日耗千万的“养虾”之后，美团开始重算AI这笔账

来源：市场资讯

（来源：数智猿）

作者：赢家 / 数智猿

责编：陆易斯 / 数智猿

过去半年多，大公司几乎不约而同地干起同一件事：把AI塞进每个员工的工作台。企业希望先把工具放开，让员工自己跑出场景、找到效率。但当几万人同时开始调用模型，一场生产力实验很快变成了成本与管理压力测试。

Uber、Meta、亚马逊，几乎同时遇到了同一个问题：当企业真的放开AI使用，最先失控的往往不是员工效率，而是Token消耗。Uber年初放开全员使用，4月就耗尽全年AI预算；Meta开始给核心员工设置Token配额；亚马逊甚至取消了原本用于鼓励AI使用的Token排行榜。国内的腾讯、字节、阿里、京东，也在陆续调整Token分配机制。

把这些动作拼在一起，一个趋势已经很清楚：半年前还是争先恐后喊"全员AI"，如今集体踩了刹车——大厂正从"管够"切到"算账"，从比拼使用量转向追问业务价值。人人都在养虾，只是没多少人养明白，更没人愿意公开承认。

8月12日，2026第十九届中国健康产业生态大会（简称：西普会）上，美团核心本地商业CEO王莆中打破了这种沉默。他复盘了自家那场被戏称为"养虾"的全员AI实验——全员上手、全面放开，最后被他定性为AI时代"高渗透、低回报"的生产率难题。

值得关注的是，美团借这场实验，系统性发现了全员 AI 探索过程中暴露出的成本、效率与组织问题。他在演讲中引用了麦肯锡2025年全球AI调研：88%的企业已经在常态化使用AI，只有6%能拿出可测量的收益。翻译一下，一百家上了AI的企业，能算平账的不超过六家。

钱烧了，人用了，利润表却没什么动静。这个全行业都在问的问题，美团用五个月时间，自己先趟了一遍。

一场花费千万的全员实验

始于 2026 年初的 OpenClaw 项目以小龙虾为 Logo，国内网友由此戏称使用这款软件为“养虾”。美团也沿用了这一说法：员工像“饲养员”一样培育、投喂 AI Agent，期待最终“养”出真正能干活的“虾”。

这阵仗有多大呢？据凤凰网等媒体报道，今年2到3月，美团面向10万员工大规模开放内部AI助手，公司里一度跑着约8万只AI Agent，两周沉淀出约10万个Skill。Token不设上限、模型尽量用最贵的，结果全面失控——一边是账单爆炸，单日算力成本峰值最高约1000万元；一边是权限管控跟不上，模型产出的各种谬误开始干扰、破坏真实经营。用王莆中的话说，"各种各样的谬误对于真实经营的破坏都出来了"。

来源：知乎专栏作者C哥聊科技

失控之下，美团开始“收”。4月，各事业部成立AI组织，将散落在员工手中的AI尝试收拢起来，转向更有组织的生产力建设；6月，AI Transformation部门成立，与外卖、闪购平级，直接向王莆中汇报；6到7月，上千个AI项目同步赛马：跑通业务价值的加资源，没效果立刻砍掉。几轮筛选下来，美团逐渐形成一个核心认知：AI转型不单是技术问题，而是业务、组织、技术三位一体的系统性工程，纵使拥有两万名产研人员，证明单靠他们无法完成。

除去这五个月的节奏，"养虾"这个名字本身更值得拆解——它暴露出管理者对AI的隐含预期。养虾是高投入、高密度、长周期、收益不确定的“农业”模式：投苗、喂料、清塘、控制密度、治病虫害，最后等待收成。用"养虾"命名一场全员AI实验，等于默认AI是"可规模化养殖的产出品"，放进去养一养就能收获，而不是"需要和业务反复磨合、逐场景调试的工具"。用农业思维做技术变革，求的是速度，缺的是章法。

客观来看，把账算到底，全员放开也未必完全是“败家”。10万个Skill，本质上是10万次探测：企业用高成本买一张“哪些场景值得做”的地图，这是一种期权式探索——先花钱覆盖未知，再按“地图”调整资源。关键不在于这张期权值不值得买，而在于能否行权，即拿到结果后，及时撤出低价值场景，转向真正有效的方向。

