Vad hände
Stora kinesiska teknikföretag rullar tillbaka tidigare generösa AI-användningspolicyer genom att införa strikta tokenkvoter och ersättningsgränser. Enligt anonyma anställda som rapporterats av South China Morning Post kräver ByteDance nu egenbetalning för modeller med stängd källkod med begränsade återbetalningar, medan Alibaba, Baidu och Tencent har implementerat månatliga kreditgränser eller avdelningspooler för att kontrollera utgifterna för generativa AI-verktyg.
South China Morning Post rapporterar att kinesiska teknikjättar kraftigt minskar antalet AI-token för anställda för att tygla stigande kostnader. Tidigare sågs hög tokenkonsumtion som ett tecken på produktivitet, men företagen sätter nu strikta gränser.
På ByteDance måste anställda som använder modeller med stängd källkod sambetala ur egen ficka. Företaget ersätter ungefär hälften av externa verktygskostnader, vilket begränsar årliga utbetalningar till cirka 1 000 USD för teknisk personal och praktikanter och 300 USD för icke-tekniska anställda, enligt en anonym källa.
Alibaba Group tilldelar anställda mellan 3 000 och 6 000 månatliga krediter för sin interna kodningsplattform, QoderWork. Ersättningar för externa AI-verktyg är begränsade till 200 USD per månad och är föremål för säkerhetsregler. Baidu förser utvecklare med ett grundtillägg på 1 500 yuan (cirka 223 USD) per månad, med ytterligare 1 500 yuan påfyllning tillgänglig på begäran.
Tencent har gått från platta årliga tilldelningar till avdelningspooler som övervakas av linjechefer. Anställda som förbrukar sina månatliga resurser måste lämna in förfrågningar till arbetsledare för ytterligare åtkomst. Tencent sa att det syftar till att möta anställdas behov baserat på arbetsbelastning och efterfrågan samtidigt som man motverkar "tokenmaxxing" eller överdriven konsumtion för att öka användningsstatistiken.
Alibaba, Baidu och ByteDance svarade inte på förfrågningar om kommentarer. Rapporten noterar att Alibaba äger South China Morning Post. Dessa förändringar återspeglar de operativa utmaningarna med att integrera komplexa agentiska AI-arbetsflöden, där en enda kan förbruka betydande beräkningskapacitet.
Varför det spelar roll
Denna förändring markerar en övergång från experimentell AI-adoption till kostnadsmedveten operativ integration inom Kinas tekniska sektor. När agentiska arbetsflöden ökar beräkningsefterfrågan prioriterar företag budgethantering framför obegränsad åtkomst. Den här utvecklingen belyser de praktiska ekonomiska begränsningarna som AI-utbyggnaden står inför, där den stigande symboliska konsumtionen överträffar fallande kostnader per enhet, vilket tvingar organisationer att balansera produktivitetsvinster mot infrastrukturkostnader.
Flytten signalerar en mognad av AI-antagande i Kinas tekniska industri, och går från en fas av entusiastiska, obegränsade experimenterande till en fas av disciplinerad kostnadshantering. Företag inser att även om AI ökar produktiviteten, är de tillhörande infrastrukturkostnaderna betydande och kräver aktiv budgetering.
Denna utveckling är betydelsefull eftersom den visar de praktiska ekonomiska realiteterna med att skala AI. Eftersom Goldman Sachs projicerar ett 24-faldigt hopp i tokenkonsumtion mellan 2026 och 2030, kanske inte ens fallande priser per token kompenserar för den stora användningsvolymen, vilket kräver striktare interna kontroller.
Ransoneringen av tokens kan påverka utvecklarens beteende, potentiellt styra dem mot effektivare kodningsmetoder eller alternativa modeller som erbjuder bättre förhållande mellan kostnad och prestanda. Det belyser också spänningen mellan att uppmuntra AI-innovation och att upprätthålla finansiell hållbarhet för storskaliga teknikföretag.
Interaktiv mekanism: hur det faktiskt fungerar
Utforska den underliggande tekniken bakom denna utveckling 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?
Vad du ska titta på härnäst
Övervaka om dessa kostnadskontrollåtgärder minskar den övergripande AI-användningen bland utvecklare eller om de leder till ökat beroende av mer effektiva modeller med öppen källkod. Håll utkik efter liknande policyförändringar i andra regioner eftersom kostnader för AI-infrastruktur blir en viktig post för företagsbudgetar.
Observera om dessa kostnadsbesparande åtgärder leder till en mätbar minskning av AI-verktygsanvändning eller produktivitetsmått bland utvecklare på dessa företag. En minskning av användningen kan tyda på att kvoterna är för restriktiva, medan stabil användning kan tyda på att anställda anpassar sig till effektivare arbetsflöden.
Håll utkik efter liknande policymeddelanden från andra stora teknikföretag i Kina och globalt. Om denna trend sprider sig kan det tyda på en bredare branschförändring mot att behandla AI-beräkningar som ett hanterat verktyg snarare än en obegränsad resurs.
Övervaka utvecklingen och antagandet av mer kostnadseffektiva AI-modeller eller optimeringstekniker som gör det möjligt för utvecklare att uppnå liknande resultat med färre tokens, vilket potentiellt minskar behovet av en sådan strikt ransonering i framtiden.