起源：王鹤棣父亲店铺遭差评 生意降落40%作者： 张翠珊：

Token生死线：金融AI企业的降本狂奔

“率直讲，窗口期已经不长了。企业的AI转型，可能要在两年内实现。”

盈米基金高级技术总监梁仲智指出，率先实现转型的企业将获得巨大的成本和效能优势，从而锁定地点领域的增量市场。在他看来，AI转型已不关乎发展，而是企业的“生死问题”。

然而，当前无数企业的AI落地正陷入困境。大量厂商和App仅在原有交互状态上“硬塞”一个AI副手，却难以真正解决用户的业务问题，导致用户使用强度普遍不高。问题的主题往往不在于技术自身，而在于出产关系难以匹配新的出产力，而调整出产关系是一个极其疾苦的过程。

据麦肯锡《2026年组织状态汇报》显示， 高达88%的AI试点项目未能规；，主因并非技术缺点，而是评估机造缺失和治理阻碍。组织筹备度不及作为一项“慢变量”相比技术风险更拥有荫蔽性。

盈米基金的索求极度拥有参考性。自2026年起，这家企业便起头自动求变发展AI鼎新。仅在研发端，所有角色便被归并为“产品工程师”。其旗下的AI智能副手“AI幼顾”已累计处置超过100万个用户提问，当Token亏损达到逐日百万级的真实挪用时，成本不再是抽象的数字，而是一张实切其实的账单。

据盈米基金董事长肖雯近日公开泄漏，盈米内部已部署200多个模型，月Token亏损量达千亿级别，AI已不再是尝试项目，而是真正成为了水电煤，成为了通常员工日常工作的必须品。

金融场景Token亏损三座大山

在索求降本蹊径前，盈米基金已尝试了模型分级调度、Prompt精简、缓存与预推算、RAG优化等多种伎俩，虽有成果，但他们但愿找到更靠近底层逻辑的解决规划。

梁仲智分析以为，金融场景的Token亏损有三大特点，直接推高了成本：

一是高低文出格长。?融决策必要综合?量信息——?个客户的持仓数据、买卖汗青、?险偏好、沟通纪录，加在?起可能就是?千甚?上万Token。这跟写?个代码补全齐全不是?个量级。

二是对正确性要求极高。幼我用户能够容忍AI写的博客文章有点啰嗦，但企业却不能容忍AI给出的投资建议算错收益率。这意味着金融场景往往必要更强（也更贵）的模型，以及更多的推理步骤。

三是场景的价值密度差距极大。用户问“什么是基金定投”和高净值客户问“我的500万资产怎么配置”，亏损的Token可能差不多，但业务价值相差几个量级。

“Token焦虑这个词很正确”，但在梁仲智看来，它更多是认知阶段的产品，焦虑往往来自“不知路值不值得”，若是能明显算出每一笔Token亏损对应的业务价值，焦虑就会隐没。

除了常见的“炫技式挪用”、“暴力式高低文”、“反复式推理”等浪费表，梁仲智出格指出了一种更荫蔽的浪费：“用概率推理解决确定性问题”。这类场景本该开发成传统软件，一次开发、无限复用，却被反复交给 AI 处置，凭空产生了线性成本，其浪费加起来可能占企业AI利用50%以上的Token亏损。

为此，盈米基金发展出了一套“Token套利”思想框架：

第一步，判断该场景是否有最优解。若是有，最好的做法是将其开发成传统软件——一次开发、无限复用、边际成本为零，好比基金筛选器、净值查问、账户总览等。 第二步，若是确定没有最优解，再看Token套利是否成立。在线性成本场景中，Token亏损性质上是在采办“非线性增长的杠杆”。

基于此，盈米基金选择在金融投顾场景上大量投入Token，让每一个Token代替的不是几分钱的推算成本，而是几十块甚至几百块的人力边际成本。

“工业革命的机械是一次投入、边际成本趋于零的，AI时期的机械是按使用量付费的，边际成本不为零。传统软件时期，你钻营一次开发、无限复用；AI时期，你钻营的是每一次挪用都创造正向价值。这是一个底子性的思想转变。”梁仲智指出。

