Hva skjedde
Store kinesiske teknologiselskaper ruller tilbake tidligere generøse AI-brukspolitikk ved å innføre strenge token-kvoter og refusjonsgrenser. I følge anonyme ansatte rapportert av South China Morning Post, krever ByteDance nå egenbetaling for lukkede kildemodeller med begrensede refusjoner, mens Alibaba, Baidu og Tencent har implementert månedlige kredittgrenser eller avdelingspooler for å kontrollere utgifter til -verktøy.
South China Morning Post rapporterer at kinesiske teknologigiganter reduserer AI-token-godtgjørelser kraftig for ansatte for å tøyle økende kostnader. Tidligere ble høyt tokenforbruk sett på som et tegn på produktivitet, men bedrifter setter nå strenge grenser.
Hos ByteDance må ansatte som bruker lukket kildekode-modeller co-pay av egen lomme. Selskapet refunderer omtrent halvparten av eksterne verktøykostnader, og begrenser årlige utbetalinger til omtrent USD 1000 for teknisk personell og praktikanter, og USD 300 for ikke-tekniske ansatte, ifølge en anonym kilde.
Alibaba Group tildeler ansatte mellom 3000 og 6000 månedlige kreditter for sin interne kodeplattform, QoderWork. Refusjoner for eksterne AI-verktøy er begrenset til USD 200 per måned og underlagt sikkerhetsregler. Baidu gir utviklere et grunntillegg på 1500 yuan (ca. 223 USD) per måned, med ytterligere 1500 yuan påfyll tilgjengelig på forespørsel.
Tencent har skiftet fra flate årlige tildelinger til avdelingspooler overvåket av linjeledere. Ansatte som bruker opp sine månedlige ressurser, må sende inn forespørsler til overordnede om ytterligere tilgang. Tencent uttalte at det tar sikte på å møte ansattes behov basert på arbeidsmengde og etterspørsel, samtidig som det fraråder «tokenmaxxing» eller overdreven forbruk for å øke bruksmålene.
Alibaba, Baidu og ByteDance svarte ikke på forespørsler om kommentarer. Rapporten bemerker at Alibaba eier South China Morning Post. Disse endringene gjenspeiler de operasjonelle utfordringene ved å integrere komplekse agentiske AI-arbeidsflyter, der en enkelt melding kan forbruke betydelig beregningskapasitet.
Hvorfor det betyr noe
Dette skiftet markerer en overgang fra eksperimentell AI-adopsjon til kostnadsbevisst operativ integrasjon i Kinas teknologisektor. Ettersom agentiske arbeidsflyter øker etterspørselen etter beregninger, prioriterer bedrifter budsjettstyring fremfor ubegrenset tilgang. Denne utviklingen fremhever de praktiske økonomiske begrensningene som AI-distribusjon står overfor, der økende symbolforbruk overgår fallende kostnader per enhet, og tvinger organisasjoner til å balansere produktivitetsgevinster mot infrastrukturutgifter.
Flyttingen signaliserer en modning av AI-adopsjon i Kinas teknologiindustri, og skifter fra en fase med entusiastisk, ubegrenset eksperimentering til en med disiplinert kostnadsstyring. Bedrifter erkjenner at mens AI øker produktiviteten, er de tilhørende infrastrukturkostnadene betydelige og krever aktiv budsjettering.
Denne utviklingen er betydelig fordi den demonstrerer de praktiske økonomiske realitetene ved å skalere AI. Ettersom Goldman Sachs anslår et 24-dobbelt hopp i tokenforbruk mellom 2026 og 2030, kan det hende at selv fallende priser per token ikke oppveier det store bruksvolumet, noe som krever strengere internkontroll.
Rasjoneringen av tokens kan påvirke utviklerens atferd, og potensielt styre dem mot mer effektiv kodingspraksis eller alternative modeller som tilbyr bedre forhold mellom kostnad og ytelse. Det fremhever også spenningen mellom å oppmuntre til AI-innovasjon og å opprettholde økonomisk bærekraft for store teknologibedrifter.
Interaktiv mekanisme: Hvordan det faktisk fungerer
Utforsk den underliggende teknologien bak denne utviklingen interaktivt.
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
Hva du skal se neste
Overvåk om disse kostnadskontrolltiltakene reduserer den totale AI-adopsjonsraten blant utviklere eller om de fører til økt avhengighet av mer effektive, åpen kildekode-modeller. Se etter lignende endringer i retningslinjene i andre regioner ettersom AI-infrastrukturkostnader blir en betydelig linjepost for bedriftsbudsjetter.
Se om disse kostnadsbesparende tiltakene fører til en målbar reduksjon i bruken av AI-verktøy eller produktivitetsmålinger blant utviklere hos disse selskapene. Et fall i bruken kan tyde på at kvotene er for restriktive, mens stabil bruk kan tyde på at ansatte tilpasser seg mer effektive arbeidsflyter.
Se etter lignende politiske kunngjøringer fra andre store teknologiselskaper i Kina og globalt. Hvis denne trenden sprer seg, kan det tyde på et bredere bransjeskifte mot å behandle AI-databehandling som et administrert verktøy i stedet for en ubegrenset ressurs.
Overvåk utviklingen og bruken av mer kostnadseffektive AI-modeller eller optimaliseringsteknikker som lar utviklere oppnå lignende resultater med færre tokens, noe som potensielt reduserer behovet for så streng rasjonering i fremtiden.