《一本书读懂词元经济》节选：谁在消耗词元，价值如何转化

周一早上，一位消费品公司的市场经理接到任务：两天内提交一份竞品分析报告，覆盖五个品牌在三个渠道的定价、促销和用户评价。过去做这类报告，搜集行业资料、整理比较表格、撰写分析结论，两天刚好用完。这一次，她把收集到的二十份行业报告和电商数据导入AI分析工具，用自然语言描述分析框架，两小时后得到一份结构清晰的初稿。她用半天修改判断、补充内部数据、调整结论措辞，当天下午就提交了报告。系统账单显示：本次分析消耗约50万词元。 1 

第三章已经讨论了这50万词元从哪里来——模型、算力、数据、平台和安全治理共同构成供给链。但对这位市场经理和她的主管来说，真正重要的问题不在供给侧，而在需求侧：这些词元完成了什么任务，节省了多少劳动，最终创造了什么价值？如果没有需求侧的价值转化，词元只是一串账单数字。一次闲聊可以消耗词元，一次合同审查、工业故障分析或金融风控也可以消耗词元。数量相似，价值却可能完全不同。 

过去二十多年，数字经济的核心衡量对象是流量：用户点击了多少、看了多久、转发多少、转化多少。词元经济的衡量对象则发生变化：它关注的不再只是人看了多少信息，而是智能系统完成了多少认知任务，生成了多少可用结果，节省了多少专业劳动。 

换言之，如果说流量经济衡量的是注意力，那么，词元经济关注的是智能系统完成了多少认知任务、产出了多少可用结果。 

从流量经济到词元经济：需求侧新增的一层逻辑

要理解词元需求，必须先理解数字经济的旧逻辑。很长一段时间里，互联网平台的核心资源不是内容本身，而是人的注意力。赫伯特·西蒙早在1971年就指出，信息的丰富会造成另一种东西的稀缺，即信息接收者的注意力。此后，搜索、社交、短视频和电商平台都围绕注意力展开竞争：谁能吸引用户停留，谁就拥有商业化能力。 日活、点击率、停留时长、转化率、复购率，成为流量经济中最常见的指标。 

词元经济并不是在流量经济之上多加一个AI工具，而是改变了需求侧的基本单位。在流量经济中，用户是“观看者”、“点击者”和“浏览者”；在词元经济中，用户首先是“任务发起者”。他打开AI工具，不只是为了看内容，更是为了完成一项认知任务：解释材料、生成文字、修改方案、分析数据、翻译合同、编写代码、整理会议，或者让智能体连续处理一个复杂流程。用户表面上是在与模型对话，实质上是在把一部分认知劳动交给智能系统。 

这带来四个变化。第一，需求不再主要由内容消费驱动，而由任务完成驱动。一次短视频播放的价值取决于是否被观看、点赞或转化；一次AI调用的价值取决于输出能否被使用。第二，需求不再只来自人类主动点击，也来自软件和智能体的自动调用。客服系统、代码智能体、企业运营系统，都可能在后台持续消耗词元。第三，数字经济的关注点，也从“占用了多少注意力时间”转向“完成了多少任务”。一个高质量AI系统可能用十秒钟完成过去两小时的工作；一个低质量系统即使让用户停留很久，也未必创造价值。第四，需求从“获取信息”走向“获得能力”，搜索引擎返回网页，生成式AI则参与写、改、算、画、编程、分析、比较、规划和执行。 

麦肯锡估计，生成式AI每年可能创造2.6万亿至4.4万亿美元的经济价值，且在客户运营、营销销售、软件工程、研发等知识工作密集领域具有较大潜力。Anthropic基于数百万次Claude对话的研究也显示，AI使用高度集中在软件开发和写作等任务上，且既包括增强人类能力，也包括自动化完成请求。这些研究共同说明：词元需求正在围绕“任务”而不是“内容”展开。 

需要说明的是，两套逻辑并非互斥替代：AI应用仍可能依赖流量与注意力，流量平台也在嵌入任务型服务，二者更多是叠加与融合。流量经济不会消失。人仍然会浏览内容，平台仍然会争夺注意力，广告和交易仍然重要。但词元经济会形成另一套增长逻辑：个人把AI作为能力延伸，企业把词元嵌入组织流程，智能体在后台自动消耗词元。下一节将进一步讨论这些需求主体。 

