AI智能体工作流成本拆解：Token降价不等于省钱，麦肯锡经济学报告

一边是大模型 Token 单价持续走低，另一边企业 AI 预算却一路狂飙。这种看似矛盾的现实，正在绝大多数落地 AI 智能体（Agentic Workflows）的企业中反复上演。

不少管理者陷入了一个巨大误区：既然大模型输入、输出的 Token 越来越便宜，那大规模上线 AI 智能体，成本自然会越来越低，降本增效不是手到擒来吗？于是大批团队匆忙上马智能体项目，一窝蜂地把业务流程改造成 Agent 工作流。

可真正落地之后才发现，实际开销远超预算，项目陷入"试点惊艳、规模化亏损"的困境：单个智能体运行成本动辄数万元，多智能体协作流程一次运行成本甚至高达十几万，投入巨大，业务回报却始终模糊不清。

麦肯锡旗下 QuantumBlack 在 2026 年 8 月发布的《Where AI agents pay off: A practical guide to the economics of agentic workflows》（AI 智能体该在哪里创造回报：智能工作流经济学实操指南）直击了这一行业痛点。

报告没有追逐智能体炫酷的技术叙事，而是回归企业经营本质，用真实的成本拆解和业务判断框架，向企业管理者传递了一个核心信号：智能体不是越先进越好，技术能力不等于商业价值；决定项目成败的不是模型参数，而是单元经济学（Unit Economics）。

报告抛出了管理者必须回答的三个灵魂拷问：

1. 真正具备商业价值的智能体机会到底在哪里？
2. AI 智能体工作流的单元经济学，究竟由哪些要素驱动？
3. 面对持续变化的 AI 成本与模型能力，企业该如何动态调整决策？

本文基于报告原文深度拆解，结合三张核心图表，还原企业部署 Agent 必须看懂的成本真相与落地方法论。

一、幻象破灭：Token 价格下跌，企业 AI 开支反而暴涨

2026 年 7 月市场公开定价显示，前沿大模型 GPT-5.5 输入 100 万 Token 约 5 美元，输出 100 万 Token 高达 30 美元；而轻量化老模型输入仅 0.2 美元，输出 1.25 美元，两者价格差距巨大。

市场不断传递着一个信号：模型推理成本正在快速走低。但企业现实却是 AI 总支出不断冲高。核心矛盾在于，Token 仅仅是智能体全部成本的冰山一角。

报告给出一组银行业真实测算数据，极具警示意义：部分银行面向客户的单智能体工作流单次运行成本可达 2-3 万美元；一套多智能体团队的单次运行成本高达 10-20 万美元。

当企业把大量业务流程"Agent 化"，叠加频繁运行次数，再加上 AI 定价体系持续变动，如果管理者看不懂完整成本结构，很容易彻底失控，最终智能体项目无法产生商业价值。

传统软件的业务评估逻辑非常清晰：写商业案例，预估实施成本，对比预期收益，可行就上马。但智能体系统完全不一样：模型能力迭代、成本持续下降、监管与人工审核要求动态变化。今天算下来不赚钱的工作流，几个月之后可能变得极具吸引力；试点阶段效果惊艳，规模化上线后反而亏损。

所以企业不能沿用传统 IT 项目评估逻辑。报告提出了两套专属的价值测试标准，用来筛选值得投入的智能体业务场景。

测试一：AI 智能体能否拓展商业模式，解锁全新业务供给

过去很多商业机会受限于顶尖专家人力供给不足。高价值专家数量有限，企业只能把专家资源投入高净值客户，长尾市场被迫放弃。AI 智能体带来规模化、低成本的通用认知能力，企业可以打开过去不具备经济性的长尾市场。

报告举了大众富裕阶层银行业务的例子：传统模式下，为这部分客群提供高度定制化的关系服务，人工成本太高，商业上根本跑不通；而智能体改变了个性化服务的单元经济，让大规模个性化服务成为现实。

智能体的第一层价值，不只是原有流程降本，更在于释放过去做不了的新业务、新产品。

测试二：规模化场景下，这套智能体工作流单元经济学是否成立

技术效果再炫酷，不等于企业价值。想要获得可观回报，智能体工作流需要同时满足两个条件：足够大的业务规模，加上较强的自动化潜力，让微小改进可以在成千上万次业务交易中持续累积价值。

报告指出，表现最好的机会，往往落在高价值、大批量重复作业的流程上——每一次微小优化，经过海量交易放大，最终形成可观的收益总和。

很多企业就踩在这里：选一个小体量业务做试点，试点效果非常漂亮，但业务总量很小。一旦扩大推广，发现每一笔业务的成本降不下来，没有规模效应，整体 ROI 直接崩塌。

二、拆解智能体真实成本：最大开销不是大模型 Token，而是人工监督

绝大多数企业优化智能体成本，第一反应是换便宜模型、压缩 Token 消耗。这份报告用银行业案例狠狠打破了这一认知误区：在银行客服类智能体可变运行成本里面，大模型 Token 开销只占 20-25%；70-75% 的可变成本来自人类监督审核。

