共计 1211 个字符，预计需要花费 4 分钟才能阅读完成。
AI 不是只要“多用”就一定更高效。 当大模型和 Agent 被快速引入企业流程后, 成本、监控和责任边界正在成为新的管理考题。近期, 亚马逊一项与 Claude Sonnet 相关的内部任务被曝出现严重费用超支, 再次把企业 AI 使用的“隐形账单”推到台前。
📌 一项看似简单的任务, 成本被曝冲到 180 万美元
据相关报道提到, 亚马逊近期曾尝试使用 Claude Sonnet 为自家网站补充更详细的作者信息。这个任务表面上并不复杂, 但内部员工透露, 最终相关费用达到约 180 万美元 , 超出原预算约 860%。更尴尬的是, 这一问题据称在约 5 个月后才被发现, 并且项目最终没有成功部署。
按照 Claude Sonnet 公开价格粗略估算, 若以每百万输入 token 3 美元、每百万输出 token 15 美元计算,180 万美元可能对应极其庞大的 token 消耗。需要强调的是, 具体调用结构、缓存、折扣和内部协议价格外界并不清楚, 因此这一数字只能作为理解成本量级的参考。
🔍 Agent 的问题: 它不会累, 也不会主动停
与传统软件相比,Agent 类应用的风险在于, 它可以持续尝试、反复调用、自动重试。如果任务设计、错误处理或权限边界不清晰, 小问题可能被放大成高额账单。
在传统系统中, 一段低效逻辑可能只是多占用一些服务器资源 ; 但在大模型场景下, 每一次输入、输出、重试和工具调用都可能直接转化为费用。尤其当企业鼓励员工“尽可能多地使用 AI”时, 使用量指标很容易从效率工具变成竞赛目标。
- 费用难追踪:token 消耗分散在个人、团队和不同工具之间。
- 异常难发现: 任务失败可能不会立刻表现为业务故障, 却持续产生调用成本。
- 产出难衡量: 高用量并不等于高质量交付, 也不一定对应真实业务价值。
💡 大厂开始从“放开用”转向“设上限”
类似的成本焦虑并不只发生在亚马逊。 材料中提到 ,Meta 曾出现面向员工的 AI 用量排行榜,30 天内 token 总消耗达到数十万亿级别; 随后公司开始建设集中式平台监控团队 AI 用量与支出, 并设置预算和上限。Uber 也被曝在 2026 年前几个月就消耗完全年 AI 编程预算, 之后为员工和工具设定月度支出限制。
这说明硅谷对 AI 的态度正在发生微妙变化: 早期是“先用起来”, 现在则进入“可见、可控、可审计”的阶段。预算、审批、仪表盘、调用网关, 正在成为企业 AI 基础设施的一部分。
📊 观察: 自动化越强, 越需要刹车系统
围绕“180 万刀, 连亚马逊都烧不起 Claude 了”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
🚀 影响与看点:AI 成本管理会成为新岗位和新市场
- 企业会更重视按项目核算 AI 投入产出, 而不是单纯统计使用量。
- 模型供应商可能需要提供更透明的成本分析与异常提醒能力。
- AI Agent 在进入核心业务前, 将面临更严格的权限、预算和审计要求。
