老板喊All in AI，员工配给Token：中国大厂AI落地的系统性悖论与出路
老板喊All in AI，员工配给Token：中国大厂AI落地的系统性悖论与出路
2026年9月某个周三下午，一名腾讯的产品经理正在赶一份竞品分析报告。他打开Claude，准备用AI加速整理思路——然后收到了内部系统的一条提示：「您本月的AI工具使用配额已用去85%，建议减少非必要查询。」
同一天，他的老板在内部All Hands上宣布：「AI是腾讯未来三年最重要的战略方向，所有产品线必须深度融合AI能力，没有例外。」
这不是段子。根据《金融时报》2026年9月15日的独家报道，百度、阿里巴巴、腾讯、字节跳动的员工反映，各家公司正在收紧内部AI工具的使用配额——部分员工被要求对使用Claude、ChatGPT等美国AI模型的费用进行「co-pay」（员工自付部分），另一些人则面临每月token用量上限，超出后需要申请特别审批。
这个故事的荒诞之处，不在于某一家公司的政策失调，而在于它几乎同时发生在中国四大科技巨头身上。这让一个问题变得不得不问：中国大厂的AI战略，是否存在一个系统性的执行悖论？
数字的反差
在理解这个悖论之前，先看一组数字的对比。
中国国家统计局（NBS）今年8月发布的数据显示，2026年前7个月，中国互联网企业在AI设备上的支出同比激增81.8%——这是一个令全球市场侧目的数字，意味着中国科技企业在算力基础设施上以近乎失控的速度烧钱。百度在2026年Q2的AI基础设施支出同比增长超过60%，阿里巴巴在云和AI的资本支出创历史新高，腾讯则宣称AI是其「有史以来最重要的战略赌注」，字节跳动的数据中心投入更是以每季度数十亿美元的规模持续扩张。
与此同时，美国研究机构Rhodium Group在9月17日发布的最新分析显示，中国所有主要AI模型加总的年化营收，仅约为OpenAI和Anthropic的10%。这不是能力的问题——中国的模型在技术评测上已经非常接近前沿——而是商业化的问题：中国AI用起来了，但没有赚到钱。
更耐人寻味的是Mozilla Foundation在同日发布的《开源AI现状报告v1.1》：开源AI模型（主要来自中国，包括阿里的Qwen系列、字节跳动的Doubao基础模型、腾讯的Hunyuan以及Meta的Llama）处理了OpenRouter平台上大多数开发者的token流量，却只获得约4%的模型层收入。这意味着中国AI在developer生态中已经举足轻重，但生态流量并没有转化为商业价值。
这三个数字拼在一起，描绘出一个令人困惑的图景：中国在AI硬件上花了最多的钱，在AI使用上产生了最多的流量（主要通过开源模型），却在AI商业价值上离美国最远。
而在这个宏观图景之内，是百度、阿里、腾讯、字节跳动员工手中那份「token配给令」。这两个层面的矛盾——宏观上的AI投入热情与微观上的AI使用限制——形成了一个中国特色的AI落地困局，值得深入剖析。
四种不同的配给
FT的报道细节值得仔细梳理，因为四家公司的配给方式并不相同，折射出各自不同的内部逻辑。
百度的情况最为复杂，也最值得关注。作为中国AI商业化最激进的公司之一（文心一言大模型、百度智能云），百度内部同时运营自研AI工具和外部API调用。据员工反映，对Claude等美国工具的使用限制最近明显收紧，被解释为「数据安全政策调整」——即，不允许将公司业务数据发送至境外AI服务。但与此同时，内部文心一言的使用配额也有上限，部分团队在月末会遇到「额度告急」的情况。更有员工反映，某些内部AI辅助工具已经被限制在特定工作流中，不允许在非结构化任务中调用，这与百度对外宣传的「全面AI化」叙事形成了鲜明反差。
阿里巴巴的政策聚焦在成本控制。多名员工反映，2026年Q2开始，阿里对API调用费用的内部核算方式发生了变化——从之前的「集团统一承担」改为「BU自行承担，纳入运营成本」，这直接导致各事业部的技术负责人开始主动限制团队的AI调用量，把它当作一项可见的成本项管控。阿里云的内部用户（即阿里自己的业务团队）被要求为AI API调用提供业务价值论证，才能申请更高的使用配额。这一模式在实际执行中产生了大量的行政摩擦——团队花在申请和报告AI使用价值上的时间，有时超过了实际使用AI节省的时间。
腾讯的模式更接近「KPI配给」——不是直接限制用量，而是在内部工具使用报表中，开始追踪每位员工的AI工具使用频率和结果质量，形成了隐性的压力。据悉，某些部门的季度OKR中已加入「AI有效使用率」这一指标，但对「有效」的定义因业务不同而差异极大，员工并不总是清楚如何证明自己的AI使用「有价值」。腾讯有几个产品线（如企业微信、腾讯会议的AI功能）是AI深度集成的成功案例，但这些成功案例主要集中在产品功能层面，对一线员工的AI工具使用提升并不大。
