为什么 AI 编程成本预计将超过薪资？

Gartner 指出了两个相互叠加的驱动因素 ：

• Token 消耗激增 —— 随着开发者更积极地使用 AI 编程代理，token（大语言模型的计价单位）的总消耗量增长速度远超单位价格的下降速度。Gartner 高级首席分析师 Nitish Tyagi 对 The Register 表示，AI 编程账单正从每人每月 20 或 100 美元飙升至 2000 甚至 5000 美元 。
• 从固定费用转向按用量计费 —— Anthropic、Cursor 和 GitHub Copilot 等主要供应商已从月度固定订阅制转向按 token 计量的定价模式，这意味着每次敲击键盘都可能产生费用 。

这一预测是基于明确假设的展望，并非确定无疑 。但正如 Tyagi 所指出的，“AI 编程费用将持续增长，因为基础设施投资和盈利压力正不断推高模型定价” 。

现实案例：Token 账单来袭

Uber：烧光全年预算后设定 1500 美元上限

Uber 是 AI 成本超支最典型的案例。该公司在 2026 年前四个月就耗尽了全年的 AI 编程预算 。为此，Uber 对员工使用 Anthropic 的 Claude Code 和 Cursor 等代理编程平台，实施了每人每月每个工具 1500 美元的支出上限 。

这背后的数字触目惊心。到 2026 年 3 月，Uber 84% 的工程师都在使用 Claude Code，而 2025 年底这一比例仅为 32% 。在设置上限之前，每位工程师的月均成本在 500 到 2000 美元之间 。Uber 的首席运营官坦言：“AI 支出与客户价值之间的联系尚未建立” 。

其他倍感压力的公司

• 微软 在启用 Claude Code 仅数月后，便出于成本考虑收回了开发者的使用权限 。
• Priceline 遭遇 AI 编程工具价格 5 倍上涨 。
• Gartner 还预测，到 2027 年，40% 使用按用量计费 AI 编程工具的企业将面临超出预期预算两倍以上的计划外成本 。

埃森哲：非工程师推高了 Token 消耗

埃森哲的案例揭示了一个令人意外的成本超支来源。据泄露的录音和报道，推高 AI token 消耗的并非开发者，而是那些利用 AI 工具将 PDF 转化为演示文稿的非工程师员工 。埃森哲计划推出名为“Token IQ”的产品，帮助管理层了解 AI 支出是否带来足够的回报 。

KPMG：成本追踪之困

KPMG 在 2026 年 6 月 24 日发布的第二季度《全球 AI Pulse》调查（覆盖 20 个国家、2100 多名高级管理者）发现，仅有 26% 的组织能够实时掌握其 AI 使用成本 。具体而言 ：

• 50% 的企业只有部分可见性。
• 22% 的企业几乎没有可见性 —— 他们只能在收到账单后才知道花了多少钱。

KPMG 的全球 AI 负责人 Steve Chase 将此描述为一种核心的财务不透明风险。他指出，部分客户在数月内就用完了全年的 token 和云预算，还有一家客户的 token 使用量增长了 6 倍 。转向基于 token 的计费模式，使得 AI 支出变得难以预测，传统的 IT 财务控制手段也难以发挥作用 。

如何管控成本：Gartner 的建议

Gartner 在其 2026 年 6 月的报告和在 2026 年 3 月发布的《优化生成式与代理式 AI 成本的 10 个最佳实践》中，核心建议是建立一个严谨的运营模型 ：

• 建立基于用例的决策框架 —— 明确在何种场景下以及以何种自主级别使用 AI 编程代理，避免无节制扩张。将开发任务分为三类执行模型：开发者主导、开发者配合代理、以及完全代理主导 。
• 根据任务复杂度匹配合适模型 —— 将高频的简单任务（如编写测试、重构、搭建框架、编写文档）路由至更小、更便宜的专用模型，而不是始终使用最顶尖的前沿模型 。
• 强制实施上下文工程 —— 优化开发者向 AI 系统提供的输入上下文，减少浪费在无关或重复信息上的 token 。
• 实施缓存、批处理和监控 —— 利用 token 缓存和请求批处理减少冗余计算；实时监控每位开发者和每个团队的 token 消耗 。
• 评估 AI 编程成熟度 —— Gartner 敦促工程领导者在成本失控前，审计当前的 token 消耗模式 。
• 构建 FinOps 式的治理层 —— 包括实时消耗监控、按用户设置预算，以及对异常使用情况进行自动告警 。

Gartner 也指出，对于界限明确、定义清晰的任务 —— 如编写测试、重构、搭建框架、编写文档和修复简单 bug —— 工作效率确实有显著提升；而在架构决策和新问题调试方面，提升则相对有限 。关键在于估算团队工作中属于高杠杆效应的部分所占比例，并将 AI 应用到这些领域 。

核心结论

不加节制的 AI 编程支出时代正在终结。这些工具在特定任务上确实能带来效率提升，但如果缺乏治理，成本的攀升速度可能超过它们本应带来的效率提升 。Gartner 所建议、且 Uber 等公司已被迫采纳的纪律，并非要退回到没有 AI 的时代，而是要将其作为一个真正的成本中心来管理 —— 通过可见性、合理路由和防护栏来实现。

