Meta 為什麼可能限制工程師的 AI Token 預算？從實驗自由走向成本管理
Instagram 負責人 Adam Mosseri 預測企業未來可能限制每位工程師的 AI token 預算。本文解釋 token 成本、Meta 的內部經驗與團隊如何衡量 ROI。
AI 工具原本被企業當成「多用一點就能提高效率」的資源，但 Meta Instagram 負責人 Adam Mosseri 最近表示，未來一兩年企業可能需要為每位工程師設定 AI token 上限。
Meta AI Token 預算為什麼受到關注？
Token 預算是什麼？
Token 是 AI 模型處理文字時使用的計算單位。使用者輸入、模型讀取的檔案，以及模型產生的回答，都可能消耗 token；服務商通常依用量收費。
Mosseri 的意思不是每個人只能問固定次數，而是公司要像管理薪資、儲存空間與 GPU 一樣，分配每個團隊可以消耗的 AI 計算資源。
為什麼成本突然受到注意？
當工程師用 AI Agent 反覆讀程式、修改檔案、執行測試時，一個任務可能包含數十個步驟。Mosseri 在 Lenny’s Podcast 談到，工程師的 AI 使用成本未來可能接近人力成本，因此公司需要把 token 支出和實際產出連在一起評估。
排行榜原本可能是鼓勵使用，但也容易讓人追求用量而不是成果。用掉更多 token 不代表完成更多有價值的工作。
上限會不會傷害創新？
會，若公司只設定硬上限，卻沒有針對高價值任務提供額外資源。比較合理的做法是把預算和成果、任務風險與工具效率連結，而不是單純比較誰花得少。
例如，修復重大線上事故可能值得使用更昂貴模型；重複格式轉換則應改用小模型或固定腳本。這樣才能把 token 從抽象帳單變成可管理的工程資源。
團隊可以先做的 4 件事
先記錄每個任務的 token 成本與完成結果。接著建立模型分級，限制無限迴圈與過長上下文。最後檢查輸出是否真的減少人工時間。真正要管理的不是 token 數，而是每一元計算費用帶來多少可驗證成果。
圖片來源：官方頁面。
AI 成本、模型路由與 ROI 怎麼計算？
Token 預算其實已經和模型路由連在一起
Runway 的生成式媒體路由、Vercel 的 AI Gateway，以及企業常見的模型選擇器，都反映同一件事：公司開始用不同模型處理不同成本與品質需求。這和 Mosseri 提到的「像管理薪資或 OpEx 一樣管理 token」是同一個方向。
對工程團隊來說，最有用的報表不是單看花費，而是把 token 成本和測試通過率、程式碼變更量、事故修復時間、人工審查時間放在一起。沒有成果欄位的 token 排行榜，只會鼓勵消耗，不會證明 AI 投資有效。
延伸資料：Meta Engineering、Vercel AI Gateway 文件
Token 預算應該算在誰的帳上？
如果所有 AI 用量都算在工程師個人名下，團隊可能為了省錢而少用工具；如果完全不追蹤，則可能讓無限迴圈與低價值實驗吃掉預算。比較合理的做法是把成本分成三層：個人探索、團隊專案與公司共用服務。
個人探索可以有小額彈性，專案工作要連結任務與成果，公司共用服務則應由平台團隊管理模型、快取與權限。這樣既保留創新空間，也能找出真正昂貴的工作流。
如何計算 AI 工具的 ROI？
ROI 是投資報酬率。對 AI Coding 而言，不應只看產生多少程式碼，而要看從需求到可驗收結果花了多久。可以記錄：完成一個功能的總時間、人工修改比例、測試失敗次數、回滾次數，以及之後的維護工時。
若某個團隊 token 用量很高，但事故與返工也增加，代表模型沒有帶來有效效率。相反地，某個高成本任務若縮短重大事故修復時間，可能值得保留較高預算。
企業可以採用的分級政策
第一級是低風險任務，例如格式整理與測試資料生成，可以使用較便宜模型。第二級是一般開發工作，需要保留程式碼審查與測試。第三級是生產環境、個資或安全設定，必須使用核准模型，並保留完整紀錄。
政策還要設定停止條件。當 Agent 連續幾次修改同一檔案、測試失敗或成本超過門檻時，自動停止並交給人員判斷。這比單純限制每人每月 token 更能避免真正的浪費。
圖片來源：官方頁面。
工程團隊可直接採用的預算政策
對個人開發者的實用做法
先為常見任務建立短上下文模板，避免每次把整個專案重送。把重複工作改成腳本，把大模型留給需要推理的部分，並定期檢查哪些提示詞只增加輸出長度、沒有增加成果。AI 預算管理的核心不是少用，而是讓每次使用都能說明帶來了什麼。
實際建議：不要用 token 排行榜代替成果管理
把員工依 token 用量排名，容易把消耗多誤認成創新多。更好的方式是分享可驗證案例，例如某個工作流如何縮短測試時間、某個模型分級如何降低成本，或某個停止條件如何避免 Agent 無限迴圈。
個人負責選擇模型與檢查輸出，團隊負責建立測試與可重複流程，平台團隊負責權限、計費與資料政策。低風險任務可以保留彈性，高成本或高敏感任務則應說明目的並留存紀錄。
一個具體使用情境：把昂貴模型留給難題
團隊可以把工作分成三層。格式整理、測試資料與簡單搜尋使用小模型。一般程式修改先用中型模型並要求測試。涉及安全設定、資料庫遷移或重大事故，才使用高階模型並保留人工審查。
這不是單純節省費用，而是把模型能力和任務風險對齊。當成本、品質與失敗後果同時被記錄，管理者才有機會判斷哪一種 AI 使用方式值得擴大，而不是用一個月度上限粗略限制所有人。
Meta Engineering：AI 基礎設施官方影片
延伸閱讀：Claude Cookbook 教學：用官方範例建立可維護的 AI Agent
結論：企業要管理的是每次使用的價值
Token 上限可能會出現，但它不應該成為唯一管理手段。成熟的 AI 工程文化會同時追蹤成本、品質、速度與風險，讓團隊知道何時該用小模型、何時值得使用高階模型，以及何時必須停止 Agent。這比單純鼓勵多用或少用更接近可持續的工作方式。
常見問題
Meta 已經限制每位工程師的 token 嗎？
Mosseri 表示目前沒有，但認為未來可能需要。
token 越多，AI 結果一定越好嗎？
不一定。更長上下文或更多步驟可能提高成本，也可能增加錯誤累積。
