首席信息官(CIO)不应屈服于将 IT 成本管理转化为一门复杂学科的诱惑。
作者:鲍勃·刘易斯

图片 1:Igor Omilaev / Unsplash
根据埃森哲(Accenture)四位资深专家的观点,当前 CIO 们为了核算并控制人工智能(AI)成本,最需要引入的工具便是所谓的“词元经济学(Tokenomics)”。
将 AI 支出与业务成果相挂钩的初衷或许值得赞赏,但“词元经济学”只是表面上宣称能做到这一点——除非你认为“统计成本”与“衡量业务成果”完全是同一回事。
但在深入探讨词元经济学之前,我们需要先回顾一下历史背景。不妨从功能点分析法(Function Point Analysis, FPA)说起。这门学科虽然历史悠久,却早已被业界普遍遗忘,而这一现状本身就足以说明其实际效用如何。
在过去,IT 领导者们常常陷入一连串的担忧:他们担心董事会有所顾虑,而董事会又担心业务高管们对信息技术的成本规模及其管理方式感到焦虑。
为了解决这一难题,IBM 于 1979 年引入了功能点分析法。该方法将软件应用程序拆解为多个模块,即“功能点(Function points)”。随后,分析师可以通过汇总这些功能点来衡量应用程序的整体复杂度,并借此与其他软件进行对比,从而推算出其相应的成本与风险。

当向一位普通的、缺乏技术背景的业务领导者展示某个软件项目所需的功能点数量时,对方往往会要求 IT 部门指出具体的几个功能点来看看——他们期望看到的是模拟的界面截图或示例报告。
遗憾的是,IT 部门不得不拒绝这一要求。因为正如系统设计分析师(以及如今的谷歌 AI 概览)所解释的那样,功能点是“一种抽象的、综合性的度量单位,而非具体的物理对象或某段单一的代码”。
由此可见,功能点分析法的价值主张本质上是:让业务领导者依靠一套他们自己根本无法理解的成本指标,去更好地管理 IT 成本与风险。
回到今天,AI 领域与当年“功能点”相对应的成本度量指标变成了“词元(Tokens)”——即大语言模型(LLM)读取、处理和生成的文本片段。如果你还没来得及了解相关简报,业界目前正将“词元经济学”推崇为管理 AI 成本与风险的新方法。
正如前文提到的埃森哲专家们所“解释”的那样(此处特意加上引号):“企业级 AI 正在催生一种新的商业运营成本:词元。随着消耗量的规模化扩展,词元经济学正演变为一项实质性的风险与机遇,并在 C 级高管(C-suite)和董事会层面引起越来越多的关注。”
但这不禁令人产生疑问:这些词元经济学的倡导者们,究竟是从哪里找到了如此关心“词元”的 C 级高管和董事会成员?恐怕这群人,正是当年依然在关注“功能点”的那批人。
在进一步剖析首字母大写的“词元经济学(Tokenomics)”之前,我们不妨先探讨一下建筑维护,以及“砖块经济学(Brickonomics)”在其中扮演的角色。
逻辑是这样的:砖墙是由砖块砌成的。因此,如果一面砖墙需要维修,建筑管理项目的评估员理应去测算管理这面破损墙壁中每一块“标准砖”的相关成本与风险。将管理单块标准砖的成本(不妨称之为“砖元”)乘以墙上的砖块总数,结果便一目了然。建筑管理部门借此就能掌握全局……
但实际上,这种算法得出的信息,远不如进行一次常规的“勾缝修补分析(Tuckpointing analysis)”来得有效。砖块经济学遗漏了一个核心要素:在修补砖墙时,真正需要关注和维护的往往是砖块之间的“砂浆(Mortar)”,而非砖块本身。
现在,我们可以回过头来审视词元经济学,以及它的核心假设——将大语言模型拆解为词元并为每个词元分配成本,会比将软件拆解为功能点、或将墙壁拆解为单独管理的砖块更加有效。
词元经济学另一个值得商榷的地方在于,它建立在一个特定的前提之上:假设所有的 AI 应用都是基于大语言模型或类似架构构建的。
平心而论,词元经济学并不一定局限于分析 LLM。它可以被调整应用于任何由可参数化(Parameterized)的模块所组成的系统集合。
但这依然不够稳妥。考虑到当前 AI 创新的演进速度,假设 AI 的任何底层特征能够保持长期稳定——尤其是假设其未来的核心架构依然可以按“词元”来进行切分和量化——充其量只是一个并不牢靠的假设。
这本质上依然是一个“砂浆与砖块”的权衡难题。
此外,那些繁琐的传统“功能点”也并未消失。仅仅因为某个项目引入了 AI,并不意味着它不再包含传统的软件工程。这似乎表明,词元经济学还必须将传统的功能点分析法整合到其方法论与实践体系中。
