微软据称收紧内部 AI Token 预算：单名员工 28 天用出约 2.8 万美元成本
据 IT之家 8 月 31 日援引 Android Headlines 报道，微软正在加强内部 AI 使用成本管理，重点收紧 Token 用量监控和预算限制。来源显示，微软已设置 Token 使用监控机制，并计划把内部默认工作负载逐步切换至 OpenAI 的 GPT-5.6 Sol，以降低 AI 成本。一份泄露的微软内部表格显示，过去几个月里，部分员工为了提升数据排名大量使用 AI，其中一名员工在 28 天内产生了约 2.8 万美元 Token 成本，引发公司高层对 AI 支出效率的担忧。
这起事件并不只是单个员工“用得多”的问题，而是大型科技公司在全面导入生成式 AI 后，正面对一个更现实的挑战：当 AI 工具被嵌入研发、办公、客服、数据分析等流程后，Token 消耗会从技术指标变成企业级成本项。对于拥有超过 22.3 万名全球员工的微软而言，哪怕单个员工的月度 AI 支出看似可控，放大到组织层面后也可能形成显著预算压力。
内部数据曝光：部门之间 AI 使用成本差异明显
来源提到，目前微软全球员工超过 22.3 万人，其中约 350 名美国员工自愿提交了自己的月度 AI 使用数据。从这些样本看，整体月度使用成本中位数约为 300 美元，不同部门之间差异较大。
- CoreAI 部门月度使用成本中位数最高，约为 975 美元，个人最高达到 1.6 万美元；
- Microsoft AI 部门平均约 490 美元；
- Experiences and Devices 部门平均约 250 美元；
- Azure 部门约 241 美元；
- 产生约 2.8 万美元最高纪录的员工来自 Customer and Partner Solutions 部门。
从部门分布看，AI 相关核心团队的平均消耗更高并不意外。模型研发、产品实验、代码生成、评测与数据处理都可能需要高频调用大模型。但异常之处在于，个别员工的使用成本明显偏离常规水平，尤其是 28 天内约 2.8 万美元的记录，已经超出一般办公辅助或研发提效工具的范畴。
报道还提到，部分员工通过大量使用 AI 来提高数据排名。如果这一描述属实，说明企业内部 AI 使用激励机制可能出现偏差：当使用量、产出量或某些内部指标与绩效、排名产生关联时，员工可能倾向于增加调用，而非优先考虑调用是否必要、结果是否可靠、成本是否合理。
微软的应对：监控价值、限制预算、统一默认模型
为了控制成本，微软据称正在加强对 Token 使用价值的监控，用于识别 AI 支出异常高的员工，同时设置更严格的预算限制。这意味着企业级 AI 管理正在从“鼓励使用”转向“精细化治理”。
更值得关注的是，微软正在将内部默认工作负载逐步转向 OpenAI 的 GPT-5.6 Sol，并不再鼓励员工在编程任务中使用 Anthropic Claude 等第三方 AI 工具。对于微软来说，这一调整可能同时服务于多重目标：一是压缩成本，二是统一模型调用与管理口径，三是减少第三方工具带来的合规、数据流转和采购复杂度。
在生成式 AI 普及早期，企业往往更关注“能否提升效率”，因此会鼓励员工尝试不同模型和工具。但当 AI 使用规模扩大，企业必须回答另一个问题：每一次模型调用是否带来了与成本匹配的业务价值。Token 单价、上下文长度、模型类型、调用频率、重复生成和无效提示词，都会影响最终账单。
影响解读：AI 进入企业后，成本治理将成为标配
微软本身是 AI 产业链的重要参与者，旗下产品深度整合 Copilot，并与 OpenAI 保持紧密合作。如果连微软这样的头部科技公司都需要收紧内部 AI 预算，说明生成式 AI 在企业落地中的成本问题已经足够现实。
对更多企业而言，这一事件有几层启示。首先，AI 工具不应只按“开通席位”管理，还需要按使用量、任务类型和业务价值进行分层。其次，企业需要建立更透明的用量仪表盘，让团队知道哪些场景真正消耗大量 Token。第三，模型选择不再只是效果问题，也会变成财务、合规和平台战略问题。
AI 提效并不等于无限制调用。在编码、文档生成、数据分析等任务中，大模型确实能节省时间，但如果缺少边界，员工可能会把原本可复用、可自动化或可本地处理的任务反复交给高成本模型完成。长期来看，这会削弱 AI 投入产出比，也会给企业内部预算管理带来不确定性。
从产业趋势看，未来企业 AI 平台可能会更强调“成本可观测性”：例如按部门、项目、模型、任务类型统计消耗；为高成本模型设置审批；将轻量任务导向低成本模型；对异常调用进行提醒。对于模型服务商而言，如何在性能、价格和企业管控之间取得平衡，也会成为竞争重点。
微软此次被曝收紧 Token 预算，反映出 AI 从演示阶段进入规模化使用后的新常态：企业不再只问“AI 能做什么”，还会持续追问“AI 做这件事值不值”。在生成式 AI 成为日常生产力工具之后，成本、治理与效率将共同决定企业 AI 落地的成败。