---
layout: post.njk
source: https://blog.qiaomu.ai/enterprise-ai-sobering-realities
speaker: 向阳乔木
title: 月烧几十万美元，员工却拿顶级AI查天气：企业AI的宿醉来了 · 乔木博客
date: '2026-06-16'
summary: 文章探讨了企业在采用顶级AI模型后遇到的‘宿醉’现象，指出Token用量管理和核心竞争力才是资源分配的关键。作者通过物理学家的视角分析了从强制铺开到需要精细化管理的三个阶段，强调未来决策应聚焦于如何将Token、人力与业务指标对齐，以及工程师价值的重新定义。
area: PAI
category: ai-workflow
tags:
  - enterprise-ai
  - token-management
  - resource-allocation
  - engineer-value
people:
  - Matan Grinberg
companies_orgs:
  - Factory
products_models: []
media_books: []
draft: true
status: evergreen
---

乔木博客

全部

AI工具

AI教程

AI生成

AI资讯

健脑房

播客解读

论文学习

# 月烧几十万美元，员工却拿顶级AI查天气：企业AI的宿醉来了

播客解读

·

2026年6月16日

·

44 次阅读

·

约 8 分钟

一家大型企业的CIO最近发现，公司每个月花了几十万美元，员工却只是用最顶级的AI模型问"今天天气怎么样"。

这不是段子。

这是Factory CEO Matan Grinberg亲口讲的真实案例。

Factory是一家专注企业级软件开发的AI公司，客户包括全球最大的一批企业。

Matan本人是物理学家出身，在普林斯顿和伯克利钻研弦理论12年，后来转行创业，拿到了Sequoia的第一张支票。

他对企业AI的观察，有一种物理学家特有的冷静。

## 企业AI正在经历宿醉

Matan把企业采用AI的过程分成三个阶段：

第一阶段：董事会开始催CEO，"你的AI战略是什么？"CEO转头催CTO，"赶紧搞。"

第二阶段：AI不计成本地铺开。Token用量写进绩效考核，全员强制采用，越多越好。这个阶段比所有人预想的都结束得快。

第三阶段：宿醉。账单来了，ROI在哪里？没人说得清楚。

现在大多数企业正处于第三阶段的开端。

Uber宣布给每个员工设置1500美元的AI使用上限，这件事在企业圈里不是新鲜事，只是第一次被公开说出来。

Matan说，Factory的客户里，这种情况已经发生了几十次。

这说明什么？

Token不是越多越好，它是一种需要被管理的资源。

## 核心竞争力才是资源分配的锚点

Matan用一个很直白的类比解释了企业AI资源分配的逻辑：他知道怎么出门买午饭，但这不意味着他应该去买。

Factory的CEO去给团队买外卖，不是高效的资源分配。

这个道理放到企业AI上同样成立。

Kirkland & Ellis宣布花5亿美元自建AI工具，Matan的反应是：这家律所的核心竞争力是法律，不是软件开发。

他甚至认为，这对Harvey（专注法律AI的公司）是个利好，因为没有什么比自己动手更能让人意识到"这件事真的很难，还是找专业的人来做吧"。

真正的问题不是"能不能做"，而是"值不值得做"。

以前软件的护城河是"我会做这个，你不会"。

但AI出现之后，理论上任何人都能构建任何软件。

护城河从"能力壁垒"变成了"时间和注意力的分配"。

所以对企业领导者来说，未来24个月最重要的决策不是选哪个模型，而是：我们的核心业务指标是什么，怎么把Token、人力和资金都对准这个目标？

## 模型之战：所有人都在试图把别人变成商品

Matan说了一句很坦诚的话："我在说大家都不敢说的事，每个人都在试图把不是自己的那一层变成商品。"

