融了 420 万美元只做一件事：让 AI 支出不再是黑盒

你有没有想过，企业现在在 AI 上烧的钱，可能已经和云计算持平了，但没有一个人说得清楚这笔钱到底去了哪里？这不是夸张，这是一个每天都在发生的现实。麦肯锡的数据说得很直接：全球只有 39% 的组织能说清楚 AI 投入带来了哪些可量化的业务影响，剩下的 61%，说白了就是在黑暗里烧钱。与此同时，Gartner 预测 2026 年全球 AI 支出将达到 2.59 万亿美元，同比增长 47%。这么大一笔钱，没有任何系统在统一追踪它，没有任何工具能告诉 CIO 或者财务负责人，这笔钱究竟流向了哪个团队、哪个工具、哪个人，最终带来了什么回报。

就在这个背景下，一家叫 Guickly 的公司悄悄从隐身模式走了出来，宣布完成 420 万美元的种子轮融资，由 Engineering Capital 领投，Converge VC、Neon Fund 和一批天使投资人跟投。创始人 Prashant Jalan 曾是 Google Applied AI 团队的负责人，在 Google 工作了超过八年，主导过 Google 地图限速功能的开发，也做过优化 TPU 性能的底层 profiler 工具。他要做的事情听起来简单，但真正做到却极难：帮企业看清楚自己到底在 AI 上花了多少钱，花在了哪里，有没有带来任何真实价值。

AI 支出和云支出最大的不同，是它根本没有规律可言

我最开始以为 AI 支出不就是另一种 IT 支出吗，照着云计算 FinOps 的思路抄过来不就行了？但 Jalan 说了一句话让我想了很久："AI 支出是一个独立的品类。"它不能用管理传统软件的逻辑来处理。

这背后的道理其实很关键。传统企业软件，比如 CRM、ERP，基本上是按座位收费，每个月固定支出，CFO 一眼就能看明白。但 AI 的成本结构完全不一样，它是按消耗计费的，更像是水电这种计量式公共事业，用得越多花得越多，而且用量波动极大。Bain 的数据就很能说明这个现象：从 2024 年 12 月到 2025 年 12 月，单个 token 的成本下降了一半，但同期企业消耗的 token 总量增长了 4.5 倍。价格降了，但账单不降反升，因为用量在指数级扩张。传统的按座位预算方式，在这个新的计费逻辑面前完全失效。

更复杂的是，这笔钱不会整齐地出现在财务报表的某一行里。它可能藏在某个 SaaS 订阅的续约条款里，某个不起眼的复选框悄悄打开了 AI 功能；它可能是某个工程师在自己的电脑上装了个付费代码补全工具，用的是个人信用卡；它可能是某个团队的员工拿公司邮箱注册了一堆免费 AI 工具的账号，消耗着没人追踪的算力。这些支出没有任何一条会自动出现在 IT 采购记录里，但它们都是真实发生的企业 AI 支出。Guickly 把这类游走在采购流程之外的 AI 使用叫做"shadow AI"——影子 AI。这个词用得很准，因为它就像影子一样，无处不在，但你看不见摸不着。

影子 AI 不只是个预算问题，它还是个安全炸弹

影子 AI 这个话题，我最开始以为只是财务层面的麻烦。但仔细看下去，才发现风险远不止于此。IBM 2025 年数据泄露报告里有一个数字很触目惊心：由影子 AI 引发的数据泄露，平均成本比普通泄露事件高出 67 万美元，而且在那些通过 AI 途径发生泄露的企业里，有 97% 在事发时完全没有任何 AI 访问控制机制。

这个逻辑不难理解。当一个员工把公司的源代码、客户合同或者财务数据粘进一个没有经过 IT 审批的 AI 工具时，那些数据很可能就跑到了这家 AI 公司的服务器上，有可能成为它训练下一代模型的素材。员工的出发点可能只是想提高工作效率，但无意间可能就完成了一次数据外泄。金融、制药、汽车 IoT 这些强监管行业尤其敏感，任何一次数据外传都可能触发合规处罚。

Guickly 在这里做了一个我觉得挺关键的架构设计：它的平台只处理元数据，比如哪个模型被调用了、被谁调用的、花了多少成本，但完全不把员工输入的 prompt、源代码或者任何敏感内容传到 Guickly 自己的服务器上。所有敏感数据留在企业内部。这意味着企业可以获得完整的 AI 使用视图，同时不需要把核心机密交给一个第三方平台。对于合规要求严格的行业来说，这是一个很实际的差异化优势，也是 Guickly 能进入这些行业的敲门砖。

