Meta 公司 Instagram 部门主管 Adam Mosseri 在社交媒体上提出了一个引人深思的观点。他指出，随着生成式 AI 在软件开发中的深度渗透，企业对 AI 的投入将从“尝试性探索”转向“严格的成本管控”。Mosseri 预测，未来工程师在使用 AI 工具时，其消耗的“代币”数量可能会受到像薪资、水电费一样的硬性限制。
这一言论直指当前科技行业的一个痛点：AI 的高昂成本。随着 OpenAI、Anthropic 等公司提供的 API 接口服务日益普及，企业内部的 AI 使用量呈指数级增长。对于像 Meta 这样拥有数万名工程师的大型科技公司而言，如果每位开发人员都无节制地依赖 AI 编写代码、调试 Bug 或生成文档，其算力成本将不可估量。Mosseri 的观点实际上揭示了 AI 资源分配模式的根本性变革。
在过去，云计算资源往往通过虚拟机或容器按需分配；而在 AI 时代，算力的单位变成了“Token”（代币）。将 Token 预算与薪资预算挂钩，意味着 AI 工具将正式被纳入企业的运营支出（OPEX）体系。这标志着 AI 不再仅仅是辅助工具，而是变成了类似于电力或云服务的核心基础设施。未来，企业可能会像管理云服务器配额一样，给每个部门甚至每位工程师设定每月的 AI Token 消耗上限。
这种变化对工程团队的运作方式将产生深远影响。首先，它将倒逼开发人员提升“提示词工程”的能力，即如何用最精炼的语言和逻辑，以最少的 Token 获取最高效的代码产出。其次，这也可能导致团队内部出现“AI 资源争夺战”，促使企业建立更科学的 AI 使用规范和审计机制。工程师可能不再仅仅是代码的编写者，还需要成为“AI 资源的管理者”。
在实际应用场景中，这种预算管理可能表现为两种形式：一种是基于配额的内部管理，例如每位工程师每月享有固定额度的 AI 次数，超出部分需额外申请；另一种则是基于成本的严格审批，只有在高价值任务上才允许调用昂贵的模型。这不仅有助于控制运营成本，还能促使 AI 工具被更合理地分配到最需要它的研发环节。
值得注意的是，这种趋势并非 Meta 独有。随着大语言模型（LLM）的成本上升，科技巨头们正在重新审视 AI 在研发流程中的角色。从早期的“人人可用”到如今的“限额使用”，这反映了技术成本与商业回报之间的博弈。对于开发者来说，适应这种变化意味着需要重新审视自己的工作流，寻找人类智慧与 AI 辅助之间的最佳平衡点。
总而言之，Adam Mosseri 的预言预示着软件开发流程的又一次重构。AI 的普及虽然提升了生产力，但也带来了新的成本黑洞。未来，如何在享受 AI 带来的红利与控制算力成本之间找到平衡点，将是所有科技企业和开发者必须面对的必修课。
来源：TechCrunch
原文链接：https://techcrunch.com/2026/07/14/metas-adam-mosseri-says-ai-token-budgets-could-soon-be-capped-per-engineer/
信息来源：AI News & Artificial Intelligence | TechCrunch，原文链接：https://techcrunch.com/2026/07/14/metas-adam-mosseri-says-ai-token-budgets-could-soon-be-capped-per-engineer/
封面图片来源：Unsplash / 摄影师 Julio Lopez