企业管理者必须建立 TCO 总拥有成本思维，把智能体全部成本分为可变成本、固定成本两大板块。

图表分为左右两大块，左侧为可变成本（Variable cost），右侧为固定成本（Fixed cost），以每年 10000 次运行作为测算基准。

可变成本（Variable Cost）

• 人类监督（Human oversight）：占 70-75%。银行场景下，全部运行中的 10-20% 案例需要风险、业务专家人工复核，每次复核大约 5 分钟，专家人力成本高昂，成为可变成本的绝对大头。
• 大模型 Token（Large language model tokens）：占 20-25%。也就是大家最关注的模型调用费用。
• AI 基础设施：3-4%。
• API 与第三方组件：2-3%。

固定成本（Fixed Cost）

• 智能体编排（Agent orchestration）：占 95-98%，包含数据科学家、AgentOps 运维人力，用来在生产环境维护迭代智能体。企业每 20 个智能体，就需要配置 1 名专职运维人员。
• 云平台（Cloud platform）：占 2-5%，容器、向量数据库、观测平台等基础设施年费。

这张图表是整篇报告最核心的洞察：Token 只是小头，昂贵的专家人工审核才是吞金兽。

当业务确定性强、变量少、合规压力低，智能体可靠性持续提升，可以降低人工复核比例，可变成本随之下降。反过来网络安全、模型训练又会持续增加开支，所以可变成本始终处于动态波动之中。

固定成本主要来自 AI 基础设施与智能体编排运维。很多企业忽略了生产后持续维护成本，以为开发完智能体就结束了。现实中智能体上线之后，数据科学家、AgentOps 团队需要持续维护、迭代修复，这部分人力才是固定成本的主体。

麦肯锡给出了一个关键建议：不要把优化重心放在挑选更便宜的模型、削减 Token 上。最高效的降本手段，是重新设计业务工作流，减少异常案例，降低需要专家介入审核的频次。减少人工干预，带来的成本下降效果远大于换模型。

1. Token 成本由三个核心要素决定

即便 Token 不是最大开销，依然需要管控。单次运行 Token 消耗取决于三点：

1. 模型选型：轻量通用模型还是高阶推理专用模型；
2. 延迟性能要求；
3. 任务形态：简单单步查询，还是循环迭代成千上万次的开放式复杂任务。

报告给出了可落地的降 Token 手段：模型路由与模型规格合理化、缓存复用、流程重设计减少推理调用、批处理、Token 预算管控、包量采购定价等方式，降低 Token 消耗。

2. 规模效应逻辑：摊销固定成本，优先复用智能体组件

智能体的单元经济，高度依赖两大特征：高运行体量、智能体复用。

当固定成本投入完成，运行次数越高，单次摊薄成本越低。报告举了银行客户开户智能体的例子：每年处理 2500 个新客户，整体成本 1-1.5 万美元；业务量翻倍到 5000 个客户，总成本仅仅上升至 1.5-2 万美元。可以清晰看到，业务规模扩大，总成本涨幅很小，单次处理成本被显著摊薄。

第二个关键点是复用。企业不要为每一个业务场景从零开发专属智能体。管理者应当识别跨业务通用任务，开发一套智能体，复用到多条高价值业务线上。只有复用，才能最大化消化前期固定投入，避免重复造轮子，陷入"每个业务都开发一套 Agent"的资源黑洞。

3. 最重要评估指标：完成业务的全链路 ROI，而不是单智能体成本

单独看某一个智能体贵或者便宜，没有业务意义。企业真正要追踪的指标是"完成工作的 ROI"：把人、智能体、传统确定性系统全部算进去，统计完成一笔完整业务（完成开户、理赔结案、销售成交）的全加载总成本，对比这笔业务产生的价值回报。

很多管理者犯的错误，就是孤立评估 Agent 本身，忽略周边配套的系统、人力成本。报告用银行零售客户开户旅程，展示了真实复杂度。

一次零售客户开户，完整链路需要：

• 5-7 个不同分工的智能体，分别负责客户交互、文档提取、KYC 身份校验、异常分流、输出校验等，对接企业官网、征信机构、客户上传文档等多源数据；
• 传统确定性规则引擎，通过 API 拉取数据、标记风险；
• 2-4 组人类团队，提供专业知识、风险复核，对高风险案例进行深度核查。

整套体系协同起来，才最终完成一个开户。经过智能体改造之后，单个客户开户总成本可以从原来 50-150 美元下降到 10-30 美元。如果只盯着其中某一个智能体的开销，完全看不到完整的投入产出关系。

核心结论很直白：评估 ROI 的计量单位不是"智能体"，而是完整业务结果。

三、智能体经济学具备强动态性，不能一劳永逸做决策

传统软件项目，上线完成之后，成本收益基本稳定。但智能体完全不一样：大模型能力迭代、价格变化、企业内部风险偏好、监管政策变化，持续改变项目的经济性。

今天算出来不划算的工作流，半年之后可能性价比极高；当下看起来回报很好，未来可能因为监管新规需要增加大量人工审核，瞬间变得不赚钱。因此企业不能一次评估就定终身，必须建立常态化复盘机制，持续重新评估各个智能体工作流的商业可行性。

