运营商推AI token套餐 业务模式能否成立？

作者：张烽

2026年5月，一则消息在通信与人工智能交叉领域引发广泛关注——中国电信正式试商用基于人工智能API调用的token套餐业务。事实上，三大运营商（中国电信、中国移动、中国联通）均已正式将 ‌Token经营 作为AI时代的核心战略，从传统“流量经营”转向“Token经营”，即推出Token作为AI服务的计量单位和计费标准。

运营商此举被一些市场人士解读为包括中国电信在内的运营商向AI服务商转型的重要信号，也有声音认为这不过是运营商在传统流量业务增长见顶背景下的无奈尝试。无论何种解读，这一动作都提出了一个值得深入探讨的问题：运营商的token业务模式，究竟能否成立？

一、中国电信token业务的具体内容

以中国电信为例，根据媒体报道及相关公开信息，中国电信此次推出的token套餐，本质上是将人工智能大模型的API调用能力进行商品化封装，以token为计量单位向用户（包括企业开发者和个人用户）销售。

1.1 产品形态与定价模式

从产品形态来看，该业务属于典型的“按量付费”模式。用户购买一定数量的token包后，即可通过中国电信提供的API接口调用其合作或自研的人工智能模型能力。token是衡量大模型处理文本长度的基本单位，通常1000个token约对应700-800个中文字符。用户输入的提示词和模型生成的回复，共同消耗token配额。

定价方面，据媒体报道及官方披露，中国电信提供了多个档位的token包，例如9.9元/月的轻量版包含1000万token额度，同时也有针对高频用户的更大容量套餐。这种定价策略与传统通信业务中的流量套餐、短信套餐具有高度相似性——通过分级定价满足不同使用强度的用户需求，同时通过包年、包月的形式形成稳定的预付费收入流。

1.2 技术实现与资源整合

从技术实现看，中国电信并非纯粹扮演“转售商”角色。作为运营商，其拥有遍布全国的数据中心资源、云计算基础设施（天翼云）以及覆盖广泛的网络管道。据悉，中国电信通过自研星辰大模型，并与GLM5、DeepSeek V3.2等多家AI模型厂商合作，将模型部署在其自有云基础设施上，用户调用API时，整个请求-处理-响应链路均运行在中国电信的骨干网络和算力设施之内。

这意味着中国电信的token业务并非简单的代理销售，而是包含了算力资源、网络传输、模型调用的一体化服务。用户支付的token费用，实际上覆盖了模型推理所需的计算成本、网络带宽成本以及模型授权费用。

1.3 目标用户与应用场景

从已披露的信息推断，该业务的主要目标用户群体包括：中小型企业开发者、独立软件开发商、高校科研机构以及部分个人开发者。这些用户共同的特点是：有AI模型调用需求，但规模不足以支撑自建模型或与大模型厂商直接签订大额合同；对成本敏感，希望有更灵活、门槛更低的付费方式；同时可能对网络稳定性和响应速度有较高要求。

典型的应用场景包括：智能客服机器人开发、自动化内容生成、代码辅助编写、文档摘要处理等。这些场景的共同特征是token消耗量适中，且对响应延迟有一定要求。

二、运营商token业务的优势与劣势

中国电信进军token市场，并非突发奇想。从战略逻辑上看，运营商在这一领域确实拥有若干先天优势，但同时也面临不容忽视的劣势。

2.1 核心优势

第一，管道与算力的深度融合。运营商最核心的资产是网络。API调用的体验高度依赖网络延迟和稳定性，而运营商拥有从接入网到骨干网的全链条控制能力。当模型部署在运营商自有数据中心、用户通过运营商网络访问时，可以在网络层面进行端到端的优化，这是任何云厂商或AI公司都不具备的条件。理论上，运营商可以提供确定性更低的延迟和更高的可用性。

第二，计费与账务体系的天然适配。token业务本质上是一种按使用量计费的服务，而运营商在按量计费领域已有数十年的经验积累。从话单生成、用量累积、阈值提醒到欠费管控，运营商的计费系统天然适配token这种小额、高频、按次的计量单位。相比之下，许多AI创业公司在计费、开票、欠费管理等方面需要从零搭建，运营商的这一能力是隐形的护城河。

第三，广泛的政企客户渠道。中国电信拥有覆盖全国政企市场的销售网络，与各级政府、国企、大型民企有着长期的通信服务关系。这些客户同样是AI能力的潜在采购者。通过现有的客户关系和销售渠道推广token套餐，获客成本远低于新兴AI公司。