谁在消耗词元：个人、企业与智能体

需要先区分两个层面：个人、企业、系统软件与智能体这三类主体并不在同一层级——个人和企业是承担付费、决策与责任的最终需求主体，政府、教育、医疗等机构也归入这一类，开发者通常依附于个人或企业；系统软件与智能体则是代表它们自动消耗词元的调用触发主体。本节先看最终主体，再看触发机制。从表面看，词元的消费者是不同类型的用户——个人打开聊天机器人，企业接入模型API，开发者调用模型接口，智能体在后台执行任务，都会产生词元消耗。但进一步看，这些使用者背后的经济逻辑并不完全相同。个人消耗词元，是为了延伸能力；企业消耗词元，是为了重组效率；智能体消耗词元，则意味着词元需求从“人类触发”扩展到“机器触发”。

（一）个人用户：从信息获取到能力延伸

个人用户是词元经济最早、最直观的需求方。在搜索时代，个人主要通过关键词寻找网页；在移动互联网时代，个人主要通过推荐系统消费内容；在生成式AI时代，个人开始把任务交给模型——写邮件、改文字、解释论文、生成图片、辅导数学题、规划旅行、翻译材料、解读体检报告，都可能是一次词元消耗。 

以一位独立撰稿人为例。她为多家企业撰写公众号文章和产品手册，过去每篇三千字的稿件需要查阅资料、拟定提纲、写初稿、反复修改，通常花一整天。现在，她把客户提供的产品资料和竞品信息交给AI，让模型生成结构化提纲和初稿段落，自己集中精力调整观点、打磨文风和核实细节，同样的工作，时间压缩到半天以内。更重要的变化是，她开始承接以前不敢接的技术类稿件——不是因为她突然懂了芯片工艺或云计算架构，而是模型帮她快速消化技术材料，她只需要把技术语言转化为读者能理解的表达。一个人加一个模型，让她能更快消化陌生领域的材料；但专业判断的准确性，仍需要她自己核实把关。 

这种变化的关键，不是个人多了一个“问答工具”，而是普通人可以低成本调用过去只有专业人士、组织或昂贵软件才能提供的认知能力。一个非程序员可以让模型解释代码，一个家长可以让模型设计孩子的学习计划，一个自由职业者可以让模型辅助写方案，一个创业者可以让模型生成市场调研框架。词元在个人端的价值，首先体现为能力延伸。 

这种能力延伸包括三个方面：降低知识获取门槛，提高表达和生产能力，扩大个体行动半径。所谓“一人公司”“超级个体”之所以在大模型时代被反复讨论，正是因为个人可以通过模型和工具，把写作、设计、调研、客服、营销、编程等能力临时组织起来。但个人端通常仍处在“增强”而非“完全自动化”阶段。模型生成内容之后，人需要判断、修改、整合和承担责任。Anthropic研究显示，AI使用中约57%更接近增强人类能力，约43%更接近自动化完成请求。 

（二）企业用户：从工具试用到流程重组

如果个人用户代表词元经济的普及面，企业用户则决定词元经济的规模和深度。企业不是为了“尝鲜”而消耗词元，而是因为组织内部存在大量知识工作：客服要回答问题，销售要写方案，法务要审合同，财务要看报表，人力要筛简历，研发要写代码，管理层要看经营分析。这些工作信息量大、重复性高、格式化程度较强，又需要一定理解、判断和表达能力。 

词元进入企业，最先改造的往往不是最复杂的战略决策，而是会议纪要、文档摘要、客服辅助、销售话术、代码补全、知识库问答等高频环节。微软与LinkedIn发布的2024年Work Trend Index显示，75%的知识工作者已经在工作中使用AI；与此同时，许多领导者认为AI对竞争力至关重要，但组织缺乏清晰实施愿景和计划。这说明，员工层面的工具使用往往快于组织层面的流程改造。 

企业词元消费通常经历三个阶段：第一，个人效率工具化，员工自发使用AI完成写作、总结、翻译、资料搜索和代码辅助；第二，部门流程嵌入，客服、销售、研发、法务、人力、财务等部门把模型接入具体系统；第三，组织级智能化，企业重新设计工作流，把任务拆解为人类判断、模型生成、工具调用、数据检索、系统执行和人工审核等环节。到第三阶段，词元就成为组织运行中的新型投入品，进入预算、审计、投资回报率 （Return on Investment，ROI） 和风险管理。需要说明的是，三个阶段并非严格线性：不同企业可能并行推进，也可能长期停留在某一阶段。 

