AI 也开始限额了：有人一年 25 万美元，有人每月 1500
先问你一个问题：一家公司，一年该给一个员工多少 AI 预算？
黄仁勋的答案，可能会让不少 CFO 心里一紧——25 万美元。按这个标准，英伟达给工程师团队批下的年度 Token 预算，折合下来高达 20 亿美元。
但另一家顶级公司，走到了完全相反的方向。Uber 今年 4 月就把 2026 年全年的 AI 编码预算提前花光了，随后直接给工程师设了一道硬上限：每人每月 1500 美元。
同是买 AI，一边敢按人均 25 万美元配额度，一边精打细算到每月 1500 美元顶格——差了十几倍。
一个扎心的标题
《福布斯》专门算过这笔账，文章的标题是这么写的：
人工智能的成本，已经高过被它取代的人才。
翻译成人话：裁掉一个人省下的工资，可能还不够付 AI 的账单。
这句话放在两年前，是没人信的。那时候的叙事是——AI 便宜、高效，用它就是降本。可现在，越来越多公司算完账发现：AI 一点都不便宜。
有意思的地方在于，出问题的不是 AI 不够强，而是很多公司根本不知道怎么给 AI 记账。
其实是两套账本
海外投资机构 Leonis Capital 最近给了个解释：企业买 AI，正在跑两套完全不同的经济学。
第一套，把 AI 当增长资本。只要它能源源不断变出新产品、新客户、新收入，Token 花得越多越划算。这时候，买家会闭着眼买最贵的模型，价格不是问题。
第二套，把 AI 当成本。目标很简单——用更少的钱，把同样的事做完。一旦 AI 的智能超过了你业务的天花板，再强的模型也变不出更多产出。这时候，买家只愿意付「被替代劳动力的价格」，也就是够用就好、越便宜越好。
Uber 就是典型的第二套。一个反直觉的数据是：Uber 工程师约 70% 的已提交代码，都由 AI 生成——用得这么狠，它却在拼命限制支出。原因也不难懂：网约车平台的乘客需求，不受代码产量限制，代码写得再多也变不成更多订单。
而对一家早期创业公司来说，十倍的代码量，可能真的能变成十倍的产品、十倍的客户。于是出现了一个讽刺的画面：高速增长的创业公司，比预算高它一千倍的大企业，更舍得为前沿 AI 掏钱。
98% 的公司，都在管 AI 的账了
更能说明问题的是趋势。
目前有 98% 的从业者表示，自己在管理 AI 支出——而 2025 年，这个比例还只有 63%。同时，73% 的企业在过去一年里，超出了自己的 AI 成本预期。
翻译一下：AI 还在普及，但「随便用、公司报销」的蜜月期，在企业内部先结束了。
有的公司做法更直接。Coinbase 今年 6 月公开了自己的策略：Token 用量还在涨，AI 总支出却砍掉了近一半——办法是默认走更便宜的开源模型，把任务自动路由到「满足条件的最便宜的那个」。而在它的新业务线上，策略又完全相反，押注最贵的前沿模型能把市场做大。
同一家公司，两套逻辑。这也印证了 Leonis Capital 的判断：下一阶段 AI 的关键词，不再是「最大化」，而是「分配」。
模型访问权限，正在从「全公司的普遍福利」，悄悄变成一种「升级待遇」。考核指标也从「买了多少席位、模型跑分多高」，转向「每个任务的成本」和「每一美元到底产出了什么」。
你的 AI 使用权，正在变成配额
到这里，你可能会想：这是公司的事，跟我一个打工人有什么关系？
关系不小。
当公司开始给 AI 做预算、算账的时候，你手里那份「AI 使用权」，就不再是无条件的了。它正在变成一项要考核的资源——跟工位、跟差旅额度、跟部门预算一样，是要被衡量产出的。
更实际的问题在于：有些活，一旦 AI 越过及格线，你就再也拿不到「高级配置」了。 Leonis Capital 的观察是，一旦越过某个任务阈值，最贵的闭源模型和几个主流开源模型，做出来的商业价值几乎没差别。这意味着，如果你用 AI 干的事属于那种「做到 60 分就够」的活，公司迟早会把它换成最便宜的方案。
反过来看，这也是个机会。真正稀缺的，从来不是「会用 AI 的人」——那已经是默认要求了，近一年里明确要求会用 AI 工具的岗位，同比增长超过 144%。真正值钱的，是那些能把「AI 用在哪儿、这笔钱值不值得花」判断清楚的人。
把账算在自己身上
三年前，AI 还是那个「先别管成本，用起来再说」的新玩具。现在，它正在变成一张需要精算的账单。
这对你我不全是坏事。一个东西从「不计成本地堆」走向「精打细算地算」，通常意味着它开始真正落地了——从演示，走向生产。只不过分蛋糕的方式变了：不再是「谁用的 AI 多谁厉害」，而是「谁能把 AI 用在刀刃上谁厉害」。
所以，下次打开你的 AI 工具之前，不妨先问自己一句——
我正让它干的这件事，如果换成最便宜的方案，结果会差多少？
差得多，说明你找对了地方；差不了多少，那也许该想想，把这份算力挪到更需要它的地方去。
AI 不再是免费的午餐，但它仍然是一件好用的工具。真正的问题从来不是「要不要用 AI」，而是——你让它替你解决的，是不是那个真正卡住你的问题。