第四，数据安全与合规的品牌认知。在人工智能服务中，数据安全是许多企业客户的核心关切。中国电信作为国有大型运营商，在数据安全、隐私保护方面具有天然的品牌信任度。对于金融、政务、医疗等对数据合规要求极高的行业客户而言，选择运营商的AI服务比选择创业公司更令人放心。

2.2 明显劣势

第一，核心模型能力仍有差距。这是运营商涉足AI服务最主要的短板。从目前信息来看，中国电信的token业务依托自研星辰大模型及第三方基础模型，在顶尖通用模型性能、多模态能力、推理深度等方面，与行业头部模型仍存在明显差距。用户购买token的核心目的是获得优质的模型输出，如果模型本身表现平平，再好的网络和计费也难以吸引用户。

第二，AI服务所需的运营能力不足。token业务并非简单的“卖算力”，它涉及提示词优化、上下文管理、模型版本迭代、安全对齐等复杂的技术运营。运营商擅长的是网络运维和计费管理，虽已搭建基础模型调度与服务平台，但在模型调优、开发者生态建设、API文档完善、开发者支持等方面的能力积累仍较薄弱。这种能力鸿沟不是短期内可以跨越的。

第三，定价缺乏弹性与竞争力。运营商的定价机制通常较为僵化，价格调整需要经过多层审批。而AI服务市场是一个典型的快速迭代、价格持续下降的市场——过去一年主流模型API价格已下降数倍。运营商能否跟上这种降价节奏存在疑问。如果定价偏高，用户会流向更具性价比的选项；如果定价过低，则难以覆盖成本和获得合理利润。

第四，开发者生态缺失。成功的API经济建立在活跃的开发者生态之上。头部AI公司的API业务不仅仅是提供一个接口，还围绕接口构建了文档、社区、工具链、插件生态等完整体系。运营商在这方面的积累几乎为零。没有开发者的自发传播和应用创新，token业务就只能停留在“卖资源”的初级阶段。

三、持久性与业务模式辨析

一个更根本的问题是：运营商的token业务是否具有持久性？它能否成为一种可持续的业务模式，还是只是一时的市场热点？

3.1 持久性的制约因素

从长期来看，运营商token业务的持久性面临三重挑战。

第一，模型商品化的趋势。随着大模型技术的成熟和开源模型的普及，模型能力本身正在快速商品化。这意味着通过API提供模型服务的毛利率将持续下降。如果运营商仅仅充当模型能力的“转售商”或“集成商”，当模型厂商自己以更低价格、更好服务直接面向客户时，运营商的中间环节价值将被压缩甚至消失。目前一些头部模型厂商已经建立了成熟的直销和云服务渠道，留给运营商的空间并不大。

第二，技术迭代导致的重资产风险。token业务依赖于部署在运营商数据中心的模型实例。但AI模型迭代速度极快，每隔几个月就有性能更优、成本更低的新模型问世。运营商部署的模型硬件和配套基础设施可能很快面临技术贬值。如果运营商采用第三方模型，还需要不断支付授权费用和技术适配成本。这种快速迭代的特性与运营商习惯于长期资产摊销的经营模式存在内在冲突。

第三，业务属性的“管道化”宿命。运营商最不愿意看到的情形是：token业务最终演变为另一种“流量经营”——用户购买的token看似是智能服务，实则是底层传输带宽和计算资源的又一次打包销售。如果运营商不能在模型能力或开发者服务上建立差异化优势，token业务将与短信、流量一样陷入同质化竞争和价格战。而运营商过去二十年未能摆脱的管道化困境，没有任何理由相信会在AI时代自动消失。

3.2 业务模式成立的条件

尽管面临上述挑战，但运营商的token业务并非完全没有成立的可能。其成立需要满足若干前提条件。

条件一：拥有差异化的模型能力。如果运营商能够开发出在特定垂直领域具有显著优势的模型（例如在通信网络运维、电信客服、智慧城市等领域），或者通过整合多个模型形成独特的产品体验，那么token业务就不再是简单的转售，而是具有附加价值的服务。目前中国电信在星辰大模型垂直场景适配方面已有一定探索，但距离形成真正的差异化优势还有明显差距。

条件二：发挥网络与算力协同的独有价值。运营商可以在“边缘AI”领域建立独特优势。对于需要低延迟响应的场景（如实时翻译、语音助手、工业控制），将模型部署在靠近用户的网络边缘节点能够大幅降低延迟。运营商拥有3000+丰富的边缘节点资源，可以构建区别于公有云厂商的边缘AI服务。这种网络与算力的协同是运营商独有的竞争优势，也是防止业务单纯商品化的关键。