企业与个人最大的不同在于可控性。个人使用AI，如果回答不好，最多重问一次；企业如果把错误输出放进合同、授信、代码、客户沟通或医疗建议中，就可能带来真实损失。因此，企业级词元需求不会简单由“模型越便宜越好”驱动。低价模型适合低风险任务，高价值任务则需要更强模型、更好数据、更严格权限和更完整审核。 

（三）系统软件与智能体：词元的自动化消耗者

第三类需求主体，是系统软件和智能体。早期大模型应用中，词元消耗通常由人直接触发；随着API、插件、工具调用和智能体框架发展，越来越多词元消耗开始由软件触发。开发者把模型能力嵌入产品和流程，一个系统软件接入模型API，就可能让成千上万用户间接消耗词元；一个企业系统集成模型，就可能让多个部门持续产生词元需求。 

编程场景是目前典型的高频词元消费场景之一。GitHub Copilot相关实验证据显示，在一项让开发者实现HTTP服务器的受控实验中，使用AI编程助手的实验组完成任务速度比对照组快55.8%。这一结果不能简单推广到所有软件开发场景，但说明模型嵌入开发工具后，词元不只是生成文本，更是在参与软件生产。 

智能体进一步放大这种趋势。一个智能体不是只回答一次问题，而是围绕目标连续调用模型和工具：理解任务、制订计划、搜索资料、读取文件、调用代码环境、检查结果、修正输出。Anthropic后续关于Claude使用的研究发现，用户将任务委托给Claude的比例在数月内上升，企业API场景也呈现更强的自动化和专业化特征。词元需求的增长不只来自聊天次数增加，也来自系统把更多任务交给模型连续执行。 

（四）三类主体在两个层面上的共同逻辑

个人、企业和智能体看似不同，但共同点是：词元消费的本质不是“使用AI工具”，而是“调用智能能力”。个人把模型当作能力延伸，企业把模型嵌入组织流程，智能体把模型变成任务执行部件。三者共同推动词元需求从低频问答走向高频工作流，从人类主动输入走向系统自动触发，从内容生成走向任务完成。 

本节的结论是：词元需求侧不是一个单一市场，而是由个人能力延伸、企业效率重组和智能体自动化执行共同组成的复合市场。大体上，个人需求影响普及速度，企业需求影响价值深度，智能体的自动调用则可能主导未来的消耗强度；此外，政府、教育、医疗等公共部门也是不可忽视的需求来源。 

词元的价值体现在哪里：效率、收入、能力、组织与知识发现

词元本身不是价值。企业账单上可以看到消耗了多少输入词元、输出词元、缓存词元和工具调用，但这些数字本身并不直接等同于经济价值。一个部门消耗大量词元，可能是因为工作流程更智能，也可能是因为提示词低效、反复返工、模型选择不当，甚至是智能体无效循环。判断词元经济是否成立，不能只看消耗量，而要看价值转化机制。 

从需求侧看，词元价值大致通过五类路径实现：效率提升、收入增长、能力扩展、组织形态变化和知识发现。效率提升回答“省了什么”；收入增长回答“新增了什么”；能力扩展回答“过去做不了的事情现在能不能做”；组织形态变化回答“工作如何重新分工”；知识发现则回答“能不能发现以前发现不了的东西”。 

（一）效率提升：节省时间和降低成本

词元最容易被观察到的价值，是效率提升。在许多知识工作中，真正占用时间的不是创造性灵感，而是阅读、整理、归纳、改写、查找、分类和格式化。会议纪要、客服回复、合同初审、代码补全、测试生成等环节，都包含大量高频、重复、半结构化的认知劳动。生成式AI进入这些环节后，词元首先压缩的就是这些任务片段。 

已有实证研究提供了早期证据。Noy和Zhang在Science发表的实验研究中，让453名受过大学教育的专业人士完成职业相关写作任务，并随机让一部分人使用ChatGPT。结果显示，使用ChatGPT的实验组完成任务的平均时间下降40%，输出质量提高18%。客服领域也呈现类似趋势。Brynjolfsson、Li和Raymond基于5179名客服人员数据研究生成式AI对工作效率的影响，发现AI助手使每小时解决的问题数量平均提高14%，且新手和低技能员工改善幅度更大。 

