词元经济学：智能体的账单，正在暴露你的数据家底

模型单价一夜腰斩，专用小模型把单次判断成本压低近三百倍，但中国全年词元消耗量正冲向 10 亿亿。智能体的总账单由数据组织方式决定，而非模型价格。数据卡片如何让每一发词元花在刀刃上。

OntiCards 团队·2026-09-28·8 分钟阅读

刚刚过去的一周，两件事同时发生：一头，模型单价被狠狠砸低——顶级模型贴身降价，专用小模型把单次判断的成本压到原来的几百分之一；另一头，中国全年词元（Token）消耗量正冲向 10 亿亿。智能体的总账单，越来越不由模型报价单决定，而由你企业数据的组织方式决定。这篇文章把这笔账拆开算给你看。

一、一周之内，"智能单价"被打崩

先看价格战这一头。据 TechCrunch 等多家外媒报道，9 月下旬 Anthropic 与 OpenAI 前后脚发布新模型：Claude Opus 5.5 在 Artificial Analysis 性能榜以 58 分登顶，单任务成本 5.98 美元，比上一代 Fable 5.1 的 7.63 美元更低；GPT-6 Sol 和 Luna 的 API 定价比 GPT-5.6 促销价还要再低 50%，Luna 甚至直接开放给免费用户。

更有信号意义的是另一组数字。据 The Neuron 周末摘要收录的研究，专用小模型 Jev 在"作为评审（Jev-as-a-Judge）"的测试里，每千次判断成本 0.044 美元，而 GPT-6 做同样的活要 12.182 美元——相差约 277 倍，延迟还只有后者的十二分之一。OpenRouter 数据显示，Jev 已占其每周分类请求量的 27%；风投 a16z 甚至认为，这类小模型可能给"计算机使用"类成本带来 100 倍的通缩。

智能单价崩塌：从价格战到专用小模型

翻译成一句大白话："智能"正在从奢侈品变成大宗商品。谁都能用得起、用得起了。

二、单价在跌，总账单在爆炸

但单价的崩塌没有让总账单变小，反而让它起飞了。

中国电信研究院《智能体时代AI基础设施发展研究报告（2026）》预测：2026 年我国词元年消耗量将达 10 亿亿，2030 年将超过 3500 亿亿，年复合增长率接近 12 倍；到 2029 年，推理算力将占我国算力市场的 80%。国际机构的预测是，全球活跃智能体数量将从 2026 年的近 8000 万个增长到 2030 年的 22.16 亿个。

增速有多陡？《全国数据资源调查报告（2025 年）》显示，我国词元日均调用量从 2025 年初的 1 万亿，涨到年末的 100 万亿；2026 年 3 月进一步突破 140 万亿。刚刚闭幕的杭州数贸会首次设立"词元专区"，把词元制造、分发、调用、应用做成一条完整的产业链来展示；湖南甚至落地了全国首笔"Token 贷"——银行不看抵押物，看企业每个月消耗多少词元来放贷 800 万元。词元流水，正在变成一种新的"经营流水"。

单价跌 50%，用量涨几十倍——这就是当下企业 AI 成本的真实算术。

三、词元都浪费在哪了

问题是，这些词元并没有全部转化成业务价值。环球网在报道词元经济时有一句很准的判断："词元可以给智能计数，却无法替智能定价。词元经济的下半场，将围绕一件更困难的事展开：谁能用更少的词元，完成更复杂的任务。"

在企业环境里，词元的浪费通常发生在三个地方：

上下文塞垃圾。数据零散、口径不清，每一次提问都要把大量无关的表结构、字段说明、历史对话塞进上下文，词元在"做铺垫"时就被烧掉了；

答错就重试。模型没读到准确的业务口径，生成一次错误结果，用户追问、系统重试，一轮循环下来成本翻几倍；

智能体循环重读。Agent 为了确认一个事实，反复扫描多张表、多个系统——数据越碎，它回头重读的次数越多。

IDC 的数据佐证了卡点所在：超过 70% 的企业级 AI 项目卡在数据清洗、治理、动态适配与高质量数据集供给环节，而不是卡在模型能力上。反面印证也有：快手披露其 Data Agent 落地数据，单次任务提效中位数 13 倍，某指标计算从 Spark ETL 迁到新引擎后耗时从 90 分钟压到 42 秒、成本节约 92%——数据底座整理得好，词元就花得省。

四、把每一发词元打在数据卡片上

这正是 OntiCards 做"数据卡片"的出发点。数据卡片是某一份数据源、数据表或文档的 AI 结构化说明书：只记录元信息——这张表是什么、字段什么含义、业务口径如何、可以回答哪类问题——而不记录业务流水数据本身。

它对词元账单的影响是结构性的：

维度	数据直连 / 朴素 RAG	OntiCards 数据卡片 + 语义层
提问时塞进上下文的内容	大量表结构、字段说明、示例	卡片元信息，按需最小化召回
业务口径从哪来	藏在人脑子里，模型靠猜	写进卡片，模型一次读对
答错重试	常态，每轮重试都是新账单	口径确定，重试率显著下降
Agent 取数路径	循环扫描多表确认事实	卡片寻址索引直达目标数据
每一次回答可否审计	难以追溯	推理链路完整可审计

一句话总结这个机制：语义层把"从海量数据里猜答案"变成了"在已知口径里查答案"——前者的成本是概率性的、随数据混乱程度指数上涨；后者的成本是确定性的、随卡片覆盖度线性下降。我们在此前的数据上下文价值之战和模型疲劳时代的抗迭代设计两篇文章里分别讨论过这一趋势的不同侧面，而词元经济学给出了它最直接的财务注脚。