文章摘要
亚马逊用Claude Sonnet填充作者信息，项目超预算860%，花费180万美元仍未成功部署。虽有此次超支，亚马逊仍计划大幅增加AI投资，且已获回报。不过，AI用量失控现象普遍存在，多家科技巨头都曾遭遇。此外，AI自动化还存在交易等风险，亚马逊此次超支或让其更清醒看待AI的两面性。

当科技巨头们还在畅想生成式AI带来的效率革命时，一场隐秘的成本噩梦已经在内部蔓延。全球年营收超7000亿美元的亚马逊，就因为一次看似简单的AI应用尝试，付出了180万美元的代价——这笔开支超出原定预算860%，且直到五个月后才被发现，最终项目也未能成功部署。

当时亚马逊尝试用Claude Sonnet为自家网站填充详细的作者信息，这个任务本身并不复杂，但AI代理的特性让这次尝试变成了一场灾难。不同于人类可以暂停或调整节奏，AI代理会不知疲倦地反复重试，在没有任何重试间隔提醒的情况下，无节制地消耗计算资源。按照Claude Sonnet的公开定价，每百万输入token收费3美元、每百万输出token收费15美元，180万美元的支出对应的token总量最高可达6000亿，这个数据量几乎相当于GPT-3整个训练语料的两倍。

AI相关的任何东西，我们都很难搞清楚到底花了多少钱。在传统系统里无足轻重的小问题，用AI做都可能带来极难想象的费用。

诸如此类的失控案例在亚马逊内部已经出现过多次，且这类AI相关的成本问题往往要经过很长时间才能被发现。

尽管遭遇了这次离谱的超支，亚马逊并没有放慢AI自动化的脚步。公司CEO安迪·贾西宣布，2026年的资本开支预计将达到约2200亿美元，其中绝大部分将投向AWS云服务、自研AI芯片以及电力基础设施，这一数字较2025年增长近六成，成为全球超大市值公司中单年度资本开支最高的项目。

这场大规模的AI投资已经收获了显著回报。根据亚马逊2026年第二季度财报，AWS当季实现净销售额422亿美元，同比增长37%；在公司总计275亿美元的营业利润中，AWS贡献了约60%，而其收入仅占公司总收入的21%。与此同时，自2025年10月以来，亚马逊已经进行了两轮大规模裁员，累计削减约3万个工作岗位。不少企业也发现了一个有趣的对比：比起AI代理需要持续投入计算成本，人类员工最大的优势是可以灵活调整薪酬支付节奏。

贾西在去年的内部备忘录中曾畅想，目前亚马逊已经拥有超过1000种生成式AI服务，但这仅仅是冰山一角，未来将有数十亿个AI代理在亚马逊的业务体系中运转。这场自动化浪潮不仅覆盖了办公室场景，还延伸到了仓储和物流环节。根据公开报道，亚马逊机器人部门的目标是在2033年前后实现约75%的仓储运营自动化，这意味着到2027年亚马逊将在美国少雇佣约16万人，到2033年这一数字将超过60万。

麻省理工学院教授、2024年诺贝尔经济学奖得主达龙·阿西莫格鲁对此发出严厉警告，如果亚马逊的自动化之梦最终落地，这家美国最大的雇主将从净岗位创造者转变为净岗位毁灭者。

亚马逊的成本超支并非孤例，早在2026年初，多家科技巨头都遭遇了类似的AI用量失控闹剧。这类事件往往始于一句响亮的口号：“同学们，我们一定要‘尽可能多’地使用AI，用‘尽可能小’的团队创造‘尽可能深厚’的价值！”

员工们自发搭建了AI用量排行榜，“烧币传奇”“缓存法王”“挂机成仙”等戏谑的名号成为了大家争相竞逐的标签，直到管理层被惊人的账单震撼后，才紧急叫停这类竞赛。

这种现象背后，其实暗合了1975年经济学家查尔斯·古德哈特提出的古德哈特定律：当一个衡量指标变成了目标，它就不再是一个好的指标。亚马逊内部曾有过名为“KiroRank”的非正式排行榜，这一机制催生了部分员工刻意推高个人AI用量数据的行为，最终该排行榜被关闭，随后亚马逊又推出了“标准化部署”机制来衡量员工的AI产出。

2026年4月，Meta的一名员工搭建了名为Claudeonomics的排行榜，聚合了超过8.5万名员工的AI用量数据，并列出了token消耗最高的前250名员工。在此期间，Meta员工在30天内消耗的token总量攀升至73.7万亿，按照公开定价折算，对应的月度账单约为2.21亿美元。同年6月，Meta向约6000名员工发出正式备忘录，宣布将对token用量设限，并搭建“AI Gateway”中央平台，实时监控各团队的AI用量与支出，设定明确的预算与使用上限。

这场AI用量失控的浪潮并不局限于设有内部排行榜的公司。Uber在2026年头四个月就烧光了全年的AI编程预算，随后公司将每名员工、每个工具的月度支出上限设为1500美元。Uber的首席运营官坦言，目前token支出与可衡量的产出之间的关联尚未成型。

就连AI模型提供商本身也感受到了这种失控的压力。2026年6月3日，萨姆·奥尔特曼表示，AI的成本问题在年初还完全无人在意，但现在已经成为了一个重大问题。他透露，OpenAI内部用量最高的个人用户每月消耗约1000亿token，甚至有员工曾在单周内烧掉约2100亿token。

不到一年的时间里，硅谷对AI用量的态度已经从年初的狂热兴奋，转变为如今的精打细算，预算、使用上限、审批流程和实时监控仪表盘成为了AI项目管理的标配。一项调查显示，仅有26%的企业对自身的AI成本具备全面的可见性，也就是说，大多数公司在开始节流之前，甚至不清楚此前到底在AI上花费了多少钱。

事实上，AI自动化带来的风险远不止成本失控。2012年8月1日，美国最大的股票做市商之一骑士资本集团为参与纽约证券交易所的散户流动性计划，对其自动交易系统进行了一次更新。在部署过程中，工程师无意间激活了一段旧代码，随后这段代码开始以极高频率执行一系列毫无经济逻辑的交易指令，以高价买入、低价卖出的方式进行交易，且没有任何预设的止损机制或金额上限。

从开盘到被手动关停，整个过程持续了约45分钟，系统在154只股票上执行了超过400万笔交易，累计买入了约70亿美元的公司根本无意持有的股票头寸。最终，骑士资本不得不低价抛售这些头寸，平仓完成后亏损总额约为4.4亿美元，相当于公司全年利润的三倍。消息公布后的两个交易日内，骑士资本的股价蒸发了75%，数月后，这家经营了17年的公司被竞争对手GETCO收购，最终走向终结。

通常来说，自动化承诺带来更快的速度、更便宜的价格以及更少的人为差错，但当自动化系统出错时，损失也会以同样的速度、规模和效率被放大。对于亚马逊来说，这次180万美元的学费，或许能让它更清醒地看待AI自动化的两面性。

以上内容不代表本平台立场，仅供读者参考