AI正从聊天工具变身企业生产资料，Sierra联合创始人提出每位工程师年耗10万美元Token预算，揭示企业AI应用新趋势。本文深入探讨模型组合策略、Token预算管理、团队结构变革及AI基础设施构建，为产品经理提供AI时代的产品设计新视角。

未来，一名工程师的成本可能不再只是工资、电脑、软件账号和办公场地，还要加上一笔专门的AI预算。

这笔预算甚至可能达到每年10万美元。

这个数字来自Sierra联合创始人Clay Bavor的一场访谈。Sierra主要为大型企业提供面向客户的AI智能体，让AI接入客服、销售、订单和产品推荐等业务系统，直接参与真实的客户服务流程。

“每位工程师每年花费10万美元Token”显然不是一个适用于所有公司的标准，但它揭示了一个正在发生的变化：

AI正在从员工偶尔使用的聊天工具，变成企业正式配置的生产资料。

当AI成为生产资料以后，企业需要重新考虑的不只是采购哪个模型，还包括任务分配、成本核算、权限体系、责任边界和组织结构。

一、企业不会只选择一个模型，而会建立模型组合

随着开源模型能力提高、推理成本下降，一种常见判断是，未来大多数企业任务都会被低成本模型完成，昂贵的前沿模型将逐渐失去市场。

Clay Bavor认为，实际情况可能恰好相反。

稳定、重复、风险较低的任务，确实可以交给成本更低的小模型。例如客服问答、信息提取、表格处理和固定流程，并不需要每次都调用最强模型。

但在软件架构、产品创新、科研分析和复杂决策中，模型能力提高以后，人们往往会继续提出更困难的问题。低成本模型扩大了AI的使用范围，前沿模型则被用于解决更高价值的问题。

因此，企业未来更可能采用混合模型架构。

不同任务会根据复杂程度、业务价值和错误风险，被分配给不同能力、不同价格的模型。企业真正需要建设的，不是对某个模型的长期依赖，而是一套模型选择和调度机制。

这和云计算的发展非常相似。企业不会让所有业务都运行在最昂贵的服务器上，也不会为了节省成本，让关键系统使用最低配置。

AI模型同样需要分层使用。

低风险任务优先考虑成本和速度，高价值任务优先考虑能力和可靠性，涉及重要决策的环节则保留人工确认。

对产品经理来说，模型选型也不应该停留在参数、榜单和单次测试上，而要回到具体业务流程中，判断每个环节需要多少智能，以及模型出错会带来多大影响。

二、Token预算将成为一种新的资源配置

过去，公司会给设计师购买专业软件，给工程师配置高性能电脑，给研究人员建设实验室。

未来，给知识工作者配置模型能力，也可能成为一种基本投入。

Clay Bavor提到，一些深度使用Claude Code、Codex等工具的顶尖工程师，每年消耗的Token成本可能非常高。假如AI让一名工程师完成过去一个小团队才能完成的工作，那么即使一年花费10万美元，也可能是一笔合理的投入。