条件三：建立灵活的合作与定价机制。运营商需要改变传统的、僵化的定价和产品管理模式，建立与AI市场节奏相匹配的快速迭代机制。这意味着在内部流程、考核机制、决策权限等方面进行系统性变革。如果没有组织层面的适配，再好的业务构想也难以落地。

综合来看，运营商的token业务在现阶段更多是一种战略探索和卡位。从业务模式的角度审视，它目前更接近“算力+网络+通用模型”的基础资源销售，而非真正意义上的AI服务平台。如果运营商能够沿着“边缘AI”和“垂直模型”的方向构建真正的差异化能力，这个模式有可能演变为可持续的业务；如果停留在目前的能力边界内，则长期前景仍存在不确定性。

四、token经济：核心锚点是token还是资产？

更深层次的问题是：在未来的人工智能token经济中，价值锚定在什么之上？是以token代表的“消耗量”为核心，还是以模型背后的“资产”（包括数据资产、模型权重、用户关系等）为核心？

4.1 token作为计量单位的局限性

token本质上是一个技术性的计量单位，它衡量的是大模型处理文本的计算复杂度。但token本身不承载价值——同样的1000个token，在通用聊天场景下可能仅产生普通信息回复，而在专业医疗咨询场景下可能产出具有重大价值的诊断建议。这意味着token的价值是高度情境化的，单纯以token数量作为交易基础，本质上是卖方的便利而非买方的价值导向。

从经济学角度看，token计费是一种典型的“成本加成”定价思路——卖方根据计算成本分摊来定价。但在AI服务中，用户真正需要的是“解决问题的结果”，而不是“消耗的token数量”。一个极简的、但精准的答案消耗的token很少，但对用户的价值可能极高。如果服务商固守token计费模式，将面临激励机制错位：服务商有动机让用户消耗更多token，而非提供最高效的解决方案。

4.2 资产作为价值锚点的优势

与token相比，“资产”视角提供了不同的价值逻辑。在资产逻辑下，用户购买的不是离散的token计量，而是对某种能力的访问权、对某些数据的使用权、或者对特定任务输出的保障。

以数据资产为例：经过高质量标注的行业数据、经过用户反馈持续优化的模型权重、经过长期积累的用户交互记录，这些都是具有持续价值的资产。基于这些资产，服务商可以提供更有保障的服务质量、更具洞察力的分析能力，用户也愿意为这种“资产杠杆”支付溢价。

再以模型能力资产为例：一个经过特定领域精调的模型，其对行业术语、业务逻辑、合规要求的理解能力，本身是一种可复用的资产。用户购买的不是逐次计算的token，而是对这一能力资产的调用资格。这种模式下，价值锚定在“能力资产”而非“计算消耗”上。

4.3 运营商视角的战略选择

对于运营商而言，如果希望深度参与token经济，需要认真思考自己的核心资产是什么。是部署在网络边缘的算力节点吗？是覆盖全国的客户关系吗？是长期积累的通信网络运营数据吗？这些都是运营商独特的资产，但这些资产与AI token经济的结合点在哪里，目前尚不清晰。

一个可能的方向是：运营商将token套餐与垂直行业的AI解决方案捆绑销售。例如，面向制造业客户，运营商提供“工业质检AI服务包”，其中token配额只是计价参考，客户真正购买的是“质检准确率保障”和“故障分析报告”。在这种模式下，token退居为内部成本核算工具，而对外交付的是资产化的服务能力。这或许是运营商在token经济中找到可持续定位的一条路径。

从更宏观的视角看，未来AI服务的定价模式可能会从纯粹的token计量，向“价值定价”、“结果定价”、“订阅定价”等多元模式演进。token作为技术计量单位不会消失，但它将成为后台计价的参考维度之一，而非面向用户的核心交易标的。运营商如果过度绑定token这一单一维度，可能在商业模式演进中陷入被动。

五、中国电信做token中转站的行业展望

如果将其定位为“token中转站”——即在AI模型提供方与最终用户之间扮演承上启下的角色——那么这一战略选择中蕴含着怎样的机会、需要注意哪些事项、又面临哪些风险？

5.1 行业机会

机会一：把握AI应用爆发的早期红利。当前中国AI应用市场正处于从“模型能力展示”向“大规模商业应用”过渡的关键阶段。2025年传统流量业务增速已低于1%，而AI token调用量两年增长1400倍，大量中小企业、个体开发者希望接入AI能力，但受限于大模型厂商的门槛（如企业资质审核、最低充值额度、发票流程等）。运营商凭借成熟的预付费体系和广泛的触点，可以成为这一增量市场的“入门通道”。只要能承接住这一波流量，就能积累可观的用户基础和运营经验。

