SemiAnalysis 剖析企業 AI 預算：Meta 一個月燒掉 70 兆個 token，但真正的風險並非「公司停止使用 AI」
SemiAnalysis 剖析企業 AI 預算：Meta 一個月燒掉 70 兆個 token，但真正的風險並非「公司停止使用 AI」
企業對 AI 的採用正悄悄地從「盡可能多地使用」轉變為「設上限、有政策、有理由地使用」。在近期一份關於Token 預算的深度分析中，SemiAnalysis 描述了早期（2026 年初）的回報員工消耗更多 LLM token 的獎勵心態「tokenmaxxing」（Token 刷量），正逐漸被結構化的每位員工額度及由財務部門主導的治理所取代。（newsletter.semianalysis.com)
對加密貨幣和區塊鏈團隊而言，這項轉變的影響比表面上看起來更重要。並非因為 LLM 的實用性降低，而是因為Web3 是少數幾個 AI 錯誤可能直接導致不可逆 onchain 損失的產業之一。新提出的問題不再是「我們負擔得起 tokens 嗎？」，而是「我們能否在不擴大攻擊面的情況下，證明每個 token 的投資報酬率？」
AI 中的「Tokens」與加密貨幣中的 token：為何預算劃分會迅速變得混亂
在 LLM 中，「token」是文本處理的單位，也是你的帳單。在加密貨幣中，「tokens」是資產——通常是流動的、可轉移的，且是攻擊目標。Web3 營運者正處於這兩種含義的交集點：
- 你為 LLM tokens 付費（使用成本）。
- 你保護 加密貨幣 tokens（託管和安全成果）。
- 你抵禦 AI 驅動的敵對者（新的威脅模型）。
這就是為何加密貨幣領域的 AI 預算不僅僅是採購行為，而是日漸成為營運風險管理的一部分，如同協定處理賞金、審計和事件回應一樣。
SemiAnalysis 的實際發現：上限是真實的，但需求並未崩潰
SemiAnalysis 表示，越來越多的公司開始對 AI 使用設置硬性上限，但並沒有一個普遍的「正確數字」。他們與 50 多家企業的對話顯示，預算可能從每月幾百美元開始，並根據職位級別顯著擴大。（newsletter.semianalysis.com)
更重要的是，他們認為「企業正在削減 AI 支出，因此 API 收入面臨風險」這種流行說法被誇大了。他們認為，支出最高的群體（通常是客戶中的前百分之十）在短期內不太可能大幅削減支出。（newsletter.semianalysis.com)
這與更廣泛的支出數據一致。Ramp 的分析顯示，AI 支出極端不均：中位數公司的人均支出非常少，而最積極的採用者支出則高出幾個數量級。（ramp.com)
如果你經營一家加密貨幣交易所、穩定幣基礎設施團隊、DeFi 協議或安全公司，這種支出不均的現象應該很熟悉：最先進的團隊不會「停止支出」，而是會更有效地管理支出。
Meta 的「Claudeconomics」時刻：一個加密貨幣團隊不應忽視的預算教訓
極端的例子很有用——不是因為它們典型，而是因為它們揭示了什麼會最先失效。
SemiAnalysis 憶述 Meta 如何在內部追蹤並透過排行榜來遊戲化 AI token 的使用（「Claudeconomics」），公司整體在 30 天內消耗了超過 60 兆個 token，其中頂級用戶消耗了大約 2800 億個 token——而這個系統在公開後不久即被關閉。（newsletter.semianalysis.com)
無論你是 DAO 的貢獻者團隊還是受監管的交易所，得到的啟示都是一樣的：
當消耗量成為關鍵績效指標時，你將得到的就是消耗量——不一定是價值。
在加密貨幣領域，這類似於混淆：
- 「交易數量」與「有用的經濟活動」，或
- 「TVL （總鎖定價值）」與「可持續的產品市場契合度」。
AI 預算正在推動企業走向一個更健康的指標：每美元的成果，而非使用量。
對 AI 提供商——以及對加密貨幣團隊——而言的真正風險是投資報酬率的問責
SemiAnalysis 估計，編碼相關的應用佔目前 AI 實驗室收入的很大一部分，而未來的增長可能會複製開發者工具的採購曲線，擴展到其他企業工作流程。（newsletter.semianalysis.com)
加密貨幣本身就是一個「重度編碼」的行業：
- 智能合約開發
- 索引器 + 基礎設施工程
- 安全研究
- 事件回應
- 合規工程（旅行規則、制裁篩查、監控）
因此，預算劃分不會降低 AI 的重要性——它將改變團隊消耗它的方式。
新的預設行為模式如下：
- 用於草稿、摘要和初步分析的較便宜模型
- 僅用於高風險任務（安全審查、生產程式碼、面向客戶的決策）的高級模型
