给五千名工程师配上 AI，只用了四个月，一整年的预算直接打穿

给五千名工程师配上 AI，只用了四个月，一整年的预算直接打穿。 钱花去哪了？ 公司在内部挂了个排行榜，按算力消耗给各个团队排名。 谁烧的 token 最多，谁就是拥抱新技术的标兵。 这家公司叫 Uber。 到了四月份，财务看着见底的账户直发懵。 更尴尬的是下一幕。 Uber 总裁兼首席运营官 Andrew Macdonald 站在台上公开承认： 算力消耗像坐了火箭，可交付给乘客和司机的产品，没有任何变好的迹象。

硅谷给这种疯狂刷量的现象起了个名字，叫 tokenmaxxing。 管理层想鼓励大家用新工具，但不知道怎么衡量生产力，于是拿算力消耗做考核。 当消耗本身变成了目标，古德哈特定律立刻生效。 大家为了在排行榜上冲进前列，不管什么鸡毛蒜皮的小活，都拉着 AI 跑一圈。

但如果全怪工程师摸鱼，那就把事情看浅了。 很多时候，企业工具的水管结构，从一开始就在推着所有人浪费。 大家以为工程师在用前沿模型攻克什么技术难关。 语言学习软件 Promova 的技术负责人跑去查后台，当场傻眼。 员工在用最昂贵、参数最大的顶级模型干什么？ 在查收日常邮件。 在给两行周报改错别字。 为什么会这样？ 很多企业版 AI 工具一装上，默认选中的就是最贵的 Claude Opus。 默认开启最高档的深度思考，上下文窗口默认直接拉到 100 万 token。 写代码的人顺手一点就开始对话，没人会特意去修改复杂的后台参数。 每一次按回车，后台都在调用顶配大炮轰蚊子。

更致命的断层，发生在财务账本上。 过去几十年，企业首席财务官习惯了传统的软件成本结构。 按人头买断工位，一个工位每月固定几十美元，全年的开销一眼望到底。 智能体彻底砸碎了这个规律。 它的计费逻辑完全变成了水表和电表。 同一个工程师坐在同一台电脑前，如果只是让 AI 自动补全两行代码，账单可能只有两分钱； 要是开了几个并行智能体做底层架构迁移，几千美元眼都不眨就划走了。 根据 Gartner 的预测，2026 年全球企业在智能体软件上的开支会冲到 2070 亿美元，比去年猛增 139%。 大钱像瀑布一样砸进去，可到底有多少钱换回了真金白银的产出？ 多写了几行代码，系统崩溃率降了吗？ 代码提交量上去了，用户体验变好了吗？ 几乎没人能拿出硬核证据。 于是整个行业开始急刹车。 微软在自己的体验与设备部门，直接砍掉了 Claude Code 的许可证。 多邻国原本打算把 AI 使用量挂钩到员工绩效考核，被内部抗议到狼狈撤回。

账单爆表之后，大厂的本能反应是设卡限额。 Uber 连夜下令：每名员工在每个智能体工具上，每月支出上限封死在 1500 美元。 直接设个配额上限，就能解决问题吗？ 开源软件巨头 SUSE 的技术总经理 Rick Spencer 说了句大实话： 看到账单暴涨，第一反应不该是一刀切减少使用。 如果一个工程师烧了一万六千美元的算力，给公司省下了十万美元的研发成本，这种使用必须大力鼓励。 用多用少从来不是分水岭。 这笔算力能不能咬合在具体的业务价值上，才是分水岭。

到底怎么用才能算得过来账？ 司法调查平台 Everlaw 拿出了全行业罕见的硬账本。 他们对核心 Java 基础设施做重构，整个项目一共消耗了 3500 美元的算力。 换来的回报是什么？ 原本需要 9.5 个月的工程周期，被硬生生压缩到了 2.5 个月。 花了 3500 美元，抢回来了整整 7 个月的高级工程师工时。 Everlaw 同样设置了个人额度，但机制完全不同。 工程师只要额度见底，给技术支持团队发一封只有一句话的申请邮件，当天额度就能直接翻倍。 额度在这里是一盏异常报警灯，专抓跑冒滴漏，绝不卡死正常业务。

那些白白流失的冤枉钱，到底该怎么堵？ 解铃还须系铃人，必须把水管重接一遍。 不能把模型选择权直接扔给前端写提示词的员工。 只要把选择权交给个人，出于习惯，大家永远会选最顶配、最昂贵的模型。 成熟的解法是在中间层架设自动路由代理。 查收邮件、格式转换、简单补全，系统自动分流给便宜迅速的轻量模型； 只有遇到复杂的系统重构和深层逻辑推演，才放行给顶配模型的深度思考模式。 把消耗当成果，买来的只是一张糊弄管理层的虚假繁荣。 算力从来只是汽油。 如果底盘没有挂上轮子，油门踩得再响，车也只是在泥潭里空转。