据TechRadar于2026年9月16日刊发的观点文章，企业人工智能正从以试验和采用速度为核心的阶段，转向资本纪律阶段。文章称，首席财务官在董事会对AI的提问已不再是“工具能做什么”，而是“它做了什么、创造了什么价值、这些价值是否足以支撑不断上升的算力成本”。未来企业AI的胜负，不会由部署最多代理或消耗最多token决定，而取决于谁能以更高效的算力使用产生更大的业务成果。
文章指出，许多企业正从聊天机器人和辅助工具转向可完成任务、作出决策并以极少人工输入行动的AI代理。企业通常先小规模部署一个代理支持特定流程，早期结果显现后，再在财务、客服、采购和供应链等职能中引入更多代理。收益可能快速增长，费用也可能同步攀升。与传统软件成本常与用户数量挂钩不同，AI成本由使用量驱动，并通过token计量。每一次提示、决策、工作流和交互都会消耗token。随着更多代理被部署并获得更大自主权，成本会迅速增加。企业因此需要以不同方式思考AI投资。
文章建议，企业应改变评估AI的方式。重点不应是消耗了多少token或每个token的成本，而应是理解每个token所产生的影响，也就是每单位算力消耗创造了多少业务成果。挑战在于，运营活动无法被简单转化为输入与输出的等式。员工或AI代理的每个动作未必立即影响营收或利润。例如，代理催收逾期付款或改道运输，其价值往往只有在这些动作与更广泛流程连接起来时才会显现。缺乏运营上下文，影响很难被准确衡量。AI仍能生成建议，但领导者无法可靠判断这些建议是否改善客户满意度或收入增长。文章称，这正是token浪费出现的地方：企业购买AI去重新发现组织已拥有的信息，同时难以区分有用的自动化与昂贵活动。
文章认为，运营上下文也能让代理工作得更好。当代理理解其所在流程，它可以凭更少提示、更少重试和更少人工纠正作出更有针对性的决策。这会让代理更准确、更高效，也更贴合企业实际运行方式。随着成本变得更可见，AI治理对企业愈发关键。许多企业正在建立监控和管理AI消耗的框架。目标不一定是减少token使用，而是增加此前不存在的问责机制。首席信息官和业务领导者需要了解哪些AI计划产生了可衡量的成果，哪些只是在制造活动。这意味着把AI消耗直接连接到客户满意度、运营效率、收入增长或交付表现等业务绩效指标。随着时间推移，企业还可能开发更精细的衡量方法，把AI投资与经济回报联系起来。最终重要的指标不是消耗的token数量，而是每个token消耗所创造的价值。
文章还称，多数IT资产会随时间折旧，系统过时、技术债务累积、维护成本上升，但上下文不同。每一个被映射的业务流程、每一个被编码的决策、每一种被记录下来的运营关系，都会形成可被未来AI系统复用的资产。在此意义上，上下文不像静态数据存储，更像一个学习循环。每次AI部署都会丰富组织对工作实际发生方式的理解，例如哪些审批拖慢决策，哪些结果代表成功。当这些知识被反馈到组织的上下文层，后续AI系统会从更完整的上下文中起步。