"Tokenmaxxing"：当 AI 变成无限资源，会发生什么

这是整件事里我觉得最有意思的一个现象。当企业给员工提供了无限制的 AI 访问权限，或者员工自己觉得用多少都无所谓的时候，一部分人会开始"tokenmaxxing"——把 AI 用到极致，用它自动化几乎所有他们能想到的任务，不管这些任务有没有商业价值。

Bain 的一个数据点很能说明这个现象：在一家公司里，用量最高的前 5% 的用户，消耗的 token 数量往往超过其余 95% 的人加在一起。这意味着如果企业想控制成本，一刀切地给所有人设上限是最糟糕的做法，因为这个上限会精准地卡住那些高价值用户，而那些本来就用得少的人根本感受不到任何变化。

更现实的情况是，企业不太可能因为担心 token 超支就直接禁止市场团队用 AI 写文案。但企业完全可以做到的是，让市场团队使用更低成本的开源模型来完成文案工作，把算力预算留给真正需要顶尖模型的研发场景。这种精细化的资源分配，前提是你首先得知道谁在用什么模型做什么事情。而这恰好是 Guickly 要解决的核心问题。Guickly 的平台可以按员工、按工具、按团队设定预算上限，同时标记出那些明显使用过度或者根本没人用的许可证，把浪费的部分暴露出来。

企业 AI 缺的不是使用量，缺的是一套计量系统

我一直在想，为什么这个问题在 AI 时代之前没有人去系统性地解决？其实互联网和云计算各自都经历过类似的阶段，最终都催生出了自己的计量工具。网页分析工具告诉企业哪个页面带来了哪笔交易，云计算 FinOps 工具告诉企业每一块钱的基础设施成本花在了哪个业务线上。但 AI 目前还处于两者之间的空白地带：有大量采用，有快速增长的支出，但没有一套统一的计量系统把这两件事连接起来。

《纽约时报》今年 8 月报道了一个细节，很能说明这个缺口有多大：一位耶鲁大学的经济学家在研究 AI token 消耗时，手头能用的数据集只覆盖了全球 AI 支出的大约 2%，因为根本没有更好的数据来源存在。企业都在用 AI，都在为 AI 付钱，但整个行业没有任何一个中央化的系统在追踪这件事。

Guickly 把自己定位为"AI 计量层"，这个说法比"AI 支出管理工具"更准确，也更有野心。它做的事情分四层：第一层是库存，搞清楚企业里跑着哪些 AI 工具、模型和 agent，包括那些没有经过审批的；第二层是归因，把每一笔成本对应到具体的团队、用户和使用场景；第三层是采用率，不是看买了多少许可证，而是看这些工具实际上被用得有多深；第四层才是回报，用实际结果对比人工基准，算出每一笔 AI 支出的真实 ROI。这个顺序很重要，因为大多数企业犯的错误是反过来的。老板问起 ROI，团队就直接去算回报，但连基础的库存和归因都没有，算出来的数字根本没有可信度。

Guickly 的另一个设计思路我觉得也值得注意：它不要求企业替换现有的技术栈，而是直接集成进现有环境里，不需要改代码，不需要工程团队专门配合。这降低了采购决策的阻力，也让它更容易进入那些技术债务很重、迁移成本很高的大型企业。

Jalan 这个人，为什么让投资者觉得这件事值得押注

投资一个早期公司，很多时候押的不只是一个想法，更是一个人。Engineering Capital 的 Ashmeet Sidana 说他跟踪 Jalan 的职业轨迹好几年了，说他有"commercial instinct"——商业本能。这种说法在 VC 的引用里很常见，但我试着去理解一下这背后的具体含义。

Jalan 在 Google 做过的两件事很能说明他的特质。一件是 Google 地图的限速功能，这是一个直接面向数十亿普通用户的产品，做这个需要理解怎么把技术能力转化成普通人能感知到的价值。另一件是 TPU 性能优化的 profiler，这是一个纯内部工具，核心是追踪每一个计算周期和每一个字节的去向，确保资源没有被浪费。这两件事放在一起，其实就是 Guickly 这个产品逻辑的原型：一边是对用户价值的敏感，一边是对资源计量的执念。

