AI的第二张账单：效率红利开始进入治理阶段
过去一年，关于AI的讨论有一个共同的底色：先把它用起来。能不能写材料，能不能做代码，能不能查数据，能不能替代一部分分析和客服。很多组织的AI实践，本质上还停留在“工具扩散”阶段——给员工账号，做几场培训，鼓励大家多试。
但最近几条新闻放在一起看，味道已经变了。
一方面，AI正在更深地嵌入行业工作流。6月30日，FactSet与Google Cloud宣布战略合作，要把Gemini模型、企业搜索和金融数据能力嵌入FactSet Workstation，并共同开发面向组合管理、交易顾问、公司金融等场景的AI agent。这不是再做一个通用聊天入口，而是把AI放进金融专业人士每天使用的数据、研究和决策系统里。
另一方面，企业也开始面对AI的第二张账单。7月初，有报道称，UBS近期接触到的企业中，不少已经开始给AI支出“踩刹车”，原因不是不看好AI，而是token消耗、预算上限和投资回报开始变成现实问题。更早一些，关于AI agent token消耗的研究也指出，在复杂任务中，agent的消耗可能呈现高度波动，甚至同一任务不同运行之间成本差异很大，而且更高消耗并不必然带来更高准确率。
再看国内，6月29日国务院常务会议听取人工智能发展情况汇报，强调加快关键技术攻关、超大规模智算集群建设、高质量数据供给，以及推动“人工智能+”规模化商业应用。6月PMI回到50.3的扩张区间，高技术制造和AI相关需求仍是一个重要支撑。政策、产业和资本都在继续推AI往前走，但组织内部的管理问题已经从“敢不敢用”，进入“怎么用得起、用得准、用得可持续”。
这就是AI进入第二阶段的标志：它不再只是技术红利，而开始成为管理命题。
第一阶段的AI红利，来自可得性。过去需要专家、外包或长时间积累才能完成的任务，现在普通员工也能借助模型完成初稿、检索、摘要、翻译、代码、分析。这一阶段的核心动作是“普及”：让更多人接触AI，让更多场景产生火花。
第二阶段的AI红利，来自组织化。真正拉开差距的，不是某个员工会不会写一个漂亮的prompt，而是组织能不能把AI嵌入稳定流程：数据从哪里来，工具调用什么系统，结果由谁复核，风险由谁承担，成本如何归集，经验如何沉淀。没有这些设计，AI用得越多，组织反而越可能变得混乱——材料更多了，但判断未必更强；自动化更多了，但责任边界更模糊；效率工具更多了，但总成本未必下降。
第三阶段的AI红利，来自治理能力。AI不是免费的空气，而是一种新的生产要素。它消耗算力、数据、token、注意力和管理带宽。过去企业管理软件的成本大体可以按账号、模块、项目来估算；AI agent不同，它会自己检索、调用、反复推理，成本与任务复杂度、上下文长度、模型选择、调用链路高度相关。也就是说，AI越像一个“员工”，它就越需要被纳入经营核算。
这件事对管理者很重要。
很多组织现在谈AI，喜欢问“哪些岗位会被替代”。这个问题当然重要，但更关键的问题可能是：哪些流程会被重新计价？哪些能力会从个人经验，变成组织资产？哪些岗位的价值不再来自亲手完成任务，而来自定义任务、监督任务、评价任务？
在AI进入工作流之后，优秀员工的定义会发生变化。过去，一个人强，可能意味着他经验足、手快、能独立完成复杂材料。以后，一个人强，可能更多意味着他能够把复杂工作拆成可调用、可验证、可复用的流程；能够判断什么时候用大模型，什么时候用小模型，什么时候不用模型；能够把输出质量、合规风险和成本约束一起纳入考虑。
这也是HR和组织管理应该提前介入的地方。AI培训不应只教“怎么提问”，更应该教三件事：第一，怎么把工作拆解成任务流；第二，怎么评价AI输出的质量和风险；第三，怎么把个人使用经验沉淀为团队流程。否则，AI会变成少数积极员工的私人外挂，而不是组织能力。
我倾向于把企业AI治理看成三本账。
第一本是任务账。哪些工作值得AI介入，介入到什么深度，节省的是时间、提升的是质量，还是扩大了服务半径？如果说不清任务账，AI应用就容易停留在“看起来很忙”。
第二本是成本账。每一次调用、每一类模型、每一条agent链路，都应尽可能对应到业务目标。未来企业可能不只看人均AI使用次数，而会看单位成果的智能成本：生成一份研究摘要、完成一次客户分析、处理一个招聘流程，到底消耗了多少资源，带来了多少增量价值。
第三本是责任账。AI可以参与判断，但不能替组织承担责任。哪些结论必须人工复核，哪些场景必须留痕，哪些数据不能进入外部模型，哪些建议不能自动执行，这些边界如果不前置设计，AI的规模化应用迟早会碰到合规和信任问题。
今天的观察是：AI并没有降温，降温的是“无成本试错”的阶段。全球科技公司还在投入基础设施，金融数据平台正在把agent嵌入专业场景，中国政策也在推动“人工智能+”走向规模化商业应用。但在企业内部，AI已经开始从创新预算，进入经营预算；从技术部门的项目，进入各业务线的P&L；从少数人的兴趣，进入管理者必须回答的效率、风险和责任问题。
这对很多组织都是一次提醒：不要把AI建设理解成买工具，也不要把AI文化理解成鼓励员工多用。真正有价值的AI转型，是把组织变成一个更可调用、更可学习、更可复用的系统。
未来几年，企业之间的差距可能不在于谁拥有最多模型账号，而在于谁能建立更高的“判断密度”。同样一笔AI支出，有的组织会换来更多噪音、更多重复材料和更多不可控流程；有的组织则会换来更短的决策链路、更清晰的责任边界和更强的组织记忆。
这才是AI红利真正开始分化的地方。
参考来源：
- FactSet / Google Cloud，2026-06-30，FactSet Announces Strategic
Partnership with Google Cloud to Bring Advanced AI to Financial
Intelligence：
https://investor.factset.com/news-releases/news-release-details/factset-announces-strategic-partnership-google-cloud-bring - 新华网，2026-06-29，国务院常务会议部署人工智能发展有关工作：
https://www.xinhuanet.com/politics/20260629/bf2135be255841149ce838f2e2c8953a/c.html - 国家统计局，2026-06-30，2026年6月中国采购经理指数运行情况：
https://www.stats.gov.cn/sj/zxfb/202606/t20260630_1964032.html - Business Insider，2026-07-02，UBS says the majority of enterprise
companies it’s talked to recently are ‘throttling AI spend’：
https://www.businessinsider.com/ubs-enterprises-ai-spending-tokens-2026-7 - arXiv，2026-04-24，How Do AI Agents Spend Your Money? Analyzing and
Predicting Token Consumption in Agentic Coding Tasks：
https://arxiv.org/abs/2604.22750