今年上半年，Uber 只用了四個月，就把全年的 AI 工具預算用完。當時公司大力推動 Claude Code，工程師可以免費使用，內部還按照使用量排名，鼓勵大家多用，到了三月，約八成四的開發人員已經在用 AI 代理寫程式，每位工程師每月的工具費用落在 500 到 2,000 美元之間，帳單很快超出年初的規劃，公司只好替每個 AI 編程工具設下每人每月約 1,500 美元的上限，也讓員工可以透過儀表板查看自己的用量。
騰訊也走過類似的路。六月以前，部分部門每位員工每月有統一的 2,000 美元 Token 額度，甚至有員工曾被提醒用量太低；六月之後，額度改成依部門、職位與任務場景分配，不少人被調到人民幣一千多元到三、五千元之間，大模型核心部門的額度則沒有受到限制。
這兩家公司都沒有要求員工停用 AI，而是在鼓勵使用一段時間後，開始面對更實際的問題。
AI 已經進入工作流程，費用卻不像過去的訂閱制固定，而是按照 Token 消耗量計算，用得越多，增加得越快，每一次提問、每一份丟進去的文件、每一段生成的內容都會累加上去，個人試用時感覺不到，全公司同時使用時，就成了需要被管理的成本。對大多數企業來說，接下來要練的不是少用，而是用得更聰明，以下幾個做法都可以有效節省 Token 消耗：
第一個習慣是挑對模型。
很多同仁習慣把最強的模型當成預設，改一句話、整理會議紀錄、分析合約，全都交給同一個模型處理。其實簡單的改寫、分類與摘要，輕量模型通常就能完成，需要推理、判斷或長篇規劃的任務，再交給高階模型處理，就像公司不會請資深顧問處理每一張報帳單，任務和能力對上了，費用自然就降下來。
第二個習慣是給適當的上下文。
AI 讀進去的每一個字都會計費，把整份簡報或整串對話一次丟進去，看起來讓 AI 更了解狀況，實際上常讓它在無關資訊裡繞路，回答也不一定更好。比較好的做法是先想清楚這個任務需要哪幾段資料，只提供相關內容，對話拉得太長時，先請 AI 整理重點，再開新的對話接著做。Uber 後來也是從這些地方下手，在同樣的模型條件下，每千次請求的成本比高峰時降低近三成四，而且主要來自使用方式的優化，不是模型降價。
第三個習慣是控管輸出的結構。
輸出通常比輸入貴上兩到五倍，AI 又很容易在答案前後加上客套、重複說明或好幾個版本，因此下指令時可以直接說清楚格式與長度，例如只要一張三欄表格、只要五十字內的結論、只列出需要修改的段落，不必重新產出整份文件，同仁拿到的內容更好用，公司也少付一段沒有人會讀的文字。
企業導入 AI 的第一階段，是讓大家願意用；下一個階段，是讓每一次使用都花在值得的地方。 真正需要培養的，不是更高的使用量，而是挑選、取捨與收斂的判斷力。