但效率提升不是无条件发生的。Dell’Acqua等人与波士顿咨询公司合作开展的实验提出“锯齿状技术前沿”概念：在AI能力边界内的任务中，使用GPT-4的咨询顾问完成任务更多、速度更快、质量更高；但在被设计为超出AI能力边界的复杂管理任务中，使用AI的人反而更不容易给出正确解法。因此，效率路径的关键不是“所有任务都用AI”，而是识别哪些任务处在模型能力边界内，哪些任务必须保留人类判断。换言之，在能力边界外的任务上，消耗的词元不仅没有产生价值，反而带来了错误和返工成本。 

（二）收入增长：提供新产品和新服务

词元实现价值转化的第二条路径是收入增长。如果说效率提升主要体现为“少花钱、少花时间”，收入增长则体现为“做出新产品、服务新客户、打开新市场”。许多AI应用的价值，不只是让原有流程更快，而是让过去无法规模化提供的服务变得可行。 

教育机构可以用模型生成个性化讲解和练习题，文旅企业可以根据用户偏好生成路线和导览内容，金融机构可以为长尾客户提供初步投资教育和产品解释，设计平台可以让普通用户快速生成视觉素材，软件公司可以把代码生成、测试生成、文档生成集成到开发流程中。这些场景共同说明：词元把原本高度依赖人工的服务拆成可被模型参与的任务，使服务能够以更低边际成本覆盖更多用户。 

收入增长还来自产品形态变化。传统软件销售功能，AI原生产品往往销售结果。用户购买的不是一个文本编辑器，而是“帮我写好一封邮件”；不是一个搜索框，而是“帮我完成调研”；不是一个客服系统，而是“帮我解决客户问题”。当产品从功能导向转向任务导向，词元就成为新产品的底层成本单位和价值实现单位。需要区分的是，这更多是产品的价值主张；在实际收费上，多数AI产品仍采用账号订阅、功能套餐或API用量计费，纯粹按结果付费目前只出现在部分服务中。 

（三）能力扩展：让非专业者获得专业支持

第三条路径是能力扩展。过去，很多专业能力被绑定在特定人群、机构和软件系统中。会写代码的人才能开发工具，懂设计的人才能做视觉方案，懂法律的人才能审合同，懂财务的人才能读报表。生成式AI没有消除专业差异，但降低了初步调用专业能力的门槛。 

一个普通员工可以让模型解释财务指标，一个小企业主可以让模型起草合同条款，一个学生可以让模型拆解复杂概念，一个个体创业者可以让模型生成营销方案。模型输出未必能直接作为最终答案，但可以成为草稿、框架、解释器和陪练者。前述客服研究显示，AI助手对新手和低技能员工帮助更大。这说明AI可能起到“经验扩散器”的作用，把高绩效员工的部分做法传递给低经验员工。 

能力扩展既包括横向扩展，也包括纵向扩展。横向扩展是个人或组织进入原本不熟悉的领域，完成初步探索；纵向扩展是专业人士利用模型放大自身能力，把低价值环节交给模型，把精力集中在判断、责任和创造性问题上。词元可以降低进入门槛，但不能取消责任门槛。需要强调，这种扩展停留在初步理解和辅助准备的层面；真正进入专业决策，仍需专业人员核验并承担责任。 

（四）组织形态变化：从岗位分工到任务编排

第四条路径是组织形态变化。当词元只是个人偶尔用于写作和问答时，它只是工具；当词元持续嵌入企业流程时，组织结构就会受到影响。企业原本围绕岗位分工运行：客服回答问题，法务审合同，研发写代码，管理层做决策。大模型进入后，许多工作被拆成任务片段：检索、总结、生成、校验、判断、执行。 

这会推动企业从“岗位分工”走向“任务编排”。以合同审查为例，系统可以先读取合同、提取条款、匹配模板、标记风险、生成修改建议；法务人员再判断风险是否真实、建议是否可行、谈判策略如何安排。以客服为例，模型识别意图、检索知识库、生成答复，人工客服处理复杂情绪、特殊权限和高风险问题。在这种结构中，人的角色从单纯执行者，转向任务设计者、模型使用者、结果审核者和责任承担者。 

2025年关于宝洁公司776名专业人士的现场实验显示，AI不仅影响个体效率，也可能重塑团队协作：使用AI的个人表现可接近未使用AI的双人团队，同时AI、有助于打破研发和商业人员之间的功能壁垒。这说明，AI并不只是加速个人工作，还可能改变团队中知识如何流动、专业如何互补、协作如何组织。 

