亚马逊一项原本用于给自家网站补充作者信息的 AI 项目，最终花掉了 180 万美元，而且没有上线。
据亚马逊员工透露，公司近期曾计划使用 Claude Sonnet，为网站填充更详细的作者信息。这个看起来并不复杂的任务，实际支出达到 180 万美元，超出预算 860%，并且在 5 个月后才被发现，最终也没有部署成功。
按照 Claude Sonnet 的公开定价计算，其价格约为每百万输入 token 3 美元、每百万输出 token 15 美元。以 180 万美元估算，最多可能消耗了 6000 亿 token。原文称，仅从数据量看，这一规模相当于 GPT-3 整个训练语料的两倍。
类似情况在亚马逊内部并非第一次出现。员工称，这类与 AI 相关的 bug 已经发生过很多次，而且往往会在相当长一段时间后才被察觉。传统系统中看似不起眼的问题，一旦改由 AI 执行，成本可能迅速放大，而公司内部又很难准确弄清 AI 项目究竟花了多少钱。
亚马逊仍在继续加码自动化和 AI
这类超支事故并没有让亚马逊放慢自动化投入。
亚马逊 CEO Andy Jassy 表示，公司预计 2026 年资本开支约为 2200 亿美元，其中绝大部分将投向 AWS（Amazon Web Services）、自研 AI 芯片和电力基础设施。这一数字较 2025 年增长近六成，并被描述为全球超大市值公司中最高的单年度资本开支。
财务数据也给了这轮投入支撑。亚马逊公布的截至 2026 年 6 月 30 日第二季度财报显示，AWS 当季净销售额为 422 亿美元，同比增长 37%。在亚马逊 275 亿美元总营业利润中，AWS 贡献了约 60%，而其收入仅占公司总收入的 21%。
与此同时，亚马逊自 2025 年 10 月以来已经进行了两轮大规模裁员，累计削减约 3 万个岗位。
更早之前，Andy Jassy 曾在发给全体员工的备忘录中写道：“我们如今有 1000 多种生成式 AI 服务，但从我们的规模来看，这还只是小小冰山一角。在未来，会有数十亿个 Agent 在亚马逊运转。”
自动化目标已延伸到仓储和物流
亚马逊的自动化计划不只停留在办公室软件和内部流程。
据报道，亚马逊机器人部门的目标是在 2033 年前后实现约 75% 的仓储运营自动化。原文称，这意味着到 2027 年，亚马逊将在美国少雇约 16 万人；到 2033 年，少雇人数将超过 60 万人。
针对这一方向，2024 年诺贝尔经济学奖得主、麻省理工学院教授 Daron Acemoglu 发出警告：“如果亚马逊的自动化之梦落地，那么美国最大的雇主将从净岗位创造者变成‘净岗位毁灭者’。”
Token 用量失控并不只发生在亚马逊
亚马逊的成本问题并不是孤例。原文提到，今年初开始，数家大型科技公司都出现过 token 用量失控的情况。
在这类公司内部，管理层往往先提出要“尽可能多”使用 AI、以“尽可能小”的团队创造“尽可能深厚”的价值。随后，一些员工开始自发搭建 AI 用量排行榜，把 token 消耗做成竞赛指标。等到管理层意识到账单规模后，又通过紧急声明叫停类似做法。
文中提到，经济学家查尔斯·古德哈特在 1975 年提出古德哈特定律：当一个衡量指标变成目标，它就不再是一个好的指标。
亚马逊内部曾有一个名为 “KiroRank” 的非正式排行榜，部分员工会有意识地推高个人数据。后来，KiroRank 被关闭，取而代之的是一个名为 “normalized deployments” 的指标，用于衡量员工的 AI 产出。
今年 4 月，一名 Meta 员工搭建了名为 Claudeonomics 的排行榜，聚合超过 8.5 万名员工的 AI 用量数据，并列出 token 消耗最高的前 250 人。原文称，Meta 员工在 30 天内消耗的 token 总量达到 73.7 万亿。
按文中所称 “A 社公开定价” 折算，这一数字对应的账单约为每月 2.21 亿美元。
到了 6 月，Meta 向约 6000 名员工发出正式备忘录，宣布对 token 用量设限，并搭建名为 “AI Gateway” 的中央平台，实时监控各团队的 AI 用量与支出，同时设置预算和上限。
类似问题也出现在 Uber。原文称，Uber 在 2026 年前四个月就用完了全年 AI 编程预算，随后把每名员工、每个工具的支出上限设为每月 1500 美元。其 COO 表示，token 支出与可衡量产出之间的联系仍未建立起来。
模型提供方同样开始面对成本压力
AI 成本问题也开始直接传导到模型提供方。
6 月 3 日，Sam Altman 表示，AI 的成本问题在今年年初还几乎没有人关注，但现在已经成了一个大问题。他还透露，OpenAI 内部用量最高的个人用户每月消耗约 1000 亿 token，甚至有员工曾在单周内消耗约 2100 亿 token。
原文援引一项调查称，只有 26% 的企业对自身 AI 成本具备全面可见性。换句话说，多数公司在开始节流之前，甚至并不清楚自己此前到底花了多少钱。
自动化放大效率，也会放大错误
文章最后提到一个更早的自动化事故案例。
2012 年 8 月 1 日，美国股票做市商 Knight Capital Group 为参与纽约证券交易所的散户流动性计划，对自动交易系统进行更新。部署过程中，工程师无意间激活了一段旧代码。此后，系统以极高频率自动执行一系列没有经济逻辑的交易指令，以高价买入、低价卖出，而且没有预设止损机制或金额上限。
从开盘到被人工关停，整个过程持续约 45 分钟。期间，系统在 154 只股票上执行超过 400 万笔交易，累计买入约 70 亿美元、公司原本无意持有的股票头寸。
当工程师定位问题并关闭系统后，Knight Capital 不得不低价抛售这些头寸。平仓完成后，亏损总额约为 4.4 亿美元，相当于公司全年利润的 3 倍。消息公布后两个交易日内，公司股价蒸发 75%。数月后，Knight Capital 被当时的竞争对手 GETCO 收购。
自动化通常意味着更快的速度、更低的价格和更少的人为失误，但系统一旦出错，损失也会以同样的速度和规模被放大。对亚马逊来说，这笔代价已经出现。