昨晚看到这组数据的时候，我手里的咖啡差点没拿稳。

你以为大厂用 AI 是在降本增效？醒醒吧，他们正在被 AI 账单按在地上摩擦。

404 Media 搞到了一件大事—— 6 家企业的内部资料被泄露了，Atlassian、Adobe、亚马逊、花旗，全是那种你以为 "AI 用得很爽 " 的巨头。结果呢？没有一家不在为 AI 成本头疼，有的甚至已经被逼到了断臂求生的地步。

这不是一个 " 小心使用 " 的故事。这是一个用着用着，公司差点被 AI 吃掉的故事。

第一层：旗舰模型，贵到你怀疑人生

先聊 Atlassian。这家做 Jira 和 Confluence 的公司，算是 AI 应用的优等生了吧？结果内部数据一出来，我人都傻了——AI 月支出从 500 万美元，直接飙到 1500 万美元。翻了三倍，只用了很短的时间。

三倍是什么概念？你月薪一万，下个月变三万，那是开心。但你预算五百万，下个月变一千五百万，那是灾难。而且这不是到顶了，本财年 Atlassian 的 AI 支出预计超过 1.2 亿美元。

1.2 亿。美元。光是 AI。

你觉得 Atlassian 是个案？不是。泄露资料显示，至少还有一家企业的月度 AI 开销同样翻了三倍，超过 1500 万美元。名字没曝光，但你能猜到量级——这绝对不是小公司能玩得起的数字。

为什么这么贵？答案简单粗暴：旗舰模型太贵了。

Claude Opus、GPT-5.5，这些顶级模型的 API 价格，和普通模型根本不是一个量级。你让员工用低端模型，他们抱怨效果差；你让他们用旗舰模型，效果是好，但每次调用都在烧钱。一个工程师写代码，一天调几百次 API，一个月下来，光他一个人的 AI 成本就能顶好几个人的工资。

第二层：按量计费，一个精心设计的天坑

贵的还不是最要命的。最要命的是计费模式变了。

以前很多企业和 AI 厂商签的是无限量协议，包月包年，用多少都一个价。听着是不是很爽？企业也觉得爽，员工也觉得爽，大家随便用，反正不会多收钱。

但 AI 厂商不傻。他们发现企业用户用量暴增，无限量协议根本兜不住成本。于是，改。改成按量计费。

GitHub 就是这么干的。原来企业用 Copilot，一口价，多少人都一样。现在呢？改按量计费，用多少算多少。还在测试单人按量计费模式——也就是说，未来可能精确到每个人头上。

这一改，直接引爆了花旗银行。

6 月 24 日，花旗内部下发了一道紧急通知：即日起，禁用 Claude Opus 4.6 和 4.7，禁用 GPT-5.5。原因就是 GitHub 把计费模式从无限量改成了按量计费，花旗一算账，嚯，这谁顶得住？

花旗的应对策略也很耐人寻味——要求员工按任务等级选模型。简单任务用 GPT-5.3-Codex，复杂任务才用 Claude Sonnet 4.6。翻译成人话就是：能吃白菜就别点龙虾，龙虾太贵了，咱吃不起。

一个全球顶级的金融机构，被 AI 账单逼到了限制员工用模型的地步。你觉得这事儿好笑？我觉得这事儿细思极恐。

第三层：员工无节制使用，雪上加霜

成本失控的第三个因素，也是最容易被忽视的——人。

你以为员工用 AI 都会精打细算？想多了。当 AI 工具对企业员工来说只是一个 " 随便用 " 的功能按钮，没有人会去想：我这一次调用的成本是多少？我是不是可以用更便宜的模型？这个任务真的需要旗舰模型吗？

不会的。人只会选最强的那个。因为选最强的，出了问题不是我的责任—— " 我用的是最好的模型了 "。选便宜的，效果不好，那是我偷工减料。

所以你看到的是什么？是企业里，千军万马拿着旗舰模型在干鸡毛蒜皮的活儿。写个邮件总结用 Opus，做个格式转换用 GPT-5.5，查个单词翻译也要跑一遍最贵的模型。每一次都在烧钱，每一个人都觉得 " 就这一次，不贵 "。

但聚沙成塔。当你有上万名员工都这么干的时候，那个数字就是这么三倍三倍地往上翻的。

第四层：Adobe 的断腕，和 GitHub 的逃路

Adobe 的做法更决绝。6 月 30 日，直接终止了 Claude 的无限制使用协议。

不是缩减，不是限制，是终止。一刀两断。

想想看，Adobe 是什么体量的公司？创意工具的绝对霸主，年收入百亿美元级别。连他们都觉得 Claude 无限量用下去不可持续，那你就知道这个成本压力有多恐怖了。

GitHub 呢？走的是另一条路——他们打算改用开源模型。

这招很聪明，也很无奈。聪明在于开源模型确实便宜得多，自己部署、自己推理，成本可控。无奈在于，开源模型的性能和旗舰商业模型之间，还是有差距的。这个差距能不能接受？得看你干什么活儿。

但对于 GitHub 来说，这可能是唯一可行的出路。按量计费是趋势，AI 用量只会越来越大，如果继续依赖昂贵的商业模型，成本曲线只会越来越陡。开源模型是那个能让曲线平下来的变量。

解药：分级使用，精准投放

所以这个病到底怎么治？其实花旗的思路是对的，虽然执行得有些狼狈。

核心就四个字：分级使用。

不是所有任务都需要旗舰模型。写代码的核心逻辑推理，用 Opus 没问题。但代码补全、格式化、简单查询，Sonnet 甚至更小的模型完全够用。关键是要有一套机制，自动判断任务等级，自动路由到合适的模型。

这就跟云计算里的实例分级一个道理——你不拿 GPU 实例跑静态网页，也不拿最小实例训练大模型。AI 模型的调用也该如此。

其次是用量可视化。让每个团队、每个人都能看到自己的 AI 消耗账单。当你知道 today 你的 AI 调用花了公司 200 美元，你明天就会想想要不要把那个查询交给更便宜的模型。感知到了成本，行为才会改变。

最后是考虑混合部署。核心业务用商业旗舰模型，长尾任务用开源模型自部署。这不是省不省钱的问题，这是未来能不能持续用 AI 的问题。

说到底，AI 的成本问题从来不是技术问题，是管理问题。当一项新技术从 " 尝鲜 " 变成 " 基础设施 "，它的成本就必须被管理起来。电力如此，云计算如此，AI 也不会例外。

只是很多人还没意识到这一点。他们还在享受 AI 带来的效率提升，却没看到账单正在暗处疯长。

花旗看到了，所以禁了模型。Adobe 看到了，所以断约了。Atlassian 看到了，但好像还没想好怎么办。

你呢？你的公司呢？

AI 不是免费的午餐，它是自助餐——你以为随便吃，结账的时候才发现是按克称重的。

等账单来了再反应，可能就来不及了。