AI支出失控？这家公司拿了420万美元要算清这笔账

麦肯锡数据显示，全球仅39%的组织能说清AI投入带来的可量化业务影响，其余61%基本在“黑暗里烧钱”。Gartner预测2026年全球AI支出将达2.59万亿美元，同比增长47%，但这笔钱没有统一系统追踪，CIO和财务负责人难以知道资金流向哪个团队、工具或个人，以及最终回报。

在此背景下，Guickly结束隐身模式，宣布完成420万美元种子轮融资，由Engineering Capital领投，Converge VC、Neon Fund及天使投资人跟投。创始人Prashant Jalan曾任Google Applied AI团队负责人，在Google工作超八年，主导过Google地图限速功能，也做过优化TPU性能的底层profiler工具。公司目标是帮企业看清AI花了多少钱、花在哪里、是否带来真实价值。

AI支出与云支出最大不同，是它没有规律。Jalan认为“AI支出是一个独立品类”，不能用管理传统软件的逻辑处理。传统企业软件多按座位收费，CFO容易看明白；AI成本按消耗计费，更像水电，用量波动极大。Bain数据显示，2024年12月至2025年12月，单个token成本下降一半，但企业消耗token总量增长4.5倍，价格降了账单反而上升。传统按座位预算方式失效。

更复杂的是，AI支出不会整齐出现在财务报表某一行。它可能藏在SaaS续约条款里，某个复选框悄悄打开AI功能；可能是工程师用个人信用卡装付费代码补全工具；也可能是员工用公司邮箱注册免费AI工具，消耗无人追踪的算力。这些支出不自动出现在IT采购记录里，却真实发生。Guickly将这类游走采购流程外的AI使用称为“shadow AI”（影子AI）。

影子AI不只是预算问题，还是安全炸弹。IBM 2025年数据泄露报告显示，影子AI引发的数据泄露平均成本比普通泄露事件高67万美元，且通过AI途径发生泄露的企业中，97%事发时没有任何AI访问控制机制。员工把源代码、客户合同或财务数据粘进未经IT审批的AI工具时，数据可能跑到AI公司服务器，甚至成为训练素材。金融、制药、汽车IoT等强监管行业尤其敏感。

Guickly的架构只处理元数据，如哪个模型被调用、被谁调用、花了多少成本，不把员工输入的prompt、源代码或敏感内容传到Guickly服务器，敏感数据留在企业内部。企业可获得完整AI使用视图，同时不必把核心机密交给第三方平台，这对合规要求高的行业是实际差异化优势。

另一个现象是“tokenmaxxing”：当企业给员工无限制AI访问权限，或员工觉得用多少都无所谓时，一部分人会极致使用AI，自动化几乎所有能想到的任务，不管有无商业价值。Bain数据显示，一家公司用量最高的前5%用户，消耗token数量往往超过其余95%的人总和。因此一刀切设上限最糟糕，会卡住高价值用户，而用得少的人无感。更现实的做法是让市场团队用低成本开源模型写文案，把算力预算留给真正需要顶尖模型的研发场景。前提是知道谁在用什么模型做什么，这正是Guickly要解决的核心问题。其平台可按员工、工具、团队设定预算上限，标记使用过度或没人用的许可证，暴露浪费。

企业AI缺的不是使用量，而是一套计量系统。互联网和云计算都经历过类似阶段，最终催生网页分析和云计算FinOps工具。但AI目前处于空白地带：大量采用、支出快速增长，却没有统一计量系统连接两者。《纽约时报》今年8月报道，一位耶鲁大学经济学家研究AI token消耗时，手头数据集只覆盖全球AI支出约2%，因为没有更好数据来源。企业都在用AI、为AI付钱，但行业没有中央化系统追踪。

Guickly定位为“AI计量层”，比“AI支出管理工具”更准确。其做法分四层：库存，搞清企业跑着哪些AI工具、模型和agent，包括未审批的；归因，把每笔成本对应到具体团队、用户和场景；采用率，不只看买了多少许可证，而看工具实际用得多深；回报，用实际结果对比人工基准，算出每笔AI支出的真实ROI。顺序很重要，多数企业错误是反过来的：老板问ROI，团队直接算回报，但连库存和归因都没有，数字不可信。Guickly不要求替换现有技术栈，直接集成现有环境，不需改代码或工程团队专门配合，降低采购阻力，更易进入技术债务重、迁移成本高的大型企业。

投资者押注的不仅是想法，更是人。Engineering Capital的Ashmeet Sidana称跟踪Jalan职业轨迹多年，认为他有“商业本能”。Jalan在Google做过两件事：Google地图限速功能，面向数十亿用户，需理解技术如何转化为普通人可感知价值；TPU性能优化profiler，纯内部工具，核心是追踪每个计算周期和每个字节去向，确保资源不浪费。这两件事合起来就是Guickly产品逻辑原型：一边对用户价值敏感，一边对资源计量执念。Jalan说：“在Google领导Applied AI团队时，我追踪每一个cycle和每一个byte的去向。但后来意识到，即便最大科技公司，也不一定清楚AI在自己内部到底在做什么。”这成为创业起点。Converge VC的Anshu Agarwal称这是“white-space opportunity”，市场空白尚未被很好填满。Guickly进入的不是已有标准答案的赛道，而在定义赛道边界。风险高，但若成功，先发优势难复制。

时间点也值得思考。影子AI、AI支出失控并非今天才