字节跳动的案例是所有报道中最直接的：部分员工被要求在使用Claude或GPT时进行「co-pay」——即个人承担一部分使用费，公司补贴另一部分。这是四家公司中唯一将成本直接转嫁给员工的做法，在硅谷科技公司中极为罕见（通常AI工具被视为生产力投资而非个人消费）。字节内部流传着一个说法：如果你的工作职责不在「AI核心赛道」，你的AI工具使用配额就是有限的——你需要自证「我的工作需要大量AI辅助」，才能获得公司全额报销的待遇。
四种不同的配给模式，背后有三个共同的驱动因素，它们共同揭示了中国企业AI采用的深层逻辑。
为什么要配给？三个真正的原因
原因一：ROI框架缺失，无法证明价值
这是最核心的原因，但也是最少被公开承认的。
当微软把Copilot整合进Office 365，企业可以清楚地量化：「使用Copilot草稿邮件的员工平均节省X分钟/天，乘以人力成本，年化ROI是Y%。」这个计算方式虽然有其局限性，但它提供了一个管理框架，让CFO能够在预算会议上为AI支出辩护。微软内部有大量数据支持这个论点——Satya Nadella经常在财报会上引用具体的「Copilot使用率提升生产力X%」的数字。
中国大厂目前普遍缺乏这种框架，原因不是中国企业管理能力差，而是：中国主流工作场景中AI的深度整合路径，与美国不同。
美国的AI生产力工具渗透是「由上至下」的：先有大平台集成（微软Copilot、Google Workspace AI、Salesforce AgentForce），再有员工自然使用。每次调用都留下有追踪意义的数据，管理层可以基于平台数据量化ROI。Microsoft 365 Copilot的使用报表，可以精确到每个用户每周节省了多少时间在哪些任务上。
中国大厂的AI整合更多是「由员工自发」的：员工自己找到Claude或GPT，自己摸索出工作流，没有平台级的使用数据追踪。这导致管理层根本无法量化「员工用AI节省了多少时间/提升了多少质量」——没有数据支撑，自然无法为开放式AI支出做辩护。更深层的问题是：即使员工能感知AI带来的效率提升，如何把这种提升转化为可被组织认可的绩效改善，在中国企业的KPI体系里往往没有答案。
配给制，某种意义上是对「无法证明ROI」的管理学应对：先限量，等能量化了再放开。但这是一个充满风险的策略，因为「限制使用→减少数据积累→更难证明ROI→继续限制」这个循环可能形成自我强化的陷阱。
原因二：数据主权的隐形压力
使用Claude或ChatGPT意味着将工作数据发送至美国服务器。对于处理用户数据、业务数据的大厂员工而言，这在法规上和政治上都变得越来越敏感。
2025年以来，中国的数据安全监管框架不断收紧。《数据安全法》将数据分为核心数据、重要数据、一般数据三类，不同类型数据对境外传输有不同的限制；《个人信息保护法》对用户个人信息的跨境传输设定了明确的合规要求；《网络数据安全管理条例》在2025年1月实施后，进一步细化了关键信息基础设施运营者使用境外AI服务的要求。
这些法规的实际影响不是「禁止使用Claude」，而是「使用Claude前需要做合规评估」。对于百度、腾讯、阿里这类掌握大量用户数据的公司，这个合规评估成本是真实且非零的。当使用境外AI工具的合规摩擦足够高，员工（特别是非技术岗位员工）就会在「用Claude省两小时」和「做一堆合规文档」之间做出理性选择：不用境外AI。
更微妙的是「政治正确性」问题。在当前的中美科技竞争背景下，在中国大型科技企业内部，大规模使用美国AI工具——特别是如果这些使用涉及对中国竞争对手的分析或业务数据处理——会引发内部审查的风险，即使法规上并未明确禁止。配给制，提供了一种「默认限制、按需批准」的制度性缓冲，让管理层在政治正确性上保持安全边际。
原因三：AI战略的「表演性」成分
这是最不被讨论但可能最真实的一层。
在2025-2026年的中国科技行业，「AI战略」承担了大量「信号发送」功能：向投资者展示转型决心、向人才市场展示技术先进性、向政府展示符合政策导向、向监管机构证明自身的「AI就绪」状态。这些功能都不需要员工在日常工作中大规模使用AI——它们需要的是具备说服力的宣传材料、精心设计的产品发布和会议演讲，以及能够在财报PPT中展示的「AI应用场景案例」。
当AI战略的「表演价值」被充分实现之后，其「使用成本」开始被精算。于是出现了这样的悖论：高管在公开场合的AI热情是真诚的，但他们授权财务团队进行的AI支出核算也是真实的，这两者在员工那里产生了认知冲突。
