databricks.com

AI编程成本正在超过人力成本——微软最终还是关掉了工具

AI编程成本、Token成本管理、Claude Code费用、优步、微软、AI预算超支商业

微软通过自己的研究证实了这一点:使用Claude Code的工程师合并的PR数量多出24%。

可到了2026年6月30日,财年结束的那一天,微软却砍掉了5000多名工程师的许可证。

效果已经得到证实,为什么还要关掉呢?

3秒摘要

生产力提升24%已被证实 → Token成本暴涨 → 优步、微软预算超支 → 国内外企业纷纷踩刹车 → 现在就能调整的5件事

但账单出了问题

微软引入Claude Code的过程很顺利。2025年12月,公司以数万人规模推广了这款工具,效果在整整4个月里都没有减弱。使用该工具的工程师,平均每天合并的PR数量比未使用的工程师多出24%。

问题在于,一开始采用的是按坐席收费的固定套餐。用量看不见,大家就放开了用;等到改成按量计费,真实成本才浮出水面。每位员工每月的费用一度涨到500到2000美元,最终在财年末的6月30日,微软清理了大批工程师的许可证。

差不多同一时期,优步仅用4个月就花光了2026年全年的AI编程预算。他们的应对很直接——给每位员工按模型设定了每月1500美元的上限。

看到这则消息,Hacker News上的开发者反应很冷静:没有人在请求结果出来之前就知道要花多少钱,这跟签一张空白支票没什么两样。

这不只是优步和微软的故事。不分行业,各家企业都在设置上限。

看到这些,大概就能理解这种氛围了。Gartner首席分析师警告说,AI Token使用费可能在两年内达到甚至超过软件工程师的月薪水平。已经出现了每月花费2万到3.2万美元的极端案例。

在Meta,有一名员工一个月用掉了2800亿个Token。整个公司30天内的用量则达到60万亿个Token。到了这个地步,"生产力"和"支出"已经是两个完全不同的问题了。

这里有一个常见的误解:"那不就用最便宜的模型不就行了吗?"但实际上,那些真正管理好成本的公司,采用的方法并不是这样。

Databricks在一篇讨论这个问题的博客中提出,企业应该转向"效率前沿"而不是"智能前沿"——不是无条件使用最新、最强的模型,而是要按任务挑选性价比合适的模型。

这篇博客还提到了Stripe的案例:Stripe曾尝试升级到更高阶的模型(Opus 4.7),但判断其带来的价值配不上成本的增幅,最终否决了这次升级。

Anthropic也在跟进同样的思路。2026年7月2日,Claude Enterprise新增了支出阈值提醒(75%、90%)和按团队设置默认模型的功能。管理员甚至可以直接用分析聊天功能提问"这个月用量翻倍的是哪个团队",马上就能得到答案。

24%

微软PR合并率提升

4个月

优步耗尽全年预算所用时间

2800亿

Meta一名员工的月度Token用量

50%

Databricks调整执行框架后的Token节省幅度

先让用量可见
先打开已经内置的管理员仪表盘。Claude Enterprise Analytics、Cursor Business报表这类功能都是标配。
按任务难度区分模型
简单任务默认用低价模型,只有复杂的重构才升级到高性能模型。一味只用便宜模型,返工增多反而会消耗更多Token。
先设置预警阈值
不要用硬性中断(全面停用),而是设计成在75%、90%节点先提醒,然后再自动切换到低价模型(降级)的顺序。
减少Token浪费
经常压缩上下文,把任务拆分成更小的单位,并开启提示词缓存(prompt caching)。Databricks仅凭这些调整就把Token用量减少了近一半。
保持代码库轻量
Hacker News上的开发者指出,代码库越臃肿,智能体就越容易迷失方向,消耗的Token也越多。精简的代码是让AI智能体能持续稳定运行一个月以上的前提条件。