（五）知识发现：让AI参与科学探索

第五条路径是知识发现。前四条路径主要是把已有的人类工作做得更快、更省、更广；知识发现则指向另一种价值——借助AI发现以前难以发现的东西。在科学研究中，模型可以从海量文献、实验数据和分子结构中提出假设、筛选方案、加速实验设计，所谓“AI for science”正在材料、生物医药、化学等领域展开。这类任务消耗的词元，价值不在于省下多少工时，而在于能否撬动新的发现：单位词元的潜在回报可能极高，但也高度依赖数据质量、专业判断和反复验证。 

这几条路径都不是自动发生的。词元能否真正转化为价值，既取决于任务适配、质量控制与人机分工，也取决于数据质量、系统集成、组织能力与预算治理，后者将在第四节展开。 

词元预算与运营：企业如何管理新型成本科目

需求侧的成本管理，压力主要落在企业身上——个人用量小，智能体最终也由企业部署和买单，因此本节聚焦企业。这与第三章供给侧讨论的“价格如何形成”不同：那里讲价格怎么来，这里讲需求方如何规划、归因和管控自己的词元支出。当企业只是零星试用AI工具时，词元消耗往往只是技术部门或创新部门的一笔小额费用。但AI进入客服、销售、研发、法务、财务、知识管理和智能体流程后，词元就不再是“试用费用”，而会变成企业经营中的新型成本科目。 

这时，企业不能只问“用了多少AI”，而要追问：谁在用词元？用在哪些任务上？使用结果是否有价值？有没有重复调用？有没有把敏感数据输入外部模型？有没有让智能体在后台无节制运行？有没有低价值任务占用高成本模型？在词元消耗规模扩大后，企业需要的不只是模型接入能力，更是词元运营能力。 

（一）从API账单到词元预算

许多企业最早接触词元成本，是从模型API账单开始的。开发者调用模型，账单显示输入词元、输出词元、缓存词元和工具调用费用；部门购买AI产品，账单显示账号数、额度、套餐和超额费用。试点阶段，这种成本规模不大，往往由创新预算覆盖。但当客服系统、研发平台、知识库系统和智能体持续运行时，词元成本会变得高频、分散、增长迅速，更像云计算费用，会随着使用强度自动增长。 

云计算时代已经形成云财务运营 （Financial Operations，FinOps） 经验。FinOps基金会将FinOps定义为一种运营框架和文化实践，通过工程、财务和业务团队协作，最大化技术商业价值，促成及时的数据驱动决策，并建立财务问责。词元经济中的成本管理可以借鉴这一思想，但也要看到差异：云成本主要对应计算、存储、网络等资源；词元成本对应的是认知任务、模型能力和输出结果。企业不仅要控制消耗，还要判断消耗是否创造价值。 

词元预算的第一步，是把总账单拆解到部门、项目和任务。部门维度回答“谁在用”，项目维度回答“为哪个业务目标使用”，任务维度回答“具体用来做什么”。只有完成这些归因，企业才可能建立预算。否则，词元账单只是一个总数，看似可控，实际无法管理。 

（二）预算不是压低消耗，而是合理规划投入

词元预算容易被误解为“如何少用AI”。事实上，企业做词元预算的目标不应是简单压低消耗，而是合理规划投入水平——哪些任务该用AI、用什么等级的模型、额度如何在部门和项目之间分配。如果一个任务消耗很多词元，但显著节省人力、缩短交付周期、提高转化率或降低风险，它可能是值得的；如果一个任务消耗不多，但结果不可用、需要反复修改，甚至引入错误，低成本也可能是浪费。 

因此，企业需要建立任务分级。低风险低价值任务，如普通改写、格式调整、简单摘要，适合使用低成本模型；高频提效任务，如客服辅助、会议纪要、知识库问答、代码补全，需要关注整体成本和稳定收益；高价值复杂任务，如金融投研、法律审查、工业故障诊断，可以使用更强模型、更长上下文和更多工具，但必须配套人工审核；高风险限制任务，如医疗诊疗建议、重大金融决策、生产控制指令，则必须纳入合规、责任和审批流程。 

微软关于Azure AI Foundry成本管理的文档也体现了类似思路：企业应在部署前估算费用，在使用过程中跟踪支出，并设置预算和提醒，以避免超出预期；同时，模型服务成本只是整体应用或解决方案成本的一部分。这说明，企业级AI成本管理已经从“看账单”走向“部署前规划—使用中监控—超额时预警”的全过程管理。 

