据The Information报道，特斯拉上个月在内部备忘录中告知员工，从7月6日起，公司将对员工AI工具支出设置每人每周200美元上限。

这件事多少有点反差，毕竟特斯拉还在强化自己的AI叙事：据路透社报道，特斯拉已经在6月于奥斯汀推出小范围Robotaxi服务，接下来还要继续扩张；为了支撑自动驾驶、无人出租车、机器人和相关基础设施，特斯拉预计今年资本开支将超过250亿美元。

但现在，就连特斯拉都开始给员工的AI开支设限了。

此事并非孤例，404 Media拿到的内部材料显示，从科技公司到娱乐公司、银行，越来越多企业开始限制员工使用AI工具。

协作软件公司Atlassian结束了内部AI工具的无限制使用，并上线成本看板。看板显示，它的AI月度支出在2025年8月还只有约500万美元，到2026年5月，已经超过了1500万美元。

与此同时，Adobe不再续订Claude的无限制访问权限。花旗银行一度关闭Claude Opus 4.6、Claude Opus 4.7和GPT-5.5 等高价模型访问，并要求员工“为任务选择合适模型”。亚马逊则更有戏剧性：它此前曾用内部排行榜鼓励员工多用AI，后来却关闭排行榜，很快又有员工发现自己触发了此前似乎并不知道的token使用限制。

从鼓励多用，到开始收紧，企业对AI的态度正在发生微妙变化。

当AI终于走进企业的真实工作流，随之而来的不只有效率想象，还有一张越来越难忽视的账单。

01

把AI当成未来的公司，也开始给AI设限

给AI设限这事，放在特斯拉身上，显得格外有意思。

因为特斯拉几乎在把AI当成公司的未来方向，过去几年，它一直在把自己从一家电动车公司，重新讲述成一家AI公司。

在马斯克的叙事里，特斯拉的未来不只属于汽车。自动驾驶要靠AI，Robotaxi要靠AI，Optimus人形机器人要靠AI，甚至特斯拉长期估值的想象空间，也越来越多地被放在“现实世界AI”上。汽车只是入口，车队数据、自动驾驶系统、机器人和AI基础设施，才是更大的故事。

这也是马斯克很熟悉的一套讲法，我甚至愿意解读为，他在SpaceX上已经验证了这条路的可行性——把一家公司的当前业务，连接到一个更大的未来叙事里。

所以按理来讲，特斯拉应该是最愿意为AI花钱的公司之一。

按照特斯拉今年一季度文件里的说法，2026年公司预计要花超过250亿美元做资本开支，其中很大一部分都和AI有关：建算力、建数据中心，扩制造和研发产线，支撑自动驾驶、无人出租车和机器人这些长期项目。

但与此同时，特斯拉开始给员工日常使用AI的账单设上限。

据The Information报道，特斯拉此前推出过内部AI平台Bottle Rocket，让员工可以集中访问OpenAI、Anthropic、xAI、Cursor等模型和工具。

特斯拉其实是鼓励员工使用AI工具的，但鼓励并不代表无限取用；当AI真正进入日常工作，账单也开始变得具体。

Investing.com转述称，特斯拉内部一些软件工程师的AI token账单已经达到每周数千美元。

AI编程工具的消耗本来就比普通Agent更重，普通聊天通常是一问一答，但编程Agent往往不是这样，一个看起来简单的任务，背后可能已经被拆成几十轮模型调用。如果再叠加长上下文、多文件检索、代码审查、并行Agent这些“高级功能”，token的消耗会被迅速放大。

特斯拉就是在这样的背景下，设下了每人每周200美元的AI上限，折算下来大约是每人每月800美元，每年超过1万美元。

和普通AI订阅相比，每周200美元完全不低，ChatGPT Business、Claude Pro、Cursor Teams这类工具，通常也只是每人每月几十美元到几百美元不等。特斯拉限制的显然不是“轻度用户”，这个限额分明直指AI工程师。

Claude Code的负责人Boris Cherny此前在采访中透露，他已经八个月没手写过一行代码了，有时他甚至会同时管理上万个AI智能体。听起来简直是AI编程的理想画面：工程师不再亲自敲代码，通过指挥模型完成工作。

但这里有一个小小的前提。Boris背后是Anthropic，手里是Claude Code——他压根不考虑token成本。

不限token的人，当然更容易相信以后不用写代码了。

但对大多数公司里的普通工程师来说，要是每个人都能不计成本地使用AI工具，公司很容易在某天收到一张天价的账单。

特斯拉不是不相信AI的价值，它只是开始区分两种AI花费：一种是战略性投入，比如自动驾驶、机器人、数据中心和基础设施；另一种是日常性消耗，比如员工调用外部模型、使用AI编程工具、让agent在工作流里不断跑任务。