针对持续变动的 AI 经济环境，报告给出了三条组织落地实践路径。

路径一：预算不仅要覆盖开发，还要预留持续迭代的资金

很多企业的预算思维是：立项、开发、上线，项目结束。智能体工作流不能这么做。生产环境的 Agent 需要频繁微调，新基础模型、协议、业务需求不断出现，可能隔几天就要调整；部分旧智能体甚至需要直接下线，重新构建新版本。

除此之外，随着 AI 资产越来越多，预算还必须覆盖 AI 网关、AgentOps 运维、监控、合规校验、模型审批、风险修复等配套能力。监管政策、内部风控要求一旦变动，会直接要求修改、暂停智能体。如果预算只做一次性建设，没有预留迭代运维资金，项目上线之后很快就会失控。

路径二：业务部门不要闭门造车，紧密对接中央 AI 团队

业务团队不要追求全部能力自建。市场上大量成熟 AI 能力，不需要重复开发。业务部门和企业中央 AI 团队深度协同，能获取两大价值：

第一，中央团队持续评估市面上模型、工具、供应商，统一商务谈判，挖掘低成本替代方案，统一管控供应商风险，建立安全、可审计、可观测的统一标准。

第二，沉淀企业内部可复用的 AI 资产，建立企业统一护栏。业务部门在此基础上按需做定制化调整，避免各个业务团队各自为战，造成智能体、工具碎片化泛滥，形成"Agent 孤岛"。

路径三：搭建 AgentOps 能力，建立常态化管理节奏

就像云时代诞生 FinOps 管控云开销，智能体时代企业需要建立 AgentOps 体系，专门持续管理智能体资产。这需要跨职能团队，持续管控开销、动态分配任务。

麦肯锡建议企业把 AI 单元经济学正式纳入季度业务评审（QBR）。每个季度复盘：哪些智能体工作流创造最高业务价值；哪些场景已经不值得继续投入，需要重新设计、合并、切换更低成本模型或者改用企业公共能力。通过 QBR 拿到透明度，动态管理整个智能体资产组合，而不是上线之后放任不管。

四、面向未来：亟待回答的二阶管理命题

报告坦言，行业尚处在智能体应用早期，很多问题还没有标准答案，但企业管理层必须提前思考这些二阶命题：

1. AI 产生的额外成本，哪些转嫁给客户，哪些由企业自身承担？
2. 企业预算体系当中，需要预留多大的价格波动弹性？
3. 现有的预算、治理、内部成本分摊、财务科目，需要做哪些改造来适配 AI 智能体的经济特征？
4. 当 AI 智能体跨部门完成业务，成本和收益该如何划分决策？

如果不能提前思考、逐步建设 AI 经济学管理能力，企业很可能做出伤害商业模式的错误决策。

五、报告核心总结：企业落地 AI 智能体的行动清单

通读完整份报告，我们跳出技术热闹，回归商业原点，整理出面向业务、技术管理者可直接执行的行动清单。

1. 评估场景拒绝传统 IT 思路，使用两套价值测试：第一看智能体是否可以拓展商业模式、打开过去做不到的市场；第二看规模化运行条件下单元经济能否跑通，警惕小样本试点漂亮、规模化崩塌的陷阱。

2. 建立 TCO 总拥有成本视角，不要只盯着 Token 开销。银行等强合规行业，人工监督审核才是最大可变成本。降本优先重构流程，减少异常案例与人工介入，而不是单纯换便宜模型。

3. 重视规模效应与复用：优先选择高重复交易量业务；尽量沉淀通用智能体组件，跨业务线复用，避免每个业务从零开发一套 Agent。

4. ROI 评估以完整业务结果为单位，而不是看单个智能体。统计从输入到业务闭环全链路的人 + 系统 + Agent 全部成本，对比业务价值。

5. 智能体经济是动态变化的，没有一锤定音的评估。建立定期复盘机制，预算包含持续迭代运维，而不是一次性开发。

6. 搭建 AgentOps 组织能力，纳入季度业务评审 QBR，对全公司智能体资产做动态组合管理。业务团队紧密配合中央 AI 团队，减少碎片化自建。

写在最后

整个行业都在热烈讨论 AI 智能体的强大能力，到处都是酷炫 Demo。但麦肯锡这份报告冷静地提醒所有企业：AI Agent 不是技术秀，是商业工具。能力强大不等于能赚钱。

很多企业踩坑，根源在于把注意力放在了"智能体可以做什么"，却忽略了"做这件事要花掉企业多少钱，能换回多少商业回报"。Token 价格不断下降，并不等于企业落地智能体就天然省钱。真正决定成败的，是对单元经济学的深刻理解、对完整成本的拆解、对业务流程的重构，以及动态持续的治理运营体系。

未来能够真正从 Agent 浪潮中拿到巨大商业回报的组织，不是最早玩出炫酷 Demo 的团队，而是那些真正吃透智能体经济学、把单元经济融入每一次业务决策的企业。