（三）词元ROI、审计与运营闭环

词元预算解决“花了多少”，词元ROI解决“值不值”。企业至少应建立任务级评估框架，同时看效率、质量、业务和风险四类指标。效率指标包括任务完成时间、单位时间处理量、人工复核时间；质量指标包括输出可用率、一次通过率、错误率、返工率、人工采纳率；业务指标包括客户满意度、转化率、投诉率、风险识别率；风险指标包括是否出现敏感数据泄露、错误建议、合规问题和高风险决策误用。 

词元审计则回答“模型读了什么、说了什么、影响了什么”。传统软件审计主要关注谁登录系统、修改了什么数据；词元经济中的审计还要记录哪些数据进入模型，调用哪个模型和版本，使用什么提示词，输出什么结果，结果是否被采纳，是否进入合同、报告、代码仓库、审批流程或客户回复。美国国家标准与技术研究院 （National Institute of Standards and Technology，NIST） 人工智能风险管理框架 （AI RMF 1.0） 把A风险管理组织为治理、映射、度量和管理等核心功能，强调组织应识别、评估、管理和沟通AI风险。本书所说的“词元审计”，是借鉴NIST等治理框架的思路，把审计落到词元的输入、调用、输出和影响链条上——这一术语是本书的分析性提法，并非NIST原文概念。 

当预算、ROI和审计结合起来，企业就会形成词元运营。它不是单纯由技术部门负责，也不只是财务部门看账单，更是业务、技术、财务、安全、法务和管理层共同参与的运营体系。本书把这套做法称为“词元运营”：它借鉴云计算的FinOps，但管理对象不是计算、存储资源，而是认知任务、模型能力与输出结果。 

本节的结论是：当词元成为企业新型成本科目，管理重点不是把词元用得越少越好，而是把词元用在正确任务上、用出可验证价值，并把风险控制在可接受范围内。 

高价值任务与低价值任务：需求侧的价值密度分化

不是所有词元都同样有价值。模型账单会告诉企业消耗了多少词元，但不会自动告诉企业这些词元创造了多少价值。同样100万词元，用于闲聊、娱乐和普通改写，可能只是改善体验；用于客服分流、代码生成和合同审查，可能节省大量人力；用于金融风控、工业诊断和药物研发，可能影响重大决策和高价值产出。数量相同，价值密度完全不同。 

所谓价值密度，是指单位词元在特定任务中能够创造的经济价值、降低的成本、减少的风险或扩展的能力。一个任务消耗词元越多，不一定价值越高；一个任务消耗词元不多，也可能因为进入关键流程而产生巨大价值。需要说明，价值密度是一个相对的、定性的判断框架，用于帮助企业排序和取舍，而非可折算为同一刻度的精确数值——不同任务的收益单位不同，省下的工时、降低的风险、新增的收入很难统一计量。 

（一）低价值任务与中价值任务

低价值任务并不是没有价值，而是单位价值有限、错误代价较低、用户付费意愿较弱。典型场景包括闲聊、娱乐对话、简单问答、普通改写、低风险文案、日常摘要、轻量翻译、图片趣味生成等。这些任务门槛低、频率高、结果可替代性强。其作用更多在于普及和习惯养成，让用户熟悉AI交互方式，理解模型能力和限制。但低价值任务不宜长期占用高端模型资源，否则成本和收益会不匹配。这里的高低，指这些任务在通常情况下的单位经济价值和错误代价；同样是翻译或摘要，在重要合同、医疗资料等场景中也可能是高价值任务。分类是为了管理便利，而非给具体用途贴固定标签。 

中价值任务则是当前最容易规模化，也最容易被企业感知的部分。典型场景包括会议纪要、文档摘要、知识库问答、客服辅助、销售话术、营销内容、翻译润色、代码补全、测试生成、数据解释、报表初稿、合同条款初筛等。这些任务发生频率高，有明确工作结果，错误代价可控，可以通过人工复核修正。前文提到的写作实验、客服研究和开发者实验，大多属于中价值任务范畴。 

中价值任务最需要关注总量和采纳率。单次调用可能不贵，但因为频率极高，很容易形成可观账单。一个客服辅助系统如果生成十条建议，只有两条被采纳，价值密度就偏低；如果八条被采纳，并显著缩短响应时间，价值密度就较高。企业应当关心“多少词元产生了被采纳的结果”，而不是只关心“消耗了多少词元”。 