前者仍然可以用未来想象来解释，后者却会直接变成每周、每人、每个团队的账单。

02

员工用起来之后，账单开始反过来改造工作流

当然，特斯拉并不是个例。

404 Media拿到的Slack聊天记录、内部看板和邮件显示，从科技公司到娱乐公司、银行，很多企业都在限制员工使用AI工具。

更具体地说，它们不只是简单让员工“少用AI”，也在反复要求员工改用能力没那么强、但成本更低的模型。

过去一年，企业推广AI时，最常见的问题是员工愿不愿意用、会不会用、能不能把AI放进日常工作流。

于是公司开权限、做培训、发内部指南，有的甚至把AI使用量做成排行榜，鼓励员工尽可能多用。

亚马逊就是一个很典型的例子。

早在2025年，亚马逊CEO Andy Jassy就在给员工的内部信中说，随着公司推出更多生成式AI和Agent，工作方式会被改变；未来几年，AI带来的效率提升，可能会让亚马逊不再需要现在这么多办公室员工。他同时要求员工学习AI、参与实验，思考如何用AI改造自己的工作。

后来，亚马逊内部又出现了一个叫KiroRank的AI使用排行榜。按照Business Insider的报道，这个排行榜会追踪员工使用AI工具的情况。

但问题在于，只要使用量被可视化，压力就会出现。相关报道显示，一些员工开始感到自己需要提高AI使用量，甚至出现所谓tokenmaxxing的情况。

排行榜后来被关掉了，多名亚马逊员工告诉404 Media，他们怀疑原因正是这个排行榜鼓励了浪费且昂贵的AI使用行为。

但事情并未结束，排行榜关闭后，又有员工发现自己触发了此前似乎并不知道的token使用限制。

一名亚马逊员工在Slack里吐槽：“太疯狂了，我们从‘不再搞排行榜’，到‘真的开始限制使用’，中间只过了两周。”

这句话几乎可以概括企业用AI的第一轮反转——公司先担心员工不用AI，后来又开始担心员工太会用AI。

问题就在这里：用得多，并不等于产出高。

在企业用AI的第一阶段，“用起来”本身就是成功。员工开始用AI写代码、做总结、改文档、生成汇报，管理层就可以证明这项技术正在被组织吸收。可到了第二阶段，公司才发现，AI使用量和真实产出之间并没有画上等号。

协作软件公司Atlassian的情况更能说明这种断裂。

这家公司结束了内部AI工具的无限制使用，并上线了成本看板。看板显示，它的AI月度支出从2025年8月的约500万美元，涨到了2026年5月的超过1500万美元。对于员工来说，这个变化直接影响到了他们已经改好的工作方式。

一名Atlassian员工告诉404 Media，很多人已经改变了自己的工作流，让自己尽可能多地使用AI。而现在，尤其是使用Agent或最新版Claude模型时，他们两三天就可能把额度用完。于是Slack里出现了很多焦虑的消息，类似于“那我现在还怎么干活？”

公司先鼓励员工把AI变成工作方式，等员工真的改了流程，公司又发现这套流程太贵。

于是额度开始收紧，模型开始降级，使用开始被监控。

员工已经习惯了把部分工作交给AI，现在却要重新学习怎样“省着用AI”。

花旗银行则展示了另一个“AI降本”的方向：拆分模型等级。

据404 Media报道，花旗银行一度关闭Claude Opus 4.6、Claude Opus 4.7和GPT-5.5等高价模型访问，并要求员工“为任务选择合适模型”。邮件里明确提醒员工减少使用Opus 4.7，因为这类模型每一次交互都会比标准或中档模型消耗更多额度。

（看吧，好用归好用，Claude烧额度都要成行业共识了。）

可以认为，企业AI的使用规则发生了变化。以前，员工默认能用最强模型就用最强模型，但现在，公司开始提醒他们：不是每个问题都值得调用最贵的模型。简单任务用中低档模型，复杂任务才上高价模型。

所谓“会用AI”，不再只是会拿AI解决问题，也包括知道什么时候不要拿大炮打蚊子。

Adobe也在做类似的调整。404 Media报道称，Adobe不再续订Claude的无限制访问权限。

一名Adobe员工说，很多人之前确实想过，某些任务可以改用推理能力低一点的模型，从而减少token消耗。但他不确定大家是否真的消化了这个消息，也不确定新政策生效后，完整影响会不会才真正显现出来。

