的路径之一是用户自有算力。企业买下服务器后，可以自己安排Agent的运行频率，把已经投下去的算力用在需要持续执行的任务上。顺着这个逻辑，企业要评估的还包括设备投入能不能被长期、稳定的任务量摊薄。

吴明辉还借了自己早年在秒针系统接触的程序化广告生态作类比。广告技术市场里有帮广告主优化投放成本的DSP，有帮助媒体提升流量收益的SSP，也有撮合买卖双方的广告交易平台。在他看来，Token市场可能长出类似的分工：算力提供方想提高收益，使用方想用更低成本完成同样的任务，中间则可能冒出提供撮合服务的平台。使用方尤其需要有人帮它看清每项工作烧掉多少Token，再据此优化模型和成本。

从挑模型到买算力，企业最后要评估的还是具体工作：一次任务能交给Agent做到哪一步，要耗多少算力，交付的成果又能带来多少业务价值。这些数据会影响企业把哪些AI应用从局部试用推向规模化部署。