（二）高价值任务与高风险限制场景

高价值任务，是词元经济最有潜力，也最难管理的部分。典型场景包括金融投研、信用风控、反欺诈、法律审查、药物研发、医疗辅助、工业故障诊断、复杂代码生成、网络安全分析、企业战略分析、供应链优化等。这些任务专业性强、信息密度高、错误代价大、结果价值高。 

高价值任务并不一定消耗最多，但单位价值可能最高。一份金融研报摘要如果帮助研究员更快发现关键风险，一次合同审查如果提前识别重大责任条款，一次工业故障分析如果减少停机时间，一次安全分析如果提前发现漏洞，其经济价值远高于普通文本生成。 

但是，高价值任务不能简单等同于“用最贵模型”。高价值任务通常要求模型能力、行业数据、知识库、工具调用、人工审核和责任机制共同作用。一个高性能模型如果没有可靠数据，可能生成流畅但错误的判断；一个行业知识库如果没有更新，可能给出过时依据；一个智能体如果没有权限控制，可能把错误操作带入生产流程。 

高风险限制场景则具有更强的责任约束。医疗诊疗、重大金融决策、生产控制、法律最终意见等任务，潜在价值很高，但错误代价极大。它们不能只按效率和成本衡量，还必须设置严格权限、专家复核、审计留痕和责任边界。 

（三）从消耗量管理走向价值密度管理

价值密度首先取决于任务位置。一个强模型用于闲聊，其产出仍可能是低价值的；一个低成本模型用于高频客服分流，反而可能创造稳定商业价值。模型能力决定词元可能达到的质量上限，但任务位置决定词元是否有价值出口。 

价值密度至少受六个因素影响：任务重要性、输出可用性、替代劳动价值、错误代价、规模化程度、数据和流程嵌入深度。企业不能只看模型价格，也不能只看词元数量，而要看词元被放在什么任务里。一般而言，任务越重要、输出越可用、越能规模化复用，单位词元价值越高；反之，错误代价和复核成本越高，价值实现的难度也越大。 

本节的结论是：词元经济的增长，不只在于词元总量增长，更在于更多词元进入高价值、高复杂度、高可信要求的任务，并且能够在可控风险下稳定创造价值。 

需求侧风险：幻觉、泄密、依赖与责任归属

前面几节讨论了词元如何创造价值，但词元越深入个人生活和企业流程，风险也越不再只是“模型答错了”这么简单。当词元只用于闲聊，错误成本相对较低；当词元进入客服、合同、代码、金融、医疗、工业和政务流程，错误就可能带来客户损失、合规风险、系统漏洞、业务中断甚至责任纠纷。 

因此，词元经济的需求增长必须伴随风险治理。企业和个人必须回答：模型输出是否可靠？输入数据是否安全？人是否过度依赖模型？模型输出是否存在系统性偏见？ AI 参与决策是否符合公平性要求？如果模型输出造成损失，谁承担责任？这些问题决定词元能否从低风险试用进入高价值业务流程。 

（一）幻觉风险：输出流畅不等于输出正确

生成式AI 最常见，也最容易被低估的风险，是幻觉。所谓幻觉，并不只是模型“胡说”，而是模型生成看似合理、语气自信、格式完整，但事实错误、依据不足或推理不成立的内容。在企业场景中，幻觉可能变成错误摘要、错误合同判断、错误代码、错误客户答复、错误投研结论。 

NIST 在《AI 风险管理框架：生成式AI 画像》中指出，生成式AI 具有信息完整性、虚构内容 （Confabulation） 等多类风险，并强调组织需要识别与管理生成式AI 在设计、开发、部署和使用中的独特风险。这说明，幻觉不是单一技术缺陷，而会与组织流程、数据来源、用户判断和责任机制交织在一起。 

需求侧治理幻觉，不能只依赖“换一个更强模型”。更强模型可以降低错误率，但不能消除错误。低风险任务可以轻量自查，中风险任务需要检索增强、引用来源、人工复核和版本记录，高风险任务则必须建立专家审核、交叉验证、输出留痕和责任边界。 

（二）数据泄露、过度依赖与责任归属不清

数据泄露。许多用户会自然地把文件、代码、合同、客户信息和业务材料输入模型。对企业来说，这可能涉及商业计划、客户名单、财务报表、源代码、研发资料、合同文件、交易数据和内部会议纪要。一次看似普通的模型调用，可能意味着敏感数据进入外部系统、 日志、第三方服务或跨境数据流。 