模型公司希望应用层变得无关紧要，应用层希望模型之间充分竞争、互相压价，基础设施公司有自己的算盘。

这就像微软那张著名的组织架构图，每个部门的枪都对着其他部门。

价值归属是一个时间依赖的现象。

不是说某一层永远拿走所有价值，而是在不同阶段，定价权在不同地方。

Factory的策略是做模型无关的应用层：让OpenAI、Anthropic、Google都感受到压力，逼着它们提供最好的性价比。

这个逻辑的前提是，没有哪家模型公司能拉开决定性的差距。

Matan的"空头论点"也说得很清楚：如果某一家模型公司远远甩开其他所有人，Factory的模型路由价值就会大幅缩水。

但他认为这种情况不太可能发生，而且一旦发生，那就是整个经济体都需要担心的垄断问题了。

他最近改变的一个判断是：最终会有至少四家公司保持在前沿水平，而不是一两家通吃。

这对整个生态是好事。

## 80%的任务不需要顶级模型

Matan给了一个很具体的数字：当前用前沿模型处理的任务，大约80%到90%用开源模型就能完成。

这不是在唱衰前沿模型。

他的解释是：真正需要顶级模型的，是规划和决策的部分，也就是那10%到20%的"关键Token"。

就像一家公司里，最高管理层花的时间不是最多的，但他们做的那几个不可逆决策，决定了公司的走向。

前沿模型是决策层，开源模型是执行层。

好的资源分配，是把贵的算力用在真正值得的地方。

这也解释了为什么"智能路由"会成为下一个重要基础设施：不是所有任务都值得用最贵的模型，但你需要一个系统来帮你做这个判断。

## 工程师的价值正在重新定义

Matan对"10x工程师"这个概念有自己的理解。

他不太在意倍数，更在意的是"关键节点"：把这个人从组织里抽掉，会不会有什么东西倒塌崩溃？

AI工具给高杠杆的人提供了更高的杠杆，给低杠杆的人提供的帮助相对有限。

差距会拉大，但不是因为代码写得快不快，而是因为谁更懂得怎么用杠杆。

他认为，未来最值钱的工程师不是那种能快速写代码、赢得算法竞赛的人，而是能端到端拥有业务结果的人。

不只是"我负责这个功能"，而是"我负责这个功能从用户行为到销售转化的整条链路"。

Factory内部已经在实践这个模式：工程师和销售坐在一起，工程师发布功能时销售说"我们发布了"，销售签单时工程师说"我们签了"。

这在湾区AI圈子里被认为是异类，但Matan认为那些把销售和市场当成"脏活"的公司，迟早会付出代价。

他用了一个很好的比喻：现在是失重状态，不需要肌肉也能活。

但重力会回来。等市场回归正常竞争，那时候没有销售和市场能力的公司，肌肉早就萎缩了。

"说出一家传奇公司，它的销售或市场团队是烂的。你说不出来。"

## 多面手的时代回来了

Matan是物理学家，他对这件事有一种个人化的感受。

达芬奇那个年代，一个人可以同时是画家、工程师、解剖学家，因为每个领域都还不够深，一个人在有生之年可以触达多个领域的前沿。

到了20世纪，每个学科都深到需要几十年才能追上前人，专业化是唯一的出路。

AI把这个逻辑反转了。

它可以帮你快速跨越知识积累的门槛，让你在多个方向同时推进。

多面手的时代回来了。

这对招聘的启示是：Factory在找的不是某一项技能最顶尖的人，而是能在多个维度同时推进、愿意拥有端到端结果的人。

那种从小被训练"必须参加数学竞赛、必须走这条路"的人，反而是反向信号，因为他们没有在主动选择自己的方向。

## 给企业决策者的一个判断框架

Matan提到了一个值得认真对待的问题：Salesforce CEO Marc Benioff说，他在Anthropic上的花费是开发者薪资的3.8%。

三年后这个数字会是多少？

如果还是3.8%，说明AI没有真正改变开发效率。

如果是20%甚至更高，说明Token正在成为和人力同等量级的生产要素。

Matan的判断是：三年内，Token支出的中位数会和薪资处于同一数量级。

但这个数字不会是均匀分布的，有些人的Token支出会是薪资的几千倍，有些人可能是零。

这意味着，用统一的Token预算管理所有员工，是一种过于粗糙的做法。

真正的资源分配，需要按照每个人的杠杆率来设计。

如果你现在是企业的技术或业务负责人，最值得做的一件事是：把你的核心业务指标写清楚，然后问自己，现在的Token、人力和资金分配，有多少是在直接推动这些指标，有多少是在推动中间指标。

宿醉之后，账要算清楚。

© 2026

·

向阳乔木