机会二：构建“AI+连接”的融合产品。运营商的独特优势在于能够将AI能力与通信服务捆绑。例如，企业购买中国电信的企业宽带或云总机服务时，可以附加赠送或优惠购买token套餐；个人用户购买5G套餐时，可以同步获得个人AI助理的token额度。这种融合产品策略可以提升整体ARPU值，同时降低token业务本身的获客成本和用户流失率。

机会三：成为区域性、行业性AI服务的整合者。在AI服务市场，头部模型厂商更倾向于服务标准化、规模化的通用场景。但对于特定区域（如某省制造业集群）、特定行业（如地方政务、教育、医疗）的定制化需求，大厂商的意愿和能力往往有限。运营商凭借本地化服务团队和深厚的政企关系，可以扮演“最后一公里”整合者的角色——整合多个模型能力、适配本地数据特点、提供驻场支持，从而在高毛利的定制化服务中获得生存空间。

5.2 挑战

挑战一：要避免陷入纯价格竞争。token市场天然具有价格竞争的压力。运营商应避免将token业务简化为“最便宜的AI调用渠道”，因为在这一维度上，创业公司和云厂商可能更具优势。运营商更应该强调的是“稳定”“可靠”“合规”“易用”等综合价值，通过差异化定位规避红海竞争。

挑战二：要注重开发者体验的持续优化。如果token业务的用户群体包含开发者，那么开发者体验就是决定成败的关键。运营商需要投入资源完善API文档、提供多语言SDK、搭建开发者社区、建立快速响应的技术支持通道。这需要运营商引入产品经理文化和敏捷开发流程，与传统运营商的工程文化存在较大差异，需要组织层面的主动调适。

挑战三：要建立清晰的收益分配与分成机制。token中转站涉及多个参与方：模型提供方、算力提供方、网络提供方、渠道方等。运营商需要设计公平、透明、可预期的分成机制，确保各方能够形成稳定合作预期。同时，运营商应警惕对单一模型提供方的过度依赖，通过多模型并行为用户提供选择空间，也为自己保留议价能力。

5.3 风险

风险一：监管与合规的不确定性。AI服务涉及生成式内容监管、数据安全、算法备案等多重合规要求。运营商作为国有企业和基础网络运营者，面临的合规压力远高于一般商业公司。随着国家对生成式AI监管的持续完善，相关的合规成本和风险可能显著增加。一个内容审核不到位的案例，就可能导致业务暂停甚至牌照风险。

风险二：技术与市场的快速迭代风险。AI行业的变化速度远超通信行业。运营商习惯的是十年一代的通信技术演进节奏，而AI领域每半年就有显著突破。这种节奏差异可能导致运营商在技术路线选择、合作伙伴决策、投资布局等方面出现系统性误判。例如，当运营商投入重金部署某个模型的推理集群后，市场上出现了一个成本低十倍的新模型，前期的投入就面临沉没风险。

风险三：核心能力空心化的战略风险。如果中国电信长期停留在“token中转站”角色，即主要依靠转售第三方模型能力获利，那么它在AI价值链中的位置将日益边缘化。模型厂商可能越过运营商直接获客，其他渠道（如云厂商、软件集成商）也可能提供类似的接入服务。一旦竞争加剧，运营商就可能陷入既没有模型能力壁垒、也没有用户锁定效应的尴尬境地。这是运营商管理层需要警惕的战略风险。

运营商的token业务模式要真正成立，需要的不仅是产品层面的创新，更是组织能力、技术积累、生态构建等多维度的系统性突破。

它需要回答一个根本性问题：当用户购买电信的token时，他们获得的是任何渠道都能提供的标准模型能力，还是只有电信才能提供的独特价值？

如果答案是前者，token业务将很难逃脱管道化的宿命；如果答案是后者，那么它就有可能成为运营商数字化转型的标志性产品。中国电信的探索值得关注，但距离结论尚早。在AI重塑各行各业的浪潮中，运营商能否找到属于自己的位置，答案不在token套餐本身，而在于它能否借此建立起真正的AI服务能力。

从市场角度看，最值得跟踪的指标或许不是中国电信销售了多少token套餐，而是它是否在这一过程中积累起了模型运营、开发者生态、行业解决方案等核心能力。这些能力的建设情况，将最终决定运营商token业务的命运。