让Token不成为成本中心

事实上，Token成本的精密化管控，正从企业的选建课变为必建课。

高盛2026年5月颁布的汇报指出，AI行业正从成本叙事转向利润叙事。汇报显示，主流大模型Token定价已从此前每年约40%的降幅趋于不变，而英伟达、AMD、谷歌TPU等驱动的每Token算力成本仍在以每年60%-70%的速度降落。两条曲线的“剪刀差」佚在打开利润空间。高盛预计，到2030年，消费端和企业端Agent计算将推动全球Token亏损量较2026年增长24倍，达到每月约120千万亿个Token。

“若是现代中文迸注文更省Token，那作为人类说话中信息密度最高的书面语之一，文言文是否也行？”

2024年底，海表社交媒体上出现了一波“学中文省Token”的热潮：美国开发者发现，同样的意思用中文表白，Token数量迸注文少好多。

梁仲智通过实测发现：将统一段话别离用英文、现代中文、文言文写出，推算Token亏损。了局惊人，文言文的Token数量约莫只有英文的30-40%。

这也是Token-Zip提出的主题思路：用一个低成本高速度的模型将用户原始输入翻译成文言文，而后用高成本高质量的模型用文言文思虑和回覆，最后再还原输出最终了局。相当于在昂贵模型的两端加了一个“压缩-解压”层。

实测显示，在54个跨14个领域的英文提醒词用例中，均匀节俭51%的用度成本，且回复质量也有所提升。“我们揣摩，这是由于文言文的简洁性迫使模型更聚焦于主题信息，削减了废话。”梁仲智补充。

此表，金融场景是一类必要大量天然说话交互的场景，如投顾服务、客户征询、研报?成、合规审查，这些场景的输?和输出都是以天然说话为主。Token-Zip的benchmark数据显示，?然语?密集型内容的压缩成效最好：如司法60%、教育60%、医疗57%、金融经济类45%。这意味着金融场景天然适合Token-Zip所提代表的压缩规划。

从前两年，盈米基金在Token成本节造上已经构建了一套分层战术：

一是模型路由，不是所有场景都用最贵的模型，只有真正必要强推理能力的场景才会用到顶级模型。并且选择模型的过程也不是一次性决策，而是持续优化的过程。 二是Prompt工程与高低文治理，蕴含精简system prompt、动态加载高低文、优化few-shot示例等。 三是场景固化，当一个AI场景被反复使用且逻辑不变后，将其从每次从零推理逐步固化为模板化执行，Token亏损量可能降低80%。AI助开发人员急剧验证一个场景是否有价值、逻辑若何，一旦验证通过且模式不变，就能够进行场景固化。

当然，当前三步工作都做完之后，对那些的确必要用贵模型且无法进一步固化的场景，便能够使用Token-Zip提供额表的压缩层。此表，盈米基金还实际出一条最具战术价值的蹊径——AI原生能力再资产化，即将企业内部所有的金融能力（如数据查问、投研分析、买卖执行等）封装成AI原生的尺度化工具（MCP Server），每个工具都有清澈的语义描述和尺度化的输入输出体式，届时AI挪用时Token亏损量将大幅降低。

整体来看，从模型路由参与景固化，再到Token-Zip和AI原生工具封装，盈米基金在构建一套系统化的Token成本节造系统。这套系统的主题不是单一地“省钱”，而是让每一笔Token亏损都造成可推算、可衡量、可优化的价值投资。

当你知路每一个Token都在为你采办非线性增长的杠杆时，Token焦虑就会真正隐没。“亏损Token不是坏事，但这个过程中肯定要思虑，若何将这些Token亏损不变且持续地转化为企业增量。”梁仲智建议。

（作者 | 杨丽，编纂 | 杨林）