麦肯锡提示AI代理任务成本差异显著，企业相关支出面临上行压力

麦肯锡近期围绕AI代理任务成本发布分析，指出不同任务之间的成本差异可达30倍，这一悬殊区间意味着企业在部署AI代理时面临的支出不确定性正在加大。分析认为，随着代理类任务从简单问答向多步骤执行延伸，单次任务所消耗的计算资源与调用成本并非线性增长，而是可能因任务复杂度、工具调用次数以及模型选择等因素出现数量级上的波动。

在此背景下，企业若缺乏对任务粒度的成本拆解，很容易在规模化应用后出现预算超支。麦肯锡在分析中提醒，AI代理的成本结构不同于传统软件许可或人力外包，其费用与任务执行路径、上下文长度以及外部系统交互频次直接相关，因此同一类业务在不同实现方式下可能产生截然不同的账单金额。

成本差异来自任务执行路径与资源调用

分析显示，AI代理在处理简单查询时，通常只需一次模型调用即可返回结果，而涉及数据检索、多轮推理或跨系统操作的任务，则可能触发多次模型调用与工具调用，由此拉高单次任务成本。麦肯锡将这种差异描述为任务成本区间，并强调企业不能仅以单次调用价格来估算整体支出，因为代理任务往往包含多个隐藏步骤。

与此同时，不同任务之间的成本差距并非固定不变，而是随着模型能力、上下文压缩技术以及缓存策略的调整而动态变化。麦肯锡认为，企业需要建立针对代理任务的成本观测机制，否则难以判断某项自动化是否真正带来净收益。

企业支出或进一步攀升

麦肯锡在分析中提出，随着企业将更多业务流程交由AI代理执行，相关支出可能继续上升。这一判断基于代理任务的高频调用特征：即使单次成本较低，当任务数量扩大至生产环境规模后，累计费用仍会显著增加。分析同时指出，部分企业尚未将代理任务的隐性成本纳入预算模型，例如失败重试、上下文膨胀以及多工具串联带来的额外消耗。

针对这一情况，麦肯锡建议企业在规划AI代理项目时，将任务成本差异作为核心评估指标之一，而不是仅关注模型单价或演示场景下的表现。分析认为，只有把成本差异控制在可预测范围内，企业才能在扩大代理应用的同时维持财务可持续性。