Meta关了排行榜,亚马逊装了限额:企业AI开始不烧钱了

AI越来越强，钱却越来越难赚：Coding刷满之后的生意在哪?

谁在真正为AI付钱

要判断AI这轮周期走到哪里，最直接的办法是看钱是谁出的。

目前为AI掏出真金白银的核心客户，仍然集中在互联网和科技公司自己身上。

买的东西也很集中——绝大部分预算流向了编程场景：给内部工程师配上Cursor、Claude Code、各家自研的代理工具，让他们写代码、改代码、迁代码。

coding既是衡量模型强弱的尺子，也是眼下企业唯一算得清账的应用。别的场景仍然在探索，只有这个已经进了生产流程。

从2026年近一个月各家陆续披露和被调研到的情况看，这批最有钱、也最愿意花钱的客户，正在集体做同一件事：从 TokenMax 转到 Token Limit。

这篇文章让我们来一起看看美国大厂们正在发生些什么。

一、第一阶段：能烧多少烧多少

回头看2025年底到2026年初，几家大厂内部的状态是相当一致的。

Meta在政策上鼓励无节制地使用AI，内部甚至运营着一个"Token消耗排行榜"，人均年Token消耗一度超过5万美元。

亚马逊团队的经理把AI助手的使用频次直接写进了程序员的绩效考核。结果可以想见，工程师开始批量制造AI代理去跑一些毫无意义的任务，目的只是把自己的Token消耗数字刷上去。

Google的Sundar Pichai在2026年5月的I/O大会上公开描述过这个状态：内部和云端客户都处在疯狂消耗Token的阶段，月度处理量达到了3.2乘以10的15次方这个量级。

他给了它一个词，叫"Tokenmaxxing"。

这个阶段有它的合理性。新工具刚进来的时候，先放开用、把渗透率跑起来，是正常选择。

代价是账单。

二、成本理性化正在发生

转折发生在2026年二季度前后，几乎是同时发生的。

Meta在6月的内部备忘录里取缔了那个Token排行榜，换上了一套叫"AI Gateway"的东西，用来实时追踪支出和预警。

7月，Instagram负责人Adam Mosseri在内部提到，未来可能对每位工程师的Token消耗设置硬性预算上限。

亚马逊，刷Token的绩效游戏被管理层整治，同时开始对每人、每项AI工具实施硬性消耗上限。

Uber的情况，2026年初他们给内部程序员配了Cursor和Claude Code，四个月就把全年的AI编程预算烧完了，管理层紧急给每个员工和代理工具设置了人均约1500美元的支出上限。

微软在内部启用Claude Code仅几个月之后，面对程序员调用产生的大额账单，2026年5月正式撤销并收回了绝大部分员工的使用授权。

这不是几家公司的个别选择。渠道调研显示，部分重度使用的程序员单月能调用高达3.5万美元的Token费用，不少企业开始部署"限额申请制"——员工要用更多，得走正式的财务流程提交额度增补申请。

同期针对CIO的半年度调研里，48%的人预计今年内部Token支出会超出原定预算，另有36%预计勉强持平，能控制在预算内的是极少数。

5到6月之间，特斯拉、Coinbase、Pinterest、DoorDash等公司也相继宣布了类似的动作：支出限额、路由优化，或者把考核指标从纯调用量改回实际交付的业务价值。

三、第二阶段的三个标准动作

限额只是第一步。真正值得注意的是，各家在限额之后做的事情高度趋同，大致是三个方向。

第一个是往便宜的模型上路由。 Google在内部极力把常规开发任务从昂贵的frontier级模型转向Gemini 3.6 Flash这类更具性价比的型号，靠减少约17%的输出Token、精简推理和工具调用链来压低服务成本。它同时在内部推广Antigravity代理编程平台，用更便宜的Flash级模型去缓冲日常开发中的Token绝对消耗量。

中国大模型也是另外选择，随着模型能力提升，越来越多美国公司也正在使用。这个问题我会详细写一篇文章来说明。

第二个是自研替代。 Meta的超算实验室推出了Muse Spark 1.1，专门针对代码和代理任务设计，API价格大约只有同等商业模型的25%。目的很明确，就是把内部开发者的Token成本压下来。

第三个是换考核指标。 亚马逊虽然设了限额，但把预算集中投向了有明确高ROI产出的重大项目——比如用Q Transform帮程序员迁移了超过3万个Java应用，直接省下约2.6亿美元的维护成本，折合约4500个开发人员工作年。Kiro的普及速度依然很快，考核重点已经从调用次数转向交付效率。

苹果是个例外。它的AI进程因为合规和技术架构原因几次推迟，在中国这个贡献约18%营收的市场遇到了合规延迟，Apple Intelligence的全球发布节奏很不均衡。这也意味着它在内部开发端还没有经历那种全员爆发式的Token超支压力，也就还没到需要装限额的阶段。

四、需求没有消失，它被分层了

从买方的动作往下推，卖方这一侧的分化已经很清楚了。

CFO决定AI Spending，是三件事：它卖的东西是不是刚需，它按什么收费，它有没有"系统记录"的位置。

三档分化，结合产业观察，我做了三张图

三个直接的结论：

第一，按Token或按席位收费的公司最难受；而按结果和按用量收费的，最安稳。 这也是为什么Palantir在这轮讨论里几乎是免疫的——它卖的不是调用量。

第二，安全和可观测性拿到的是新钱，不是从别人碗里分的钱。而HR、协作、单点财务这些，要从已经被压缩的存量预算里抢，位置就被动。

第三，手里握着企业底层数据和流程编排的，还能守住；只做前端界面和协作层的，护城河正在被AI直接抹平。

一条贯穿始终的线索是上篇文章提到的计费模式的迁移：从席位制转向用量制或价值制。这轮迁移本身会带来变现延后，因为客户在为新模式付钱之前，需要更长的评估和试用期

五、渗透率低，革命还在早期，不要急

值得说清楚的是，渗透率这件事还没走完。行业里绝大多数企业的AI使用仍在早期，工具的普及速度也还在往上走。

变的是最有钱的那一拨客户——他们手里愿意为单位算力支付的金额，正在从无限量变成有限额。

对模型厂商来说，能力领先带来的溢价窗口在收窄；

对应用层的软件公司来说，这意味着能不能证明ROI，比能不能接上大模型更重要。

这个转换正在发生，还没有结束。

该盯什么

• 各家大厂"限额"之后的实际支出曲线：是绝对额下降，还是在总额受控的前提下继续增长。

• 自研模型对商业API的替代速度，尤其是代码和代理这类高频场景。

• 模型厂商的收入结构变化：frontier级模型的收入占比，以及低价档位的放量情况。

• 按用量/按结果计费的软件公司，其变现节奏能否跑赢席位收缩的速度。

第一阶段验证了AI能做什么，第二阶段要回答的是它值多少钱，我为什么要花这个钱。

找到下一个愿意大量付费的客户群是笔者现在重点关注的领域，国内互联网的小伙伴也欢迎留言交流情况。

各位读者大佬有任何想法随时留言或私信沟通。

接下来一年，市场需要对行业开始重新定价了。

久久