Token 经济学：AI 投资回报，到底该怎么算？

混沌AI院 2026年4月24日 17:19

文末附《一张地图讲清李兆霖分享》，请大家惠存！

过去两年，企业谈 AI，最常见的几个词是“降本”“提效”“人效提升”。

几乎每一个项目立项时，也都默认把目标写成这些方向： 流程更快一点、人工更省一点、内容更多一点、响应更及时一点。

但问题也越来越明显。

企业几乎都在做 AI 尝试，模型、工具、工作流、智能体不断上新，项目一轮接一轮地跑，真正跑到经营结果上的却不多。很多公司不是没投入，也不是没动作，而是做了一圈之后发现： AI 的热闹是真的，组织的变化也是真的，可真正能算清楚的回报，反而越来越模糊了。

这也是李兆霖这场分享最有价值的地方。

他讲的不是某个工具怎么用，也不是又一个“AI 成功案例”，而是更底层的一件事： 当 Token 正在成为新的生产要素，企业该用什么新的经济学，重新计算 AI 的投入、产出和回报。

在混沌 AI 院企业龙虾大会现场，李兆霖真正想回答的，不是“要不要做 AI”，而是三个更尖锐的问题：

· 为什么大多数企业明知道 AI 很重要，项目却跑不出结果？

· 为什么问题往往不在技术，而在组织？

· 以及最关键的，未来企业到底该用什么标准，判断一笔 AI 投资值不值得做、该怎么做、做完怎么回收价值？

接下来，我们就沿着这条主线，把李兆霖这场分享真正的重点拆开来看。

真正稀缺的，不是工具答案，而是定义问题的权利

我坐在下面听大家分享的时候，一直在做一个思想实验。

如果站在三年、五年之后回来看今天，我几乎敢保证，在座这些作为中国 AI 先行者的人，未来和 AI 协作的能力都会很强，AI 思维也都会很成熟。但同样可以确定的是，今天我们觉得很先进的很多应用、很多理论，到时候都会显得相当原始。

那在这样一种“我们明知道今天还很原始、但未来一定会继续往前”的状态里，什么东西最重要？

我越来越觉得，最重要的不是抢一个结论，而是保有定义问题的权利。

因为在一个变化极快的时代，最靠前的竞争已经不是“谁知道得更多”，而是“谁更早搞明白自己到底在回答什么问题”。

越靠前的那一层，越不是大家都知道的标准答案，而是你有没有提前把真正重要的问题想清楚、准备清楚。

这也是为什么，我不太愿意把今天的 AI 仅仅理解成一波工具潮。 工具当然重要，但如果只是围着工具转，很容易陷入一种表面上的领先：会装、会用、会试、会比较，但没有真正定义清楚我们为什么要做这件事。

所以对企业来说，第一步从来不是“我要不要上 AI”，而是：

· 我到底在解决什么问题？

· 这个问题是不是我的经营问题，而不只是我的焦虑问题？

· 我今天做的这件事，是在抢一个热词，还是在提前为未来重新铺底？

这一步想不清楚，后面做得越多，反而越容易把资源投入到错误的地方。

零一数科的故事说明：企业 AI 不是规划出来的，而是从最小切口“长”出来的

很多企业一讲 AI 转型，第一反应就是做大平台、做全公司级系统、做统一的大项目。逻辑上看起来很完整，但现实里往往最容易失败。

因为企业里的 AI 能力，很多时候不是设计出来的，而是长出来的。

零一数科这个案例，对我来说就很典型。

它一开始并不是先有一个完美的战略蓝图，再去配资源、配组织、配产品，而是从一个非常具体的业务切口开始长出来的： CRM 、线索管理、售前响应、客户经营。

最开始，他们也走过很传统的路：买外部产品、做定制开发、搭大系统。结果就是前期轰轰烈烈，后面没人用。

原因很简单， CRM 在很多人心里天然就是管理工具，是拿来让管理者看的，不是拿来帮业务赢单的。业务一线一旦觉得这东西是“给别人看的”，不是“帮我自己赢单的”，系统再好，也收不上数据。

