意思係：

• 每生成一段code
• 每次讀取大型repository
• 每次長對話

都會消耗token並產生成本。

當公司有幾千名工程師每日都用，費用會隨用量線性甚至指數式上升。

2）Claude Code實際使用成本比原先估計高

Anthropic更新過企業使用成本估算：

• 平均每日每位開發者：約 13美元
• 約90%用戶每日支出低於 30美元

換算企業規模：

• 約 150–250美元 / 每位工程師 / 每月

如果公司有幾千名工程師，用量很容易變成一筆巨額營運成本。

Uber：AI工具用到爆，4個月燒晒全年預算

多個報道指出，Uber 在向工程團隊推廣 AI coding 工具（特別係 Claude Code）之後，使用量暴增。

公司大約為 5,000名工程師提供相關工具。

結果：

• 原本為 2026年全年預留嘅AI工具預算
• 到4月已經全部用完

換句話說，實際消耗速度大約係原預算模型嘅幾倍。

報道亦指出，問題唔係AI冇人用——相反係用得太多、太快，令財務預算完全追唔上。

微軟：改用自家工具

另一邊廂，Microsoft 據報正取消大部分內部 Claude Code 授權，並將開發者轉向 GitHub Copilot CLI。

報道指出：

• Claude Code 曾經向數千名員工開放
• 包括工程師、產品經理同設計師
• 使用率其實相當高

但公司之後以 「共同承擔AI支出責任」 為理由調整策略。

這並不代表微軟放棄AI coding，而更像是：

• 控制成本
• 轉向自家生態系
• 或重新設計內部AI工具策略

生產力問題：AI未必真係加快開發

另一個開始被討論的問題係：AI coding 工具是否真的令開發者更快？

一項隨機對照研究（RCT）觀察資深開源開發者，結果發現：

• 使用AI工具的開發者
• 完成任務時間反而慢約19%

原因包括：

• 需要花時間檢查AI生成的程式碼
• 對大型現有codebase理解不足
• 更多code review同修改工作

部分研究亦指出，如果AI生成的程式碼數量增加但品質下降，可能會累積 technical debt（技術債）。

為什麼這與「AI會讓軟件更便宜」的敘事衝突

理論上，AI應該讓開發更快、更便宜。

但企業開始看到另一個現實：

• AI工具本身變成新的營運成本
• 使用量越高，費用越高
• 生產力提升並不一定同步

如果 AI成本增長速度快過工程效率提升，整體開發成本反而可能上升。

目前最明確的訊號

綜合現有資料，大致可以看到幾個趨勢：

• AI coding 工具採用率持續上升，但信任度下降。
• 大型企業開始重新檢討工具授權與使用政策。
• 用量計費模式令企業更難預測成本。

因此，企業現時並非放棄AI寫程式，而是進入 第二階段：成本治理（AI cost governance）。

換句話說：AI coding 工具仍然有價值，但當它們在企業規模運作時，財務模型同管理方式也需要重新設計。

仍然存在的不確定性

需要留意的是：

• Uber 和 Microsoft 的相關情況主要來自媒體報道，而非完整官方披露。
• 研究亦未證明所有AI coding工具都缺乏經濟效益。

目前證據只顯示：在大型企業部署時，Claude Code 的成本結構可能帶來預算壓力，而生產力提升亦並不一致。

意思係：

• 每生成一段code
• 每次讀取大型repository
• 每次長對話

都會消耗token並產生成本。

當公司有幾千名工程師每日都用，費用會隨用量線性甚至指數式上升。

2）Claude Code實際使用成本比原先估計高

Anthropic更新過企業使用成本估算：

• 平均每日每位開發者：約 13美元
• 約90%用戶每日支出低於 30美元

換算企業規模：

• 約 150–250美元 / 每位工程師 / 每月

如果公司有幾千名工程師，用量很容易變成一筆巨額營運成本。

Uber：AI工具用到爆，4個月燒晒全年預算

多個報道指出，Uber 在向工程團隊推廣 AI coding 工具（特別係 Claude Code）之後，使用量暴增。

公司大約為 5,000名工程師提供相關工具。

結果：

• 原本為 2026年全年預留嘅AI工具預算
• 到4月已經全部用完

換句話說，實際消耗速度大約係原預算模型嘅幾倍。

報道亦指出，問題唔係AI冇人用——相反係用得太多、太快，令財務預算完全追唔上。

微軟：改用自家工具

另一邊廂，Microsoft 據報正取消大部分內部 Claude Code 授權，並將開發者轉向 GitHub Copilot CLI。

報道指出：

• Claude Code 曾經向數千名員工開放
• 包括工程師、產品經理同設計師
• 使用率其實相當高

但公司之後以 「共同承擔AI支出責任」 為理由調整策略。

這並不代表微軟放棄AI coding，而更像是：

• 控制成本
• 轉向自家生態系
• 或重新設計內部AI工具策略

生產力問題：AI未必真係加快開發

另一個開始被討論的問題係：AI coding 工具是否真的令開發者更快？

一項隨機對照研究（RCT）觀察資深開源開發者，結果發現：

• 使用AI工具的開發者
• 完成任務時間反而慢約19%

原因包括：

• 需要花時間檢查AI生成的程式碼
• 對大型現有codebase理解不足
• 更多code review同修改工作

部分研究亦指出，如果AI生成的程式碼數量增加但品質下降，可能會累積 technical debt（技術債）。

為什麼這與「AI會讓軟件更便宜」的敘事衝突

理論上，AI應該讓開發更快、更便宜。

但企業開始看到另一個現實：

• AI工具本身變成新的營運成本
• 使用量越高，費用越高
• 生產力提升並不一定同步

如果 AI成本增長速度快過工程效率提升，整體開發成本反而可能上升。

目前最明確的訊號

綜合現有資料，大致可以看到幾個趨勢：

• AI coding 工具採用率持續上升，但信任度下降。
• 大型企業開始重新檢討工具授權與使用政策。
• 用量計費模式令企業更難預測成本。

因此，企業現時並非放棄AI寫程式，而是進入 第二階段：成本治理（AI cost governance）。

換句話說：AI coding 工具仍然有價值，但當它們在企業規模運作時，財務模型同管理方式也需要重新設計。

仍然存在的不確定性

需要留意的是：

• Uber 和 Microsoft 的相關情況主要來自媒體報道，而非完整官方披露。
• 研究亦未證明所有AI coding工具都缺乏經濟效益。

目前證據只顯示：在大型企業部署時，Claude Code 的成本結構可能帶來預算壓力，而生產力提升亦並不一致。