试想一下,如果是由你来向那些据称正迫切要求引入该体系的董事会和业务领导者解释这一团乱麻,情况会怎样?而作为 CIO,这项任务最终必然会落到你的肩上。
我们甚至还没有探讨词元经济学的另一个主要风险:它将决策者的注意力过度集中在 AI 的成本上,却只对 AI 带来的收益给予了象征性(Token,双关语)的关注。
从本质上看,词元经济学的实际价值取决于它在“内部费用分摊(Chargebacks)”和“成本透明展示(Showbacks)”中的应用。推行这套机制的逻辑在表面上颇具吸引力:它能促使业务部门负责人为自己消耗资源所产生的 AI 支出承担责任。
然而,那些真正深入尝试过“内部费用分摊”的 CIO 们最终都发现,这种做法往往徒劳无功。因为这不可避免地会将一种传统的职场内耗延续到数字时代:围绕账单争论不休。
究其根本,内部费用分摊(Chargeback)就是一张账单。它是一份资金划转声明,旨在让提供商品或服务的一方,因其创造的价值而获得相应的资金补偿。
我们可以按逻辑梳理一下:(1)内部费用分摊是一张账单;(2)词元经济学的核心目的是为这张账单提供数据支撑;(3)鉴于词元经济学晦涩难懂的术语和构建逻辑,没有任何一位业务领导者能够真正看懂自己被要求支付的这张账单。
那么,“成本透明展示(Showbacks,仅展示成本但不实际扣款)”是否可行呢?让业务领导者了解其业务活动所产生的成本,听起来似乎无害,甚至可能有所助益。
事实上,只要在恰当的企业文化中应用,成本透明展示确实是无害且有益的。在这种健康的文化中,各级管理者会将自己视为整个公司的领导者;他们在制定 AI 使用决策时,会与制定其他商业决策一样,以“是否有利于公司整体利益”作为根本出发点。
如果具备这样的企业文化,IT 部门就可以将小写字母的“词元经济学(tokenomics)”严格限制在内部的技术架构实践层面。通过这种方式,CIO 可以像平时向业务经理通报其他 IT 运营成本一样,自然地通报 AI 的相关成本。
此时,业务经理可能会问:“这些成本数据是怎么算出来的?”
CIO 则可以这样回答:“你有两个选择:你可以选择直接相信我,或者,我可以花时间向你详细解释一遍它的计算过程。”
最后这句话,倒确实是一个足以让业务经理认真对待的“威慑”。
Token / Tokenomics (词元 / 词元经济学):Token是大语言模型处理文本的基本单位(一个 Token 约等于四分之三个英文单词或半个汉字)。Tokenomics在企业 IT 语境下,指通过追踪、核算和优化 Token 的消耗量,来控制大模型 API 调用与算力成本的管理方法。
Function Point Analysis (FPA / 功能点分析法):20 世纪 70 年代末提出的一种软件工程估算方法。它不通过代码行数,而是通过评估系统向用户提供的业务功能数量(如输入、输出、查询等)来量化软件的规模、复杂度和开发成本。
Chargeback vs. Showback (内部费用分摊 vs. 成本透明展示):企业 IT 财务管理(FinOps)中的两种机制。Showback指 IT 部门向各业务部门展示其消耗的 IT 资源及对应成本,但费用仍由 IT 预算统一承担;Chargeback则更进一步,直接从该业务部门的预算账户中实际划扣这笔费用。
当前企业 AI 成本管理中的一个常见误区:过度沉迷于底层的技术消耗指标(如 Token),而忽视了技术整合的全局成本与最终商业价值。
对于 CIO 和 CDO 而言,这提供了三点切实可行的管理启示:
1、对内精细核算,对外商业沟通:Token 成本的监控应当留在 IT 部门内部,作为架构师优化模型路由、压缩提示词和评估基础设施效率的技术指标(即工程层面的 FinOps),而不应将其直接包装成财务账单推给业务部门。
2、关注“砂浆”而非僅盯“砖块”:大模型消耗的 Token 只是“砖块”,而数据清洗、系统集成、安全护栏以及业务流程改造才是决定项目成败的“砂浆”。评估 AI 项目的总体拥有成本(TCO)必须具备全局视野。
3、以“成本展示(Showback)”构建共担文化:相比于容易引发部门推诿和账单争议的强制扣款(Chargeback),建立透明的成本展示机制更为务实。通过将 AI 成本转化为业务语言(如“单次客诉处理的 AI 辅助成本”),引导业务负责人共同评估投入产出比,才能真正实现技术投资与企业整体利益的对齐。