模型能力如何进入企业经营， 并在具体场景中持续创造价值？ 一家制造企业的CIO计划将大模型接入生产系统，一连串问题很快摆到面前：调用哪家模型更稳定？敏感数据能否留在厂区？每次推理产生的成本又该计入哪个部门？ 半年后，当老板问起“词元（Token）用量居高不下，但AI到底节省了多少成本、提升了多少效率，带来了多少业务价值？”等问题时，CIO往往很难拿出一本说得清的账。 由于不同部门各自接入模型，员工自行订阅AI工具，分散的API账单很难对应到具体业务。企业既要理清调用成本和数据流向，也要判断这些投入是否改善了实际工作。 AI落地的难点，已经从大模型是否可用，延伸到如何持续支撑业务发展。这一变化为电信运营商提供了新的角色空间。长期积累的算网调度和计量计费能力，加上深入行业的客户服务体系，可以为企业提供多元模型选择、管理词元消耗，并支持应用交付。 9月10日，中国联通在合作伙伴生态大会上发布“元景MaaS词元运营分发平台”（简称“元景平台”），元景数字员工也同期登场。通过封装“算力＋模型能力＋智能应用”服务，中国联通希望建立集约化词元运营体系，为客户提供更具功能价值的AI能力。 此次发布也揭示了中国联通对运营商角色的定位：在词元经济时代，大模型落地的关键，必须从“不断攀升的词元规模”转向追求“可持续增长的每百万词元应用价值”，让Token真正进入客户的真实生产与业务场景，推动实体经济高质量发展。 在讨论AI转型时，企业常会关注某个业务的Token消耗量。但消耗量只能说明使用规模，无法回答这些Token究竟为客户创造了什么价值。企业更关心的是，Token进入了哪些业务流程，完成了哪些任务，又改善了哪些经营指标。 规模体现供给能力，应用决定价值能否兑现。一个值得深究的问题是，中国联通如何让Token进入具体业务场景，让企业看到可衡量的经营结果？ 模型越来越多， 企业为什么依然用不好AI？ 如同榜单成绩并不总能对应真实体验，企业选择大模型同样如此：当模型进入生产、研发和客服等实际业务场景和流程，模型选型便要考虑“安全合规、服务稳定、成本控制”等实际业务需求。 第一重挑战，是模型服务的分散采购和使用带来了“影子IT”风险。 过去的软硬件采购通常具有明确的预算和使用边界，然而模型服务通常按量计费，调用量和资源需求还会随业务波动，传统采购和财务核算方式很难适配。 这也放大了“影子IT”的风险。所谓影子IT，是指未经企业IT部门统一审批和管理，由需求部门或员工自行采购、部署和使用的数字服务。当不同部门分别接入模型、API服务和AI工具，企业很难完整掌握使用范围、数据流向和实际支出。 如果缺少统一的调用与计量入口，原本分散在不同业务线的模型支出就会形成难以拆解的“财务黑盒”。财务部门无法将每笔调用的费用准确归集到部门、项目和应用，管理层也就难以判断每笔AI投入的性价比。 第二重挑战，来自多模型之间的选择与调度。 营销、研发、客服和生产等场景对模型能力的要求并不相同，单一模型很难覆盖全部需求。企业的大模型采购因此逐渐呈现出“组合配置”的特征，需要根据任务类型在多个模型之间切换和调度。 对CIO和采购部门而言，选择深度绑定单一云厂商的全栈方案，可以降低初期接入的复杂度，但也可能增加后续迁移和技术路线调整的难度。企业如果自行搭建跨厂商的模型网关，又需要持续承担模型适配、系统维护和性能优化等工程投入。因此在分散的模型供给与具体的业务需求之间，企业需要一个统一的接入与调度工具。 接入模型只是第一步，更费功夫的是让应用进入业务。模型需要连接内部数据和业务工具，融入现有工作流程。对于需要跨系统执行任务的场景，企业还要进一步开发智能体。这些工作涉及知识库搭建、提示词设计和工具联调。不少企业缺乏专业的AI开发团队，一线业务部门即使清楚自己的需求，也很难独立完成开发。 最后，安全合规构成了更高的落地门槛。 在政务、金融和央国企的部分敏感场景中，数据不出域是明确要求，直接调用公有云模型可能受到限制。完全依赖本地算力部署，又会带来硬件投入、长期运维和模型更新等成本。企业需要根据具体业务，在使用便利、部署成本与安全要求之间作出选择。 解决这些问题，需要一套可持续运营的服务能力——既能统一接入和调度不同模型，也能提供灵活的部署方式，并对调用成本、数据权限和使用行为进行持续管理。 事实上，这种服务能力已经被写入行业规范。最近，由中国信通院人工智能研究所联合企业编制、联通数智核心参编的《人工智能词元（Token）运营管理能力要求》（AIIA/T 0308-2026）正式发布。该规范围绕资源纳管、服务管理、费用管理、运营分析和合规审计五个方面，对Token运营提出系统要求。 统一管理Token正在成为企业使用AI的基础能力。能否把Token消耗与业务结果对应起来，让企业看清不同应用