这轮变化最微妙的地方就在于此：企业当然不会说自己不需要AI，相反，它们仍然希望员工使用AI，只是不再愿意让每个人都以最高成本使用AI。

如果说过去的问题是“怎么让员工用上AI”，现在的问题就变成了“怎么让员工用AI用得划算”。

毕竟，被烧掉的token并不总是对应高价值任务。

404 Media报道称，一家娱乐公司的员工说，公司这个月第一次用完了ChatGPT token配额，其中一个开发者一个人就用了全公司将近一半额度，而且看不出明显ROI。

咨询公司Accenture也发现，很多token消耗并不是来自写出大量代码的超级工程师，而是把PDF转成演示文稿这类普通任务。

因此，企业很难继续只用“使用率”来讲AI成功。

如果员工用AI写出了关键代码、缩短了研发周期，这笔账还算好解释，但如果大量token被消耗在反复试错里，ROI就会变得模糊。

03

用AI，用得少不如用得巧

企业用AI的下一阶段，开始算ROI了。

过去企业鼓励AI进入工作流，已经卓有成效。现在，正是AI已经进入真实工作流，企业才更需要去认真管理。

第一步是模型分层。

花旗银行的做法就很典型。它没有对所有的模型一刀切，而是要求员工为任务选择合适的模型：简单提问、概念解释、普通代码生成，用相对便宜的模型；代码审查、标准聊天，用中档模型；只有到了架构推理这类更复杂的任务，才使用更高能力的模型。

这背后的逻辑很简单：不是每个任务都值得调用最贵的模型。

而且，不只是企业在推动这种分层，模型提供方自己也在引导用户这么用。OpenAI、Anthropic、Google等公司都在把模型拆成不同档位，它们一边推出最强模型证明自己的技术上限；另一边也在不断推出便宜、快速、更适合高频调用的模型，告诉客户：简单任务不用每次都上最贵的那一个。

企业内部的模型分层，本质上就是把这套外部产品货架，翻译成自己的使用规则。

过去，员工可能默认“能用最强就用最强”，但在企业成本体系里，这种习惯会越来越难维持。写一段简单解释、总结一份文档、修改一小段代码，未必都需要旗舰模型，用快速版本可能还更加顺手。

企业AI的成熟，比起买到一个更强的模型，更重要的是建立一套更精细的模型使用秩序。

第二步是额度管理。

特斯拉的每人每周200美元，就是一种很直接的员工级预算；Atlassian上线成本看板，则是让员工看见自己的 AI 使用到底给公司带来了多少支出。

据404 Media报道，GitHub也在考虑测试按用户计费，把AI工具使用预算分配到具体个人，而不是继续放在团队、项目或不限量池子里。

可以认为，AI使用会越来越像云计算资源。

云服务刚开始流行时，很多团队也经历过类似的阶段：资源开起来很方便，但账单涨起来也很快。后来，企业才逐渐建立预算、监控、成本归因和FinOps机制。

AI现在也在走这条路，只不过它管理是模型、token、Agent和上下文窗口。

第三步，也是最难的一步，是算ROI。

企业要回答一个更麻烦的问题：我付给AI的这些钱，到底换来了什么？

它可能是开发周期缩短、客服响应变快、内部文档处理的效率提高，也可能只是让原本就复杂的流程多了一层自动化。前者容易解释，后者就需要更细的评估。

这一点，AI编程Agent公司Cognition已经开始主动往前走。

一般情况下，ROI往往是客户内部采购部门、业务部门或财务部门需要自己计算的事。软件公司只负责卖工具，至于工具有没有真正提升效率、节省成本，更多要靠客户自己证明，买了、用了、效果不好，通常也是客户自己消化。

但Cognition把这件事揽了过来，在销售阶段就主动帮客户把这笔账算清楚，还用Productivity Guarantee把一部分风险接了过去——如果Devin创造的工程价值低于客户支付的费用，公司会返还一定额度的使用credits，最高价值1000万美元。

一个PR到底带来多少商业价值，一个Bug修复到底避免了多少损失，本来很难精确归因。至少Cognition把问题往前推了一步，点出企业真正关心的不是AI消耗了多少token，而是这些token最后替企业完成了多少工作。

这正好对应了眼下这轮企业AI收紧。

一边是特斯拉、Atlassian、Adobe、花旗银行这些公司开始限制员工AI使用、拆分模型等级、上线成本看板；另一边，是Cognition这样的AI Agent公司开始主动帮客户把AI产出翻译成工程时间和美元价值。

企业对AI的考核也因此而发生变化。过去，“会用AI”意味着会写prompt、会调工具、愿意尝试新流程，能用AI解决实际问题。接下来，“会用AI”还会包括另一种能力：知道在什么时候、用正确的AI工具。

真正的AI-first公司，并不是最舍得烧token的公司，而是最清楚哪些token值得烧的公司。

真正的精明，是能花小钱、办大事。