真正的转折点，不是技术突然突破了，而是他们换了一种做法：先找最小切口，先做一个最小可用版本，让业务真正在日常里用起来，再根据真实反馈持续迭代。

也就是说，先不是想着“做一套完美系统”，而是先解决一个真实而高频的问题。

比如，线索能不能更及时被承接？客户信息能不能更完整沉淀？售前过程能不能被更细颗粒度地看到？管理层能不能看到更真实的转化过程？

这些问题一旦在一个小切口里跑通，AI 的价值就不再是抽象的。

它会变成签单率更高、续费率提升、响应更及时、线索不再丢失、客户信息不再散落。这时候，AI 不再是一个概念，而是业务自己愿意继续要的东西。

所以我后来越来越相信，企业 AI 落地最有效的路径不是“先规划一个大图”，而是：

1. 找一个足够小、足够痛、足够高频的切口。

2. 做一个最小可用版本。

3. 用内部的 VOC 持续迭代。

4. 让它从一个局部工具，长成一个内部产品。

5. 最后再逐步走向组织化、平台化、公司级。

企业 AI 不是规划出来的，它更多时候是从一个被业务真正需要的小场景里，慢慢长出来的。

真正阻碍企业 AI 落地的，不是技术，而是组织默认设置

很多企业今天最大的问题 ，不是 AI 不够强，而是把 AI 放进组织之后，它会撞上一整套“默认设置”。

这套默认设置，平时我们感受不到，因为它原本就是组织日常运转的背景音；但一旦要推进 AI，它们就会变成最大的阻力。

我把它大概归成四类。

｜第一类，治理默认

很多 AI 项目一开始就死在这里：没有唯一 owner。

大家都觉得重要，大家也都愿意参与，但没有一个人真正从试点到全量、从工具到业务结果，负起完整责任。结果就是所有人都在参与，所有人又都不真正负责。

项目一旦遇到跨部门协调、预算追加、流程改造、权限治理，就会停在那里。

｜第二类，激励默认

AI 提升了效率，可多出来的产能归谁？

如果一个人用 AI 干得更快、更好，组织会怎么回报他？

是让他承担更多任务，还是给他更多成长和收益？

如果激励机制没跟上，员工就会天然防御。因为他会本能地感受到： 我把这件事做快了，不一定对我更有利。这时候，再好的系统，也很难真正被拥抱。

｜第三类，流程默认

很多公司以为系统上线了，组织就变了。其实不然。

旧流程 + 新工具，最后大概率还是旧结果。

如果你的审批逻辑、协作逻辑、责任划分、信息流转方式都没变，那 AI 只会被塞进旧流程里，最后变成一个更贵、更复杂的新插件，而不是一套新的工作方式。

｜第四类，认知默认

这是最隐蔽的一层： 很多企业本能地把 AI 当成采购项目。

也就是说，习惯用过去买 SaaS、买系统、买软件的逻辑来看 AI：买一个回来，培训一下，上线一下，等着大家用起来。可 AI 不是普通 IT 采购，它不是一个上了就会自动创造价值的静态系统，而是一个要不断调、不断喂、不断重构流程、不断嵌进业务的动态能力。

所以很多企业的问题，不是努力不够，而是默认设置不对。

一旦这些默认设置不被识别出来，企业就很容易落入一个幻觉：我们已经上了 AI，为什么还是没结果？答案往往不是技术不行，而是组织没准备好让它真正发生作用。

企业落地 AI，不能只盯着“器”，而要回到道法术器

很多企业推进 AI，最容易陷进去的一层，就是“器”。

什么是器？模型、平台、Agent、工具、系统、插件、接口。它们都很重要，但也最容易制造一种错觉：好像我已经在做 AI 了。

但如果一直停在器这一层，你会发现自己永远在比较：

· 用哪个模型更好

· 哪个平台更快

· 哪个工作流更顺

· 哪个产品更适合自己

这些问题当然要看，但如果只看这些，企业很容易一直在工具层打转，却没有真正进入经营层。

所以我更愿意把企业 AI 落地，放回“道法术器”来看。

｜器

这是最外层。是你今天能看到、能买到、能接到的那些具体工具和能力。

｜术

术是那些已经被验证过、可以解决问题的核心能力。

不是“会不会用工具”，而是“有没有形成一套能被反复验证的做法”。比如，你有没有形成一套客户经营的能力、一套线索运营的能力、一套内容生产的能力、一套售前协作的能力。

｜法

法是流程、机制和规则。

也就是：这套能力怎么在组织里流转、怎么被管理、怎么被复用、怎么被放大。AI 真正改变的，不只是单点效率，而是企业的工作方式。

｜道

道是方向。

你到底想成为什么样的公司？你是被替代，还是被放大？你是想在旧逻辑上补一点 AI，还是想借 AI 重新定义产品、组织和增长方式？

所以企业落地 AI，如果只盯着器，最后一定会很累。

因为工具会不停变，产品会不停换，模型会不停升级。真正稳定的，反而是更往里的那几层：你有没有术，有没有法，有没有道。

Token 不是成本细节，而是企业重新配置投入的一把尺子

很多企业今天看 Token，还只是把它当成一种调用成本。

比如：

· 模型调用贵不贵

· 一天烧多少钱

· 预算够不够

· 能不能换便宜模型

但如果只把 Token 当“成本项”，你会低估这件事。

我越来越觉得， Token 不是成本细节，而是在变成一把新的资源配置尺子。

很多企业今天看 Token，还只是把它当成一种调用成本。比如：

模型调用贵不贵，一天烧多少钱，预算够不够，能不能换便宜模型。

但如果只把 Token 当“成本项”，你会低估这件事。

我们有一条核心的公式：

ROI_new = ΔY市场端 / (ΔK + ΔL + ΔT)

这条公式真正改写的，不是技术理解，而是企业理解 AI 投资回报的方式。

过去企业看 ROI，默认分母主要是资金和人力；但在 AI 时代，企业的新增投入已经不只是设备和人，而要把 T 单独拎出来看，也就是算力资本： Token、模型、算法能力。