这里真正重要的并不是Token用了多少，而是这些Token最终转化成了多少有效产出。

企业如果只统计模型调用次数和账单金额，很容易把AI管理变成单纯的成本控制。但如果完全不限制使用，也可能出现大量重复生成、无效尝试和缺乏验证的内容。

更合理的方式，是把AI预算和具体工作流程绑定。

例如，一笔模型费用帮助团队缩短了多少研发周期，减少了多少重复劳动，提高了多少客户响应速度，又带来了多少可以复用的代码、知识和流程。

这样一来，Token预算就不再是一项模糊的福利，而是一种可以衡量投入产出比的生产资源。

未来企业计算员工成本时，可能会形成新的结构：

员工成本不仅包括薪酬和办公资源，还包括他能够调用的模型、数据、工具和自动化系统。

人与人之间的生产力差距，也可能越来越取决于他们能够调动多少机器智能，以及能否把这些智能转化为真实业务价值。

三、AI降低执行成本，也会改变团队结构

Sierra内部的工程师已经在大量使用Claude Code、Codex和公司自己开发的AI工具。Clay Bavor估计，一些工程师的生产力可能因此提高数倍。

当代码生成、资料整理和基础分析的速度大幅提高后，公司可能不再需要用大量人员堆叠执行能力。

过去需要十几个人完成的项目，未来可能由几名熟悉业务、善于使用AI并具备判断能力的员工完成。团队规模可能缩小，但单个人能够负责的范围会扩大。

这并不意味着软件开发和产品工作的门槛降低了。

AI主要降低的是执行成本，却不会自动解决产品方向、需求判断和结果验证问题。执行速度越快，错误方向带来的浪费反而可能越大。

过去，一个团队可能把大量时间花在编写代码和整理资料上。未来，更多时间会被用于明确需求、补充背景、设计约束、验证结果和处理例外情况。

因此，AI时代的核心能力会逐渐从“亲自完成所有操作”，转向“组织人和AI共同完成工作”。

工程师需要判断生成的代码能否进入生产环境，产品经理需要把模糊需求转化为AI可以执行和验证的任务，管理者则要设计清晰的责任边界。

AI可以帮助员工提高速度，但不能代替企业确定目标和承担结果。

四、企业真正需要的是AI基础设施

很多企业引入AI时，首先想到的是给员工购买聊天工具账号，或者搭建一个内部知识库问答机器人。

这些工具可以提高局部效率，但距离真正进入业务流程还有很大差距。

Sierra建设了一套统一的内部AI系统，通过MCP入口连接公司的消息、文档、客户资料和业务服务。员工可以通过Claude、Codex或内部智能体，在原有权限范围内调用这些资源。

其中一个重要原则是，AI不能绕过原来的权限体系。

员工没有权限查看的信息，AI同样不能读取。模型的能力可以增强，但访问边界不能因此消失。

Sierra还开发了内部智能体Pinecone。Clay Bavor会把自己审查候选人时关注的标准交给它，让AI提前阅读面试记录并标记风险信息，但最终的招聘决定仍由人作出。

这个案例展示了一种更现实的企业AI形态：

AI负责检索、整理、分析和提出建议，人类负责高风险决策，并对最终结果承担责任。

在这样的系统中，模型只是其中一个组件。企业还需要处理身份认证、数据权限、操作日志、结果评估、人工审批和异常回退。

没有这些基础设施，AI能力越强，企业面临的数据泄露、错误操作和责任不清问题也可能越严重。

因此，企业AI落地的重点不会长期停留在“员工能不能使用AI”，而会逐渐转向“AI能否安全地进入真实流程”。

AI预算只是开始

“每位工程师都需要10万美元Token预算”更像是一个强调趋势的传播性说法，而不是企业应该立即执行的预算标准。

它真正指向的是，AI正在经历三个阶段。

最初，员工使用AI写文案、查资料和生成代码；随后，AI开始连接企业知识库和业务系统；最终，企业会围绕AI重新设计岗位、流程、预算和团队结构。

到了第三个阶段，企业之间的差距不会只取决于谁购买了更强的模型。

更重要的是，企业能否把任务合理地分配给不同模型，能否建立清晰的权限和责任体系，能否验证AI结果，并把模型能力嵌入稳定的工作流程。

对产品经理来说，这意味着产品设计对象正在发生变化。

过去，我们主要设计用户与软件之间的交互。未来，还需要设计用户、AI和业务系统之间的协作关系。

其中既包括AI应该完成哪些工作，也包括哪些环节必须人工确认；既要考虑生成质量和使用体验，也要考虑成本、权限、风险和结果追踪。

AI可以放大一个人的能力，也可能放大一个组织原有的混乱。

真正有价值的AI投入，不是让员工消耗更多Token，而是让模型稳定地参与业务、产生可以验证的结果，并逐渐沉淀为企业的基础能力。

这才是10万美元Token预算背后，更值得产品经理关注的变化。