微軟收緊員工 AI 預算：有人 28 天燒掉 2.8 萬美元，編程轉向 GPT-5.6 Sol

微軟近期在內部啟動一波針對生成式 AI 費用的嚴格控管，核心做法除了加強各部門的 Token 用量監控外，更計畫把內部基礎工作負載逐步轉移到代號為 GPT-5.6 Sol 的模型上。據了解，這項調整的目標非常明確，就是希望在不影響員工日常生產力的前提下，讓微軟投入在生成式 AI 上的每一分預算都能花在刀口上，避免資源被無謂消耗。這波管控措施的導火線，來自於一份在微軟內部流傳的數據表格。這份資料顯示，有部分員工為了追求個人在 AI 相關排名指標上的表現，在短時間內大量呼叫模型服務，導致 Token 費用急劇膨脹。其中最極端的案例，是有人在短短 28 天內就累積了將近 2.

8 萬美元的 Token 消耗，這個數字曝光之後，立刻在管理高層之間引發高度警覺，也成為這次內部整頓的直接契機。從內部揭露的資訊來看，這類過度調用模型的行為其實並非普遍現象，但不同部門之間的 AI 成本結構卻存在非常顯著的落差。有些單位因為業務性質使然，本來就需要較高的模型使用量，但有些部門則明顯出現不合理的使用模式。值得注意的是，在微軟內部各部門之中，CoreAI 部門的 AI 用量最為突出，堪稱整個公司最「燒錢」的單位，也因此成為這次成本控管措施上路後，外界持續關注的焦點對象。

據了解，這份內部數據表格之所以引起軒然大波，除了所呈現的昂貴帳單之外，更關鍵的是凸顯出 AI 工具在企業內部落地之後，實際使用行為與管理預期之間存在著巨大落差。員工為了在內部評比中取得更好的排名，可能不惜以大量呼叫模型的方式拉高各項指標，這種行為若不及時遏止，勢必會讓微軟的 AI 基礎設施成本持續失控，進而侵蝕整體利潤。為了從根本解決這個問題，微軟決定採取雙管齊下的策略。首先，在管理機制方面，微軟將全面強化 Token 用量的可視性，建立更即時的監控系統，讓各部門主管可以更清楚地掌握團隊成員的模型呼叫狀況。

透過數據透明化，管理階層能更快辨識出異常使用模式，及早介入處理，而不是等到每個月的帳單出來之後才發現預算已經超支。另一方面，微軟也同步展開模型替換計畫。內部開發與日常工作流程的預設模型選項，將逐步從原先的版本轉向代號為 GPT-5.6 Sol 的新型模型。這個模型被認為具備更低的成本結構，能在提供相近生成能力的同時，顯著降低每一次 API 呼叫所產生的費用。對微軟而言，這是一次從技術面直接壓低成本的務實作法，不需要大幅限制員工使用 AI 的權限，就能達到節流效果。這項模型替換計畫的背後，其實也反映了企業導入生成式 AI 時所面臨的典型困境。

大型語言模型的運算成本高昂，若完全放任員工自由使用，很快就會讓 IT 預算失控；但如果過度設限，又會扼殺生產力提升的機會。微軟這次選擇以模型替換搭配用量監控的方式，試圖在兩者之間取得平衡，既保留員工使用 AI 工具的彈性，又能夠合理控制成本支出。值得留意的是，GPT-5.6 Sol 作為內部預設模型的定位，與微軟對外提供的 AI 服務並不衝突。這款代號主要鎖定的是微軟內部的工程開發、文件撰寫、程式輔助等日常任務，目的在於以更經濟的方式處理大量重複性的生成需求。相較於追求極致效能的旗艦模型，GPT-5.6 Sol 更重視成本效益，這也讓它成為內部工作負載轉移的理想選擇。

事實上，微軟對於 AI 成本的關注並非最近才出現。隨著生成式 AI 應用日益普及，各大科技公司都開始意識到，模型訓練與推論的基礎設施支出，將成為決定未來競爭力的關鍵因素之一。如何在維持技術領先的同時，避免陷入無止境的成本黑洞，成為每家企業都必須面對的嚴肅課題，而微軟此次的內部調整，正是這個大趨勢下的具體表現。從員工角度來看，這波管控措施勢必會改變過去一段時間以來相對寬鬆的 AI 使用環境。未來，員工在呼叫模型時，可能需要更謹慎地評估每一次請求的必要性，而不是隨手就將任務丟給 AI 處理。對於習慣將 AI 作為日常開發輔助工具的工程師而言，這也意味著必須重新思考如何在效率與成本之間取得最佳平衡。

不過，微軟內部對於這項政策並非完全沒有雜音。有聲音認為，過度強調成本控管，可能會打擊員工嘗試新技術的意願，甚至影響內部創新氛圍。但也有另一方看法認為，放任無限制的 Token 消耗，只會讓資源集中在少數過度使用的案例上，反而對大多數認真使用 AI 工具的人不公平。這樣的路線之爭，未來恐怕還會持續發酵。整體而言，微軟這次針對生成式 AI 預算所展開的全面管控，不僅是一次單純的內部財務調整，更可視為大型科技企業在 AI 時代摸索治理模式的重要案例。透過強化監控、提升用量透明化，以及將工作負載轉移至更具成本效益的模型，微軟試圖建立一套可長可久的 AI 使用框架。

後續成效如何，也將牽動其他科技巨頭在類似成本控管議題上的決策方向。短期內，外界預期微軟內部的 AI 使用量可能會因為這波管控而出現明顯下滑，尤其是那些過去被大量用於非必要目的的模型呼叫，將率先受到抑制。但長期來看，如果 GPT-5.6 Sol 確實能在維持輸出品質的前提下滿足內部需求，那麼微軟在 AI 基礎設施上的成本壓力，將有機會獲得實質性的緩解。而這套「監控加替換」的做法，未來也不排除被進一步推廣到更多面向，甚至影響微軟對外公版服務的定價與策略布局。