他自己说的那句话也印证了这一点："在 Google 领导 Applied AI 团队的时候，我追踪每一个 cycle 和每一个 byte 的去向。但后来我意识到，即便是最大的科技公司，也不一定清楚 AI 在自己内部到底在做什么。"这个观察直接变成了他创业的起点。从追踪 Google 内部的算力消耗，到帮所有企业追踪自己的 AI 支出，这条线画起来很清晰。

Converge VC 的 Anshu Agarwal 用了一个词让我印象比较深，叫"white-space opportunity"，意思是这个市场空白还没有被任何人很好地填满。Guickly 进入的不是一个已经有明确标准答案的赛道，它自己就在定义这个赛道的边界。这类机会风险高，但如果成了，先发优势也会很难被复制，因为你是第一个在用户心智里建立起这个品类认知的人。

这件事为什么现在发生，而不是更早或者更晚

时间点这个问题值得单独想一想。影子 AI、AI 支出失控这些问题，并不是今天才出现的，但为什么 Guickly 这类工具选择在 2026 年出现？

我的理解是，这件事有一个渗透率的临界点。AI 工具在过去两年里完成了从早期采用者到主流用户的跨越，企业里已经不再是少数几个技术团队在用 AI，而是几乎每个部门都在用，用的工具五花八门，消耗的算力越来越大。一旦规模上去了，财务报表里那条 AI 支出线就开始变得模糊，财务开始问问题，CIO 开始觉得失控，这时候才会有人愿意为一个"看清楚"的工具付钱。需求是真实的，但需求的爆发需要一个规模门槛，这个门槛现在基本到了。

另一个时间信号是，各大 AI 提供商现在给出的定价还处于补贴阶段，他们在用低价推动采用率。但这种补贴不会永远持续，一旦他们开始回调价格，企业的 AI 账单会在短时间内大幅上涨，那时候对计量工具的需求会呈现爆发式增长。Guickly 现在进入市场，是在提前卡住这个位置，等供给侧的价格逻辑发生变化，需求端自然就会涌来。

还有一个更长期的趋势是环境合规。已经有一些国家和地区开始要求企业把 AI 算力消耗和碳排放挂钩，这意味着 AI 支出的追踪不只是财务问题，迟早会变成合规问题。能同时满足财务可视化和合规审计的工具，会有很强的刚性需求，而且一旦被纳入合规要求，替换成本就会很高，用户黏性自然就上来了。

我对这件事的判断

看完 Guickly 的整个故事，我觉得他们触碰到了一个真实存在、但被严重低估的问题。但我也想说一些可能没那么乐观的观察。

一个很现实的挑战是市场教育成本。目前大多数企业还停留在"我们得多用 AI"的阶段，还没有到"我们得管好 AI 支出"的阶段。从采用优先转向效率优先，需要一个认知转变的过程，而这个过程的速度，很大程度上取决于企业财务压力什么时候真正到来。

另一个竞争层面的挑战是，现有的云计算 FinOps 工具、SaaS 管理平台，以及各大 AI 提供商自己的使用仪表盘，都会往这个方向延伸。Guickly 的核心优势在于独立性——它不属于任何一家 AI 供应商，所以它的建议没有利益冲突。一个被某家大模型公司收购的 AI 支出管理工具，不可能建议你少用它家产品。这种独立性是结构性的，不是表态，竞争对手很难复制。但这种独立性要形成真正的护城河，还需要时间去建立用户信任和数据积累。

但这些挑战不改变我对方向的判断。AI 支出已经是一个无法忽视的企业财务问题，但整个行业缺乏一套标准的计量体系。就像互联网出现之后需要分析工具、云计算出现之后需要 FinOps 工具一样，AI 支出迟早需要自己的计量层。Guickly 在做的事情，是试图成为这个计量层的标准答案。

Jalan 说了一句话我觉得很能概括他们的产品哲学："我们相信时间是神圣的，速度是一种尊重。领导者不应该靠追人来获取答案，Guickly 应该在他们开口问之前就把答案送到他们面前。"这句话听起来像是一句 slogan，但我觉得它其实点出了一件很重要的事：好的计量工具不只是提供数据，而是把正确的信息在正确的时间送到正确的人手里，让决策变得更快、更有底气。能不能成，要看他们能不能在行业认知形成之前把市场标准的定义权拿在手里。但这个方向，我觉得是对的。

文章来自于"深思圈"，作者 "深思圈"。