为什么 AI 编程成本预计将超过薪资？

Gartner 指出了两个相互叠加的驱动因素 ：

• Token 消耗激增 —— 随着开发者更积极地使用 AI 编程代理，token（大语言模型的计价单位）的总消耗量增长速度远超单位价格的下降速度。Gartner 高级首席分析师 Nitish Tyagi 对 The Register 表示，AI 编程账单正从每人每月 20 或 100 美元飙升至 2000 甚至 5000 美元 。
• 从固定费用转向按用量计费 —— Anthropic、Cursor 和 GitHub Copilot 等主要供应商已从月度固定订阅制转向按 token 计量的定价模式，这意味着每次敲击键盘都可能产生费用 。

这一预测是基于明确假设的展望，并非确定无疑 。但正如 Tyagi 所指出的，“AI 编程费用将持续增长，因为基础设施投资和盈利压力正不断推高模型定价” 。

现实案例：Token 账单来袭

Uber：烧光全年预算后设定 1500 美元上限

Uber 是 AI 成本超支最典型的案例。该公司在 2026 年前四个月就耗尽了全年的 AI 编程预算 。为此，Uber 对员工使用 Anthropic 的 Claude Code 和 Cursor 等代理编程平台，实施了每人每月每个工具 1500 美元的支出上限 。

这背后的数字触目惊心。到 2026 年 3 月，Uber 84% 的工程师都在使用 Claude Code，而 2025 年底这一比例仅为 32% 。在设置上限之前，每位工程师的月均成本在 500 到 2000 美元之间 。Uber 的首席运营官坦言：“AI 支出与客户价值之间的联系尚未建立” 。

其他倍感压力的公司

• 微软 在启用 Claude Code 仅数月后，便出于成本考虑收回了开发者的使用权限 。
• Priceline 遭遇 AI 编程工具价格 5 倍上涨 。
• Gartner 还预测，到 2027 年，40% 使用按用量计费 AI 编程工具的企业将面临超出预期预算两倍以上的计划外成本 。

埃森哲：非工程师推高了 Token 消耗

埃森哲的案例揭示了一个令人意外的成本超支来源。据泄露的录音和报道，推高 AI token 消耗的并非开发者，而是那些利用 AI 工具将 PDF 转化为演示文稿的非工程师员工 。埃森哲计划推出名为“Token IQ”的产品，帮助管理层了解 AI 支出是否带来足够的回报 。

KPMG：成本追踪之困

KPMG 在 2026 年 6 月 24 日发布的第二季度《全球 AI Pulse》调查（覆盖 20 个国家、2100 多名高级管理者）发现，仅有 26% 的组织能够实时掌握其 AI 使用成本 。具体而言 ：

• 50% 的企业只有部分可见性。
• 22% 的企业几乎没有可见性 —— 他们只能在收到账单后才知道花了多少钱。

KPMG 的全球 AI 负责人 Steve Chase 将此描述为一种核心的财务不透明风险。他指出，部分客户在数月内就用完了全年的 token 和云预算，还有一家客户的 token 使用量增长了 6 倍 。转向基于 token 的计费模式，使得 AI 支出变得难以预测，传统的 IT 财务控制手段也难以发挥作用 。

如何管控成本：Gartner 的建议

Gartner 在其 2026 年 6 月的报告和在 2026 年 3 月发布的《优化生成式与代理式 AI 成本的 10 个最佳实践》中，核心建议是建立一个严谨的运营模型 ：

• 建立基于用例的决策框架 —— 明确在何种场景下以及以何种自主级别使用 AI 编程代理，避免无节制扩张。将开发任务分为三类执行模型：开发者主导、开发者配合代理、以及完全代理主导 。
• 根据任务复杂度匹配合适模型 —— 将高频的简单任务（如编写测试、重构、搭建框架、编写文档）路由至更小、更便宜的专用模型，而不是始终使用最顶尖的前沿模型 。
• 强制实施上下文工程 —— 优化开发者向 AI 系统提供的输入上下文，减少浪费在无关或重复信息上的 token 。
• 实施缓存、批处理和监控 —— 利用 token 缓存和请求批处理减少冗余计算；实时监控每位开发者和每个团队的 token 消耗 。
• 评估 AI 编程成熟度 —— Gartner 敦促工程领导者在成本失控前，审计当前的 token 消耗模式 。
• 构建 FinOps 式的治理层 —— 包括实时消耗监控、按用户设置预算，以及对异常使用情况进行自动告警 。

Gartner 也指出，对于界限明确、定义清晰的任务 —— 如编写测试、重构、搭建框架、编写文档和修复简单 bug —— 工作效率确实有显著提升；而在架构决策和新问题调试方面，提升则相对有限 。关键在于估算团队工作中属于高杠杆效应的部分所占比例，并将 AI 应用到这些领域 。

核心结论

不加节制的 AI 编程支出时代正在终结。这些工具在特定任务上确实能带来效率提升，但如果缺乏治理，成本的攀升速度可能超过它们本应带来的效率提升 。Gartner 所建议、且 Uber 等公司已被迫采纳的纪律，并非要退回到没有 AI 的时代，而是要将其作为一个真正的成本中心来管理 —— 通过可见性、合理路由和防护栏来实现。