开放式全球应用安全项目 （Open Worldwide Application Security Project， OWASP） 大语言模型应用安全项目把“敏感信息泄露 ”列为大语言模型 （Large Language Model，LLM） 应用的重要风险之一。这些风险对需求侧尤其重要，因为许多问题并不发生在基础模型内部，而发生在企业如何接入模型、开放权限、处理输出、设计插件和工具链上。 

过度依赖。AI 可以降低任务门槛、提高效率、扩展能力，但也可能导致判断退化。用户长期依赖模型写作，可能降低独立组织表达的能力；开发者长期依赖代码生成，可能降低对底层逻辑和安全漏洞的敏感度；管理者长期依赖模型摘要，可能减少对原始材料的深入阅读。治理依赖风险，需要重新设计人机分工：低风险任务可以自动化，中风险任务可以模型生成、人类审核，高风险任务必须保留专家判断。 

责任归属不清。当模型输出进入业务流程，责任就变得复杂。AI 客服给客户错误承诺，谁来负责？代码助手生成漏洞代码，谁来负责？智能体错误更新数据库，谁来负责？金融分析模型给出误导性判断，谁来负责？这类责任问题最终需要制度化的责任界定与合规框架——欧盟《人工智能法案》就围绕高风险AI 系统、透明度与治理建立了规则。相关监管框架在本书第九、十章专门讨论，这里不展开。 

公平性风险。当模型输出带有性别、种族、地域等偏见，并被用于筛选、评分、推荐等自动化决策时，可能造成系统性歧视、损害社会信任，甚至引发监管处罚。需求侧应通过偏见检测、公平性评估、多元数据集和人工抽检来防范。 

成本风险。智能体在后台无效循环、低价值任务长期占用高成本模型，都可能让词元账单失控。企业需要通过预算控制、调用限额、异常监控和模型路由，把成本约束在可接受范围内。 

（三）把AI使用纳入组织制度

幻觉、泄密、依赖和责任归属，看似是四类风险，实质上都指向同一个问题：词元消费不能只靠个人习惯和工具体验，而必须纳入组织制度。企业可以从五个方面建立需求侧管理：任务分级、数据分级、模型分级、人员分工、持续监控。 

任务分级决定哪些任务可自动化、哪些需复核、哪些需专家审核、哪些禁止自动化。数据分级明确哪些数据可进入外部模型、哪些只能进入私有环境、哪些必须脱敏、哪些禁止输入。模型分级要求不同任务使用不同模型，不同模型拥有不同权限。人员分工明确使用者、审核者、审批者、技术维护者和风险负责人。持续监控则通过日志、抽检、红队测试、用户反馈和错误复盘，改进模型、提示词、知识库和工作流。 

本节的结论是：词元经济越深入业务流程，风险治理越不能事后补救。需求侧真正成熟的标志，不是每个人都会使用AI ，而是组织能够知道哪些任务适合AI 、哪些数据可以输入、哪些输出可以采纳、哪些结果必须审核，以及一旦发生错误由谁负责。 

词元需求的本质是智能能力转化。本章从需求侧讨论了谁在使用词元，以及词元如何转化为价值。 

第一，词元需求来自个人、企业与智能体三类主体——前两者是最终主体，后者是触发主体。个人消费词元是能力延伸，企业消费词元是效率重组，智能体消费词元则意味着机器工作流开始自动消耗智能能力。 

第二，词元价值通过五条路径实现：效率提升、收入增长、能力扩展、组织形态变化和知识发现。词元本身不是价值，只有进入具体任务、形成可用结果、嵌入合理流程，才能转化为经济价值。 

第三，词元需求增长必须伴随风险治理。幻觉、泄密、依赖与责任归属等，决定词元能否进入高价值、高风险、高可信场景。 

由此，第四章完成了从“谁在用词元”到“词元如何变成价值”的解释。下一部分将进入具体行业场景：制造、文旅、金融、跨境服务 等领域中，词元究竟如何被消耗，又如何改变成本结构、业务流程和产业逻辑。

注释：本节开篇为示意情境，用于说明词元消耗的量级，并非特定真实案例。

本文摘选自《一本书读懂词元经济》 

杜宁 睿格钛氪（北京）技术有限公司CEO

本文来自微信公众号 “腾讯研究院”（ID：cyberlawrc），作者：杜宁，36氪经授权发布。