可以说，当美团发现问题后，调整速度并不慢：上千个项目同场竞技，跑通业务价值的项目加资源，效果不佳则立即下线；到6月，美团LongCat-2.0大模型开源，7月CatPaw上线、医药案例落地，都可以说是这轮探索调整后，兑现价值的结果。不过这一切是以千万级账单为代价，并不是每家公司都能买得起。

钱烧得这么狠，值不值？王莆中的回答是：值。他把这段定义为AI变革的第一阶段——一场全员AI启蒙。让10万人亲身撞一次墙，比讲一百场培训课管用，认知转变不是买来的，是撞出来的。先放开、再收拢，热情有了释放的地方，教训也有了沉淀的机会。

五大错配，卡住了谁

10万人的热情，为什么没有变成利润表上的数字呢？王莆中在演讲中总结了五大错配：认知、效率、场景、考核、流程。

美团本地商业​CEO王莆中，来源：证券时报网、美团

首先是认知错配，很多人把AI当"万能药"，以为部署了就什么问题都解决了，等于请了一个什么都能干的员工，结果期望越高、失望越大；另一个极端，有人被几次幻觉吓到，干脆全盘否定，觉得AI一无是处。两种极端，都离真实能力太远。

其次是效率错配，不知道该给不同的模型分配什么任务——最好的模型被拿去发邮件、改PPT、聊天，产出是快了，但对收入、成本和客户体验几乎没什么影响，钱花在了刀背上。

第三是场景错配，AI始终游走在企业经营的外围，写方案、做总结跑得欢，却切不进库存管理、供应链协同、门店运营这些真正产生收入和利润的核心链路，碰不到真金白银。

第四是考核错配，就像买了原材料就等着马上见效，可AI真正产生效益，得先完成大量内部改造和训练——流程没理顺、员工没学会，再好的模型也出不了满意的成果。

最后是流程错配，人和机器、人和新设计的分工要重构——哪些环节交给AI、哪些留给人、出错找谁、责任怎么划分，这一层理顺了才算落地。这是最深的一道坎，远不是技术部门能独立跨过去的。

五类错配看下来，其实是一条递进的链条：认知偏了，AI就容易停留在低价值的效率环节；只会写报告、做总结，AI就难以进入核心业务场景；无法影响核心业务，考核自然难以拿到高分；真正走向价值兑现时，又会卡在人与机器的分工重构。一环扣一环，越往后越深——这也是为什么多数企业卡在半路就走不动。

而这并非美团一家的问题，海外大厂集体踩刹车的画面，国内也在同步上演。据媒体报道，腾讯把Token从统一配发改为按部门、岗位差异化分配，被业内概括为“从免费资源变成部门可控的预算资产”；字节自研模型不限量、外部模型按比例报销；阿里、京东也各有额度机制。

有意思的是另一面：收缩的是使用端，供给端反而在加注。8月23日晚，阿里公告宣布800亿港元新股配售，款项100%投入全栈AI——头部大厂一边收紧Token、一边重注算力。"从管够到算账"从来不是退出AI，而是把资源从撒胡椒面的铺开，转向聚焦的投入。

这也解释了美团的"养虾"为什么不是孤例：问题不在 AI 够不够强，而在于即便是互联网大厂，也仍在摸索让 AI 真正创造价值的方法。

那为什么大家不约而同拿Token当KPI？传统软件是一次性采购，买断之后成本固定。而AI是持续成本，用一次烧一次，企业的账本和成本结构却没跟上这种模式。更抓狂的是，AI的产出价值没法低成本验证：省了多少时间？带来多少收入？诸如此类，很难归因，而Token消耗量一查就有。只度量投入、度量不了产出，激励自然扭曲。

早在1987年，诺贝尔经济学奖得主索洛就提出了著名的“生产率悖论”："计算机到处可见，唯独没有体现在生产率统计里。"近40年后，这句话似乎正在AI身上重演—员工使用AI工具，并不等于组织生产力的提升。工具只是变量，真正决定AI能否转化为生产率的，是组织机制。