- 特殊支出的批准和記錄
這正是成熟的加密貨幣團隊已經在處理以下事項的方式：
- 主網部署 vs. 測試網
- 熱錢包操作 vs. 冷儲存
- 生產金鑰訪問權限 vs. 讀取權限
加密貨幣獨有的預算難題：敵對者可能將你的 AI 變成費用吸水器（甚至更糟）
Token 上限不僅僅是為了省錢。從安全角度來看，它們是對兩種重疊風險的控制：
- 失控的自動化成本
- 代理程式的無限循環、工具呼叫、重複摘要或「思考」可能導致 AI 支出如同雲端帳單爆增。
- 敵對者濫用
- 提示注入、數據洩露和不安全的輸出處理已成為普遍關切，這些都被納入了「LLM 應用程式的 OWASP Top 10」等框架中。（owasp.org)
對區塊鏈組織而言，這點被放大了，因為內部 AI 助手日益觸及：
- 部署腳本
- RPC 憑證
- 金庫報告
- 客戶支援工作流程（社交工程的起點）
- 上幣審查和風險評分
- 安全分類和事件通訊
沒有安全政策的預算政策是不完整的。更廣泛的治理思維已由標準制定機構涵蓋——例如 NIST 的AI 風險管理框架——但加密貨幣團隊必須將這些原則映射到 onchain 的現實（不可逆性、金鑰託管和可組合性）。（nist.gov)
專為 Web3 團隊打造的實用「Token 預算」指南
以下結構將成本控制與區塊鏈風險對齊：
1) 定義分級的 AI 工作類別
- A 級（低風險 / 低成本）： 會議記錄、草稿、內部常見問題解答
- B 級（中度）： 分析查詢、產品規格、程式碼解釋
- C 級（高風險）： 簽署流程變更、智能合約程式碼、事件回應、合規決策
然後將每個級別綁定至：
- 預設模型類別（便宜 vs. 高級）
- 最高支出
- 記錄要求
- 人工審查規則
2) 按職位預算，而非「公平」
SemiAnalysis 觀察到，較高的預算通常分配給工程和數據科學職能。加密貨幣也應如此，但需增加一個變量：安全和託管職位應享有高優先級的預算，因為其投資報酬率以避免的損失來衡量。（newsletter.semianalysis.com)
3) 將高級模型視同生產權限
如果工程師必須明確選擇使用高級模型，這將產生一個「減速帶」，以：
- 減少意外支出
- 建立使用高級計算資源的「為何」的審計軌跡
- 迫使團隊將高端使用保留給重要任務
4) 以加密貨幣原生指標追蹤投資報酬率
與模糊的生產力聲明不同，應衡量：
- 審計前發現的智能合約問題
- 漏洞修復時間
- 事件回應時間
- 交易監控中的誤報率
- 支援解決時間（同時不增加詐騙）
5) 為代理程式新增支出熔斷器
如果您部署代理式工作流程（監控、工單分類、風險分析），則必須強制執行：
- 嚴格的每個任務 token 上限
- 工具呼叫上限
- 每個身份的速率限制
- 與異常支出掛鉤的「緊急停止開關」
6) 假設 AI 會增加社交工程壓力
Chainalysis 已記錄了詐騙如何透過冒充和 AI 技術的推波助瀾而規模化，估計了巨額的詐騙損失，並強調了詐騙的工業化基礎設施。（chainalysis.com)
這意味著您的組織應將：
- 支援腳本
- 內部批准
- 「緊急」通訊
視為 AI 治理範圍的一部分——而不僅僅是安全團隊的問題。
7) 將 AI 訪問權從金鑰訪問權分離（不可妥協）
無論您的 AI 堆疊有多好，私鑰必須與以下分離：
- 瀏覽器會話
- 複製貼上工作流程
- 聊天記錄
- 屏幕共享
- 「AI 助手」插件
在這裡，營運紀律仍然勝過工具。
OneKey 的定位：在 AI 預算時代，自我託管是最後的防線
當企業開始衡量每個 token 的投資報酬率時，加密貨幣團隊將傾向於自動化更多事務：金庫操作、供應商付款、流動性管理，甚至事件處理。但您增加的自動化越多，將簽名權限離線保管就變得越有價值。
像 OneKey 這樣的硬體錢包的設計基於一個簡單的原則：將私鑰保持在與互聯網斷開的環境中，同時仍能實現日常交易簽署和驗證。在 AI 輔助的釣魚、冒充和工作流程操控加速的世界裡，這種分離不僅是「最佳實踐」——更是預算保護，因為一次單獨的受損交易就可能抵銷一整年 AI 生產力帶來的投資報酬率。
結語：Token 上限不是 AI 的嚴冬——而是 AI 正在走向金融級別
「Token 預算」並非企業對 AI 失去興趣的信號。這是一個信號，表明 AI 正從實驗階段畢業，進入與雲端支出、安全控制和內部審計相同的類別。
對區塊鏈組織來說，這是個好消息——因為贏家不會是那些消耗最多 LLM token 的團隊。他們將是那些能夠證明可衡量成果、實施LLM 安全護欄，並在 AI 融入每個工作流程的同時，仍能維護強大的自我託管和簽名衛生習慣的團隊。
