用了 AI 之后，公司好像更穷了
一句话看懂：从Uber、微软到亚马逊，多家公司发现全面引入AI后不仅没省钱，反而因Token消耗失控导致预算暴涨。Uber给5000名工程师开放Claude Code后，几个月内烧光全年AI预算，米哈游一次多Agent实验一晚消耗约200万元Token。市场开始从“看使用量”转向“看投入产出比”，企业被迫重新审视AI的财务模型。
事件核心：发生了什么
多家科技企业此前推动“全员AI化”，期望通过AI替代人力降低成本，但实际执行中遭遇“Token成本失控”。Uber为5000名工程师开放Claude Code，数月内耗尽全年AI预算；微软随后收紧内部Claude Code权限，不再允许无限制调用；亚马逊干脆取消了内部AI使用排行榜——因员工为了排名疯狂刷Token导致大量无效调用。更典型的案例来自米哈游：在一次多Agent实验中，几十个Agent在后台互相调用、确认、等待，形成无意义循环，一个晚上烧掉约200万元Token，产出却微乎其微。Meta内部曾有一个“Claudeonomics”排行榜，其中第一名一个月消耗31.2万亿Token，折算成本足够雇佣两名资深工程师工作一年。这些案例揭示了当前企业AI应用中的一个普遍问题：模型调用单价确实在降低（DeepSeek等国产模型降价明显），但使用量和调用链复杂度呈指数级增长，导致总账单反而飙升。
为什么重要
这一现象揭示了AI成本结构的根本性转变：传统软件的成本是固定的（按账号、按年付费），而AI是按使用量计费，且调用链会随业务复杂度自动放大。多Agent系统中，30%到60%的Token消耗在无意义的相互确认和循环中。市场关注点已从“谁用AI多”转向“谁用AI产生了真实利润”，资本市场也开始用ROI取代调用量作为核心指标。对于大模型厂商而言，这迫使它们必须同时优化模型效率和定价策略——不仅要有能力解决复杂问题，还要提供足够经济的“低端模型”处理简单任务。DeepSeek、豆包等国产模型被企业重新审视，不是因为技术突破，而是因为“同样的活，便宜好几倍”。行业正从“用力用AI”转向“聪明地用AI”。
对用户/开发者/创作者的影响
对企业采购决策者：必须建立Token成本监控和预算上限机制，避免无限制调用。建议区分任务复杂度：简单任务使用廉价模型（如DeepSeek），复杂任务使用高级模型（如Claude Sonnet/Opus）。设置Agent循环最大深度，避免无意义交叉调用。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者：需要从“用AI做功能”转向“算AI的账”。在开发Agent系统时，必须内置成本感知逻辑——设定调用链的最大Token阈值、超时收回机制，并定期输出成本-产出报告。避免“为了用AI而写AI”的架构设计。
对内容创作者/独立开发者：注意“Tokenmaxxing”陷阱——让AI反复优化同一段代码或生成多个版本可能无实际价值，但会迅速消耗预算。建议使用本地或开源的轻量模型处理日常任务，仅在关键环节使用云端高级模型。目前公开信息显示，这类问题在大模型商业化早期普遍存在，部分第三方工具已推出成本控制插件。
值得关注的后续
1. 大模型厂商的定价策略调整：预计会有更多支持“混合路由”的产品出现，即自动判断任务复杂度并分配不同价格模型，例如OpenAI即将推出的“智能路由”功能。2. 多Agent系统成本和效率的第三方评估报告：行业需要可量化的标准来衡量Agent自动化的实际ROI。3. 新兴的“成本可控AI”工具和平台：类似服务器监控的Token审计、预算上限提醒、自动降级回退机制等工具可能成为企业采购新刚需。目前公开信息显示，已有多家国内创业公司在开发面向中小企业的“AI支出仪表板”产品。
来源：36氪 · 24小时热榜
