AI 成本正逼近人力成本 Meta 正在内部重新评估 AI 工具的实际开销。Instagram 负责人 Adam Mosseri 在近期一次播客访谈中指出，未来一到两年内，部分工程师在日常开发中消耗的 AI token 费用，可能达到甚至接近其年薪水平。这一趋势促使公司开始认真考虑为个体工程师设定 AI 使用额度，将 AI 资源纳入与算力、存储和人力同等层级的预算管理体系。 Token 不是免费资源，而是可计量的成本 Mosseri 强调，所谓“AI token 成本”，并非抽象概念——它真实对应模型处理提示词、生成代码或响应请求所产生的计算开销与服务费用。当工程师频繁调用大模型完成任务时，每一次推理都在产生可追踪、可汇总的支出。因此，企业不能再将 AI 工具视为“零边际成本”的便利插件，而需像管理服务器资源一样，建立使用效率与业务回报之间的校准机制。 额度未必一刀切，但必须讲回报 若未来推行按人分配 token 额度，标准不会仅依据职级或岗位，而更可能基于实际产出：某位工程师调用 AI 生成的代码是否显著缩短交付周期？是否提升了测试通过率或降低了线上故障率？是否加速了跨团队协作？Meta 关注的不是“用了多少”，而是“带来了多少确定价值”。 已悄然收紧：关停排行榜、叫停低效实验 目前 Meta 尚未对任何员工实施硬性 token 上限，但管控已在发生。公司已下线内部 AI token 消耗排行榜——该榜单曾引发非理性比拼式使用；同时终止了一批缺乏明确目标、难以衡量成效的内部 AI 尝试项目。Mosseri 明确表示：“设计一个快速烧 token 的流程很容易，但容易不等于值得。” 行业共识正在形成 这种审慎态度并非 Meta 独有。多家科技公司已进入 AI 成本精细化管理阶段：Uber 提前数月耗尽年度 AI 编程预算；微软因 token 支出超预期，暂停 Claude Code 许可采购，转而强化自有工具 Copilot CLI 的落地深度。这背后反映的是同一判断——AI 不再是单纯的技术红利，而是一项需要持续投入、动态评估、精准配置的核心运营成本。