明略科技吴明辉：AI投资进入下半场，Agent落地要先算明白Token经济账

明略科技吴明辉中金论坛演讲：Agent商业化的账本该怎么算

11月10日的2026中金论坛上，明略科技创始人、CEO兼CTO吴明辉抛出了一个直白的问题——AI投资到底有没有泡沫？他没有给出模棱两可的回答，而是把焦点拉回到企业最关心的一件事：花出去的钱，值不值。

从大模型能力竞赛到Agent落地算账

吴明辉将AI行业的发展划分为两个阶段。上半场比的是谁的模型更强，下半场比的是谁能把账算明白。具体来说，企业需要搞清楚一个Agent完成一项业务任务到底消耗了多少Token，这些Token又换回了多少实际产出。

他在现场举了两笔假设账。一家拥有数万名员工的企业，如果每位员工每年消耗价值10万元的Token，全年推理支出就是数十亿元级别。另一种情况是面向消费者的AI应用，日活达到1亿，哪怕每个用户每天只发起一次推理请求，平台一天就要处理1亿次调用，成本压力同样不小。

这两笔账指向不同的商业逻辑。消费级产品如果走免费获客路线，就必须找到能覆盖推理成本的变现方式。而企业端的付费则可以和具体业务结果直接挂钩，这也是吴明辉判断企业市场将成为Agent商业化重要场景的依据。

编程场景里藏着成本陷阱

吴明辉拿编程工作举例说明问题的复杂性。从AI辅助补全代码，到独立承担一个开发任务，再到多个Agent在同一个工作群里分工协作，用户发出的指令越来越短，但背后的执行链路却越拉越长。

如果只盯着单次模型调用的价格，很容易觉得划算。但一次任务中可能涉及多轮调用，把这些开销累加到一起再对照交付结果，结论可能完全不同。企业要做的，是把单项任务的总成本摊开来看。

明略科技自己就在这么干。据吴明辉介绍，公司工程师通过自研开源平台Octo组织多个Agent协作编程。Octo支持私有化部署，不同Agent以Bot身份加入团队，杠杆交易人员负责判断和校准，协作过程中沉淀的知识和方法可以复用到后续任务。吴明辉将这种多Agent接入同一网络协作的模式定义为IoA，即Internet of Agents。

数据去哪了，企业得自己说了算

Agent跑起来之后，不可避免地会接触企业内部文件和代码仓库。吴明辉强调，企业必须清楚Agent能访问哪些资料，也要知道每次调用模型时哪些业务上下文被传到了云端。他把这种企业对自身数据、Agent权限和模型使用方式的掌控力称为"企业主权AI"。

明略科技的目标是帮助大型企业在这一基础上搭建组织智能平台。对企业而言，这意味着要逐项判断：哪些数据可以随任务交给外部模型处理，哪些环节必须留在自己的环境里。

在模型选择上，吴明辉的思路是按任务分级。日常办公类工作，前沿开源模型已经够用；遇到更复杂的问题再调用能力更强的模型；特定业务场景还可以通过后训练让开源模型以更低成本接近前沿闭源模型的表现。明略科技已将内部积累的Token精益管理能力应用到客户服务中。

主动式Agent带来新的计费难题

当Agent不再只是被动响应，而是主动查阅邮件、整理日程甚至在夜间自主完成调研，推理成本会随着自主任务的增加而攀升。吴明辉用两种收费模式点出了其中的矛盾：按Token用量计费，Agent越主动用户越贵；采用固定月费，服务商每多跑一次就多亏一份。

他看好的方向是用户自有算力。企业买了服务器之后，可以自己决定Agent的运行频率，把已投入的算力用于需要持续执行的任务。当然，企业同样需要评估硬件投入能否被长期稳定的任务量摊薄。

吴明辉还援引了自己早年在秒针系统接触程序化广告生态的经历。广告技术市场有帮广告主优化投放的DSP、帮媒体提升收益的SSP，还有撮合双方的交易平台。他认为Token市场未来可能形成类似分工——算力提供方想提升收益，使用方想降低成本，中间会出现撮合服务的平台，尤其是帮使用方看清每项工作的Token消耗并据此优化的角色。

归根结底，从选什么模型到买多少算力，企业最终要回到具体工作本身。一次任务能让Agent做到什么程度、消耗多少算力、交付成果带来多大业务价值，这些答案将决定哪些AI应用能从试点走向规模化部署。