AI 实际成本高于雇佣人类员工：微软砍 Claude Code 许可，Uber 四个月烧光全年预算

5/23/2026企业AI科技

微软已取消大部分内部 Claude Code 许可证，转向 GitHub Copilot CLI，距首次开放该工具仅六个月。Uber 同样遭遇成本难题：其 CTO 称公司在 2026 年前四个月就花光了全年 AI 编码工具预算，此前还通过内部排行榜激励员工多用 AI。

这些案例折射出"更便宜 token、更高总账单"的悖论。高盛预测，代理式 AI 到 2030 年可能使每月 token 消耗升至 120 千万亿；Nvidia 高管也表示，算力成本已远超员工工资。即便单一 token 价格下滑，企业级 AI 部署的总支出仍在急剧攀升。

AI 成本失控

微软：六个月从力推到切割

2025 年 12 月，微软向数千名内部开发者开放了 Anthropic 的 Claude Code，不仅面向工程师，也鼓励设计师、项目经理等非技术岗位员工尝试 AI 编程。六个月后，这款工具在内部颇受欢迎——受欢迎到了需要被叫停的程度。

据 The Verge 报道，微软正要求其 Experiences + Devices 部门（负责 Windows、Microsoft 365、Outlook、Teams、Surface）在 6 月 30 日前完成工具迁移，全面转向 GitHub Copilot CLI。这个截止日期并非巧合——它正好是微软当前财年的最后一天。取消 Claude Code 许可，是新财年开始前削减运营支出的最直接手段。

微软副总裁 Rajesh Jha 对外将此描述为"基准测试后的产品收敛"：Claude Code 帮微软了解了外部工具的能力边界，而 Copilot CLI 的优势在于微软可以直接联合 GitHub 塑造产品，让其贴合自身的代码仓库、工作流和安全要求。

但多位消息人士确认，这同样是一个财务决策。过去六个月，Claude Code 在内部的使用量增长远超预算预期。当数千名工程师每天高频调用一个按 token 计费的第三方工具时，账单的膨胀速度是线性的，而且是上行的。

Claude Code 迁移 Copilot CLI

Uber：四个月烧光全年预算

如果说微软的故事是"主动切割"，那 Uber 的故事则是"被动失控"。

2025 年 12 月，Uber 向工程师部署了 Claude Code。四个月后，CTO Praveen Neppalli Naga 向管理层汇报了一个令人尴尬的事实：公司为 2026 年全年准备的 AI 编码工具预算，在前四个月就已经全部花完。

Uber AI 工具采用率

几个关键数字揭示了问题：

  • 95% 的工程师每月使用 AI 编程工具。作为参照，企业软件行业平均采用率通常在 20%-40% 之间。
  • 70% 的提交代码由 AI 生成。Uber 代码仓库里每十行新代码有七行是 AI 写的，工程师负责审核、修改、提交。
  • 11% 的线上后端更新完全由 agent 完成，无人工参与。
  • 每位工程师每月 AI 工具成本在 $150-$2,000 之间。按约 5000 名工程师、中位数 $1,000 测算，每月约 $600 万，四个月即 $2,400 万。

Uber 西雅图办公室

更值得玩味的是，Uber 此前还设了内部排行榜，激励工程师多用 Claude Code。这套激励机制的初衷是推动 AI 工具的落地——结果落地太成功了，成功到了预算崩溃的地步。

这是企业软件历史上第一次出现这种矛盾：你花钱买了一个提升效率的工具，然后又得花精力限制大家使用它。

成本悖论：越便宜的单价，越失控的总量

这两个案例的核心并不复杂：token 单价确实在持续下降，但总账单在加速膨胀。原因在于 AI 编码工具打破了传统企业 IT 预算的一个基本假设——工具的使用量是可预测的。

AI 工具使用量无天花板

传统软件有天然的使用天花板。一个工程师一天最多写那么多代码，一个设计师一天最多出那么多稿。但 AI 工具没有。你让它写一个函数，效果不错，那就再写十个；写完发现还能重构，就让它把整个模块重构一遍；重构完发现测试也能写，那就把单元测试全补上。每一步都是合理的，每一步都在创造价值，但每一步也在烧 token。

这个悖论正在宏观层面被放大：

  • 高盛 5 月报告预测，到 2030 年全球月 token 消耗量将增长 24 倍，达到 120 千万亿（120 quadrillion），主要由企业级 agent 驱动。
  • Morgan Stanley 数据显示，2026 年大型科技公司已宣布的 AI 相关资本支出达 $7,400 亿，同比涨 69%。
  • Nvidia 深度学习应用副总裁 Bryan Catanzaro 4 月公开表示，其团队的算力成本已远超员工薪资总额。
  • MIT 2024 年研究则提供了冷静的参照：在以视觉能力为核心的工作中，仅 23% 的 AI 自动化场景具备经济效益。

算力成本 vs 员工薪资

这些数据指向同一个结论：AI 行业正处于一个成本结构的转型期。算力、能源、云端运算正在取代人力，成为企业账本上的新核心支出项。

行业正在调整姿态

企业端的反应已经开始分化。

AI 使用量限制

部分公司选择限制用量——设置每月 token 上限、要求先写需求文档再调用 AI、用更轻量模型处理简单任务。另一些则在定价层面寻求解决方案：Anthropic 在 5 月 13 日宣布了新的 credit pool 定价模式，6 月 15 日起生效，旨在为大规模客户提供更灵活的采购框架，本质上是对线性计费模式的修正。

微软选择了一条更激进的路：砍掉外部工具，集中资源打磨自家产品。Claude Code 在内部试用期间积累的用户偏好和工作流数据，将直接反哺 Copilot CLI 的迭代。

企业 AI 预算规划

Uber 的 CTO 则表示需要"回到白板前面"重新规划 AI 预算。当 AI 跨过"够用"门槛之后，企业面对的不再是"要不要用"的问题，而是"怎么控制用量"的问题。

过去两年，关于 AI 的争论一直围绕"AI 能不能取代人类"。但 2026 年的案例提出了一个更现实、也更紧迫的问题：

当 AI 足够好用的时候，谁来为这个"好用"买单？

来源：

相关推荐