而更关键的是，分子不再只是内部效率的改善，而是市场端有没有真正显化出新增价值，也就是 ΔY。

换句话说， AI 投得值不值，不是看内部有没有更快，而是看这些新增投入最后有没有在客户端、市场端，变成真正可兑现的结果。

所以 Token 经济学最重要的，不是告诉企业“要节省 Token”，而是逼企业重算一件事：

每一笔新增的 K、L、T 投入，最后到底有没有换回市场端的 Y。

过去企业讲投入，主要看几种资源：人力、资本、设备、厂房、软件系统。

可 AI 时代开始不一样了。随着模型能力越来越强、调用门槛越来越低、业务嵌入越来越深，Token 其实正在像过去的人力、资本、设备一样，变成一种可以配置、可以调度、可以交换、可以优化的新资源。

这意味着，企业以后思考的就不再只是“要不要买这个工具”，而是：

· 有限预算，应该投给哪个场景？

· 哪些调用值得烧？

· 哪些环节更适合人？

· 哪些环节更适合 Token？

· 哪些地方适合先验证，哪些地方先别碰？

也就是说，Token 经济学的本质，不是让你研究一个技术名词，而是在逼企业重算资源配置逻辑。

从这个意义上说，企业以后该问的不是“AI 用不用”，而是“这笔 Token 预算，押在哪一格最值得”。

AI 不是天然等于 ROI，企业该从“降本提效”走向“效能、效率、效益”

很多企业一讲 AI，最熟悉的话还是“降本提效”。这当然没错，但只停在这四个字，远远不够。

因为效率提升，不等于效果提升；效果提升，也不等于效益提升。

我更愿意把这件事拆开看。

｜第一层，效率

效率讲的是更快、更省、更少资源完成同样的事。

这层 AI 最容易做到，也最容易被看见。

｜第二层，效果

效果讲的是，事情是不是做得更准、更好、更接近目标。

比如，线索是不是更精准了，客户响应是不是更到位了，交付质量是不是更高了，决策是不是更清楚了。

｜第三层，效益

效益讲的是，前面这些变化最后有没有进入价值交换。

客户是不是愿意为新的价值买单？产品是不是因此更有竞争力？收入是不是因此发生了变化？

很多企业 AI 项目卡住，就是因为只看到了第一层。

做得更快了，材料更多了，响应更及时了，但客户没有因此多付钱，产品也没有因此更值钱。这时候，项目在内部看起来成功了，可在经营上，ROI 还没有真正成立。

所以企业真正要算的，不是“AI 帮我省了多少”，而是：

· 它有没有让我做到原来做不到的事？

· 它有没有让我为客户创造更高的价值？

· 它有没有让我卖得更贵、长得更快、活得更稳？

如果没有，那它最多还是一个效率工具，还没有变成经营工具。

企业真正需要的，不是一个更会干活的系统，而是一套能把 AI 编排进组织的能力

说到底，企业最后要面对的，不是“装上一个 AI 系统”，而是“能不能持续把 AI 编排进组织”。

这也是为什么我最后会落到两个行动框架：WOOP 和 Orchestration。

WOOP

· Wish：我真正想要达成什么？

· Outcome：如果做到，会带来什么结果？

· Obstacle：最大的障碍是什么？

· Plan：接下来具体怎么推进？

这个框架的价值在于，它把 AI 从一个泛泛而谈的方向，拉回到一套可执行的经营计划里。

Orchestration

企业真正需要的，不只是会用 AI，而是会调配 AI、会编排 AI。

不是单点调用，而是让不同角色、不同流程、不同系统、不同资源，在一个目标下被组织起来。

所以我越来越觉得，企业最后真正要的，不是一个更会干活的系统，而是一套能把 AI 持续纳入组织运行方式的能力。

只有到这一步，AI 才不再是一个项目，而是一种组织能力。

回头看，李兆霖这场分享最重要的地方，不是告诉大家 AI 有多强，而是提醒企业： 过去那套理解 AI 的方式，已经不够用了。

AI 项目跑不出来，不一定是技术不行，往往是问题没定义清楚，切口没找对，组织默认设置没改，资源配置逻辑也没重算。

真正的转型，不是“装上一个工具”，而是重新定义： 什么值得投，投到哪里，投完之后该拿什么衡量结果。

从定义问题，到跑最小切口；从识别组织默认设置，到回到道法术器；从 Token 成为新资源配置逻辑，到 ROI 不再只看降本提效；企业真正需要的，不是一个更会干活的 AI，而是一套更会算账、也更会落地的经营方法。

换句话说， AI 不只是企业要不要上的技术题，它已经变成了一道新的经济学题。谁先把这笔账算明白，谁才更有可能在下一阶段，不只是跟上，而是真的跑出来。

扫码加入企业AI内参群

让我们做您AI时代的信息内参

获取龙虾大会精华内容

实时了解每日AI最新资讯和玩法

和AI时代先锋者共学习共进步

混沌·AI院龙虾大会 · 目录

继续滑动看下一个