Meta 和 Microsoft 削减内部 Claude AI 使用量以支持自有工具

为什么这种转变很重要

Meta 和 Microsoft 正在刻意限制内部对 Anthropic 的 Claude AI 的使用，以抑制支出并推动工程师转向自有工具——此举标志着大型企业倾向于使用自有 AI 模型而非第三方模型的行业趋势。

内部削减的范围

  • Microsoft：大多数员工的月度 AI 支出上限已从大约 $100 k 下调至 $10 k。这些上限是最高限额，而非实际支出数字，但它们极大地降低了重度用户的预算灵活性。
  • Meta：据报道，Claude-Code 的用户在几个月内从 ~60 k 下降至 ~30 k。这种下降主要归因于向 Meta 自有工具的战略转移——MetaCode（拥有 30 k+ 内部用户）和 Muse Code（拥有 6 k+ 用户，8 月份开始外部测试）。
  • 支出依然高昂：尽管用户数量下降，Meta 在 28 天的时间窗口内仍为 Claude Code 支出了 超过 $105 million，这表明减少人数并不自动意味着成本降低。

财务动机

  • Microsoft 此前预计每年在 Anthropic 技术上的内部支出将 > $1 billion。政策变更后，内部支出估算已 下降了三分之一以上。
  • 支出上限旨在引导工程师转向 Microsoft 自有的解决方案，例如 GitHub Copilot 和 基于 OpenAI 的框架，这些方案对 Microsoft 而言运营成本更低。
  • 通过 Azure 使用 Claude 的面向客户的使用量依然强劲，据报道 仍在增长，这表明削减是内部成本控制措施，而非退出市场。

竞争动态

  • 两家公司仍然是 Anthropic 的大客户，但它们也是开发自己编码助手的直接竞争对手。
  • 内部限制符合 数据治理策略：限制对竞争对手模型的接触，降低了无意中将专有数据训练给竞争对手或导致数据泄露的风险。
  • 评论者指出，“大型实验室会阻止内部使用竞争对手的工具”，此举反映了对自身模型的 “狗粮自食”（dog-fooding），而非对 Claude 质量的评判。

安全考量

  • Claude Code 此前曾表现出可能导致 未经授权的命令执行和 API 密钥窃取 的漏洞；Anthropic 在公开披露之前修复了这些漏洞。
  • Microsoft 面临着类似的 RoguePilot 漏洞问题，恶意 GitHub Issue 内容可能会劫持存储库。
  • 政策的转变强调了无论底层模型如何，都需要 严格的权限控制、受信任的项目设置以及对 AI 生成的操作进行彻底审查。

社区反应

"如果你和我一样感到好奇——这与技能流失、质量无关，也与花费的钱关系不大。这更多是前沿 AI 公司在‘狗粮自食’他们自己的模型。" – @ashleyn

"我的公司收回了我的 Claude 使用权，因为它太贵了。我觉得清算即将来临。" – @MisterMunchkin

"每个大型实验室都会阻止内部使用竞争对手的工具；这是一种数据治理行为，而不是质量声明。" – @Benard-dev

"限制在 $10 k/员工/月，哈哈。这只是为了切断少数人利用低投资回报率做荒谬事情的途径。" – @bpodgursky

这些评论强化了主要驱动因素是 成本控制和竞争定位，而非 Claude 的技术劣势。

对 AI 生态系统的影响

  • 预算紧缩：其他大型企业很可能会采取类似的上限，推动市场转向 更便宜、开放权重的模型 或内部解决方案。
  • 收入影响：如果其最大的两个客户削减内部使用量，Anthropic 报告的 年化 $65 billion 的收入可能会出现明显的下滑。
  • 产品策略：MetaCode 和 Muse Code 等内部工具的成功可能会鼓励更多公司 投资于专有助手，从而可能使工具格局碎片化。
  • 开发者工作流：工程师将需要适应新的界面，并可能重新评估高 Token 消耗的工作流，倾向于选择在性能和成本之间取得平衡的模型。

下一步值得关注的内容

  • Anthropic 的回应：Anthropic 是否会调整定价、引入以企业为中心的计划，或加速功能发布以保留内部使用量。
  • Microsoft 的内部采用指标：关于实施上限后工程师迁移到 Copilot 或 OpenAI 模型速度的数据。
  • Meta 的外部推广：Muse Code 在外部合作伙伴中的采用率及其对 Meta 更广泛的 AI 产品组合的影响。
  • 监管审查：如果大型企业系统性地限制竞争对手 AI 的使用以保护其自身产品，可能会引发反垄断担忧。

Meta 和 Microsoft 减少内部 Claude 使用量是一个明确的信号，表明 成本、竞争优势和数据治理 现在对于企业工程团队而言，已经超过了前沿模型性能的吸引力。

Sources

相关