先有经营问题，再算AI值不值

绕了一大圈，回到最实际的地方：这笔钱，到底怎么算？

在计算之前，首先要把口径摆正：企业衡量AI的指标，正在从Token消耗转向经营价值。然而这个转向并不容易，因为投入端好统计，产出端却难验证。

多数企业部署AI前没有留下基线：原先一次经营分析要多久、错误率多高、转化率多少，没有记录，AI带来的"价值"和效率的变化也就无从比较。此外，AI部署后还会存在很多隐性成本，包括人工复核、错误返工、组织调整等等，这些投入散落在运维费和加班工时里，也很难被准确计入。

口径摆正之后，王莆中给出了一套场景判断方法论，通过五个问题，给场景设基线、算全口径账，从而让企业管理者算明白这笔"糊涂账"：

1.是否直接影响收入、成本、体验或风险？

2.流程是否高频、重复、耗时？

3.数据是否存在、质量是否基本可用？

4.结果好坏能否被清楚判断？

5.出错时是否有人复核并承担责任？

他认为，五个问题里如果有三个答不上来，就先别买模型——把问题补齐，本身就是一次经营改善。这套标准的指向很明确：高价值场景存在于真实的经营中，而不是演示文稿里。客服、报表、库存这类"重复性高、规则清晰、可量化"的环节，天然比写邮件、做PPT更适合先投入。

方向定了，具体账怎么算？以美团与漱玉平民的合作为例：68个城市的经营分析，原先每次要花约2小时，如今AI自动生成日报，5分钟就能通览。假设每个城市每月做4次分析，每次省下约115分钟，全月68个城市合计能省出约520个工时——按分析岗综合人力成本折算，这就是看得见的月度收益；而投入端，主要是模型调用费加系统集成的一次性支出。这笔账能算明白，前提是部署前先记下"每次2小时"这个基线。多数企业恰恰缺了这一步：没有基线，AI带来的变化就无从衡量。

把镜头拉远，这也不是美团一家的事。据Business Insider报道，麦肯锡追踪了20家全面改造组织流程、完整落地AI方法论的企业，其AI投入平均获得约3倍回报。这个结果并不意味着AI天然高回报，而是说明：真正把AI当作经营问题来管理的企业，确实能跑出可观的回报。

说到底，应该先有经营问题，再判断AI值不值得投入；倘若顺序反了，就容易重蹈美团五个月前的覆辙。

谁算得清，谁接得住

王莆中在演讲中留下一个判断："AI是指数级技术，企业兑现AI红利的前提是组织底数大于1。"这场“养虾”实验，其实也印证了这一点：AI是发动机，业务和组织管理是底盘——底盘稳固，AI放大原有优势；底盘有短板，AI反而会放大混乱，发动机越强劲，底盘越容易散架。

但账不能只算短期。经营价值不完全等于短期财务回报——认知普及、员工提效、创意发散、知识沉淀、组织协作，这些变化未必立刻体现在收入、利润和成本的报表里，却会在更长的时间里改变一家公司做事的方式。

美团最新财报也提供了一个现实注解：8月28日发布的2026年二季度及半年报显示，美团研发投入同比增长22.5%。除发布AI产品LongCat 2.0、CatPaw外，“小团”AI助手也完成全面升级，并面向骑手推出AI安全助手“团宝”。美团CFO陈少晖表示，公司将继续推进AI与业务场景深度融合，以真实需求和主业增长为导向。

路遥知马力，有些回报本来就要靠时间兑付，算不清的账，不一定是亏的。真正重要的是，企业能否在探索之后找到值得持续投入的方向。也因此，“养虾”解决的是让更多人碰到AI，真正要解决的却是如何“产虾”：让AI进入业务、嵌入流程，最终产生可以被验证的结果。行业故事也正在从“谁用得多、谁跑得快”，转向“谁算得清、谁接得住”。

经过这轮“养虾”，AI已经不缺使用者，真正拉开企业差距的，是组织能否把越来越多的AI能力接入业务，并最终转化为有效生产力。