「我老板说All in AI，但我的token配额只有100次/月」——这句话在某个意义上是完全自洽的：All in AI是战略方向，而100次/月是今天的预算现实。但它给员工传递的信号，是一种令人沮丧的认知失调。更重要的是，当员工观察到「配额被限制」这个事实，他们会做出合理的推断：「公司的All in AI承诺，在执行层面不是真的。」这种认知一旦形成，AI工具的企业内部自发传播就大打折扣——员工不会热情地向同事分享AI工具用法，因为他们知道「配额本来就不多，传播意味着配额被更多人消耗」。
与美国的对比：方向相反的起跑线
美国科技企业的AI推广路径，走的是几乎完全相反的方向。
以微软为例：2023年以后，微软开始在全球员工中推行「每人必须完成Copilot认证」，并将AI工具整合为默认工作流。2026年的内部报告显示，微软员工平均每天使用Copilot超过2小时，内部AI辅助代码占比已超过60%。这不是员工自发选择——这是公司主动推动的「从上至下的AI习惯化」，配合了系统级的集成（Copilot内嵌于所有Microsoft 365工具中，无需额外步骤即可调用）和使用数据的实时追踪。
Salesforce更激进：2025年开始，Salesforce的销售和客服人员如果不使用AgentForce，会在季度绩效评估中面临「工具采用分」扣分。AI不再是可选项，是KPI的组成部分。Salesforce的逻辑是：如果公司相信AI能提升生产力，那么强制使用的合理性就如同强制使用CRM系统一样——你不能说「我习惯手写笔记，不想用Salesforce」，因为数据的系统化是集体效益的前提。
Google则走内部竞争路线：Google内部工具「Gemini Enterprise」的使用数据直接进入团队生产力报告，部门主管可以看到自己团队的AI利用率，形成了自我强化的使用动机。在Google内部，「你的团队AI利用率是多少」已经成为部门间非正式竞争的指标之一。
这三种模式有一个共同点：AI工具使用是被强制推动的，成本由公司承担，结果由公司追踪，使用本身被定义为ROI的必要前提而非可选的产出。 员工不需要评估ROI，因为公司已经把使用本身定义为ROI的一部分。
中国大厂的配给模式，是在「已经有高层背书的战略方向」下，没有完成这个「强制推动」的关键步骤——它把AI工具定义为「员工可选择的效率提升手段」，但又在成本和合规层面施加了隐形约束，产生了一个「推一脚、拉一把」的矛盾结构。员工感受到的是：我可以用AI，但这不是被推着用，而且用多了会被提醒，合规上还有点麻烦。在这种氛围下，AI工具的使用率自然无法突破「尝鲜者」的圈子，进入「习惯性使用」的阶段。
深层洞察：配给制不是失败信号，是成熟信号
这里有一个反直觉的解读，值得放在显眼的位置来讨论——因为它颠覆了通常对「AI推广受阻」的悲观叙事：
中国大厂AI配给制，可能是AI战略从「政治承诺」走向「经济核算」的成熟信号，而不是走向衰败的信号。
对比的参照系是企业历史上所有重要技术的采用曲线。ERP系统（SAP、Oracle）的企业内部采用，在早期也经历了「高层力推、基层抵制、使用率低、ROI难以量化」的阶段，然后随着使用数据的积累和ROI框架的建立，逐渐成为企业运营的不可或缺的基础设施。CRM系统（Salesforce的早期）、协作工具（Slack在企业的早期渗透）都经历了类似的路径。
AI工具的企业采用，正在经历同样的阶段转换：从「战略宣示阶段」（2022-2024年：不能不做，否则掉队）转向「执行落地阶段」（2025-2026年：必须证明价值，不然不给预算）。这个转换，对每一个企业而言都是必经之路——无论是美国企业还是中国企业，区别只在于经历这个转换的方式和节奏。
中国大厂选择了「先约束、后证明」的路径——这在成本管控严格的环境下是可以理解的。美国企业选择了「先推广、后量化」——这在融资环境宽松和AI工具平台集成度高的环境下是自然的选择。两者都不是「正确」路径，只是不同条件下的不同选择。
这个洞察的意义在于：当你下次看到中国大厂AI使用率数据不如预期，不要自动把它解读为「中国AI落地失败」——更准确的解读是「中国企业AI采用正在经历从战略层到执行层的必要过渡」。这个过渡的痛苦期，是正常的，但其解决方案的清晰度和执行速度，将决定中国企业AI竞争力的中长期走势。
对中国AI竞争力的影响
这个内部管理细节，为什么值得在行业层面讨论？
因为AI企业级采用率，是衡量一个国家AI竞争力的核心指标之一——不只是模型能力，不只是算力规模，而是AI工具被多少企业员工在多少工作场景中深度使用。深度使用产生数据、数据反哺模型优化、模型优化提升使用价值、使用价值驱动更广泛采用——这是一个正向飞轮。
中国大厂配给制，在三个层面影响了这个飞轮的转速：
第一层：使用数据的积累速度下降。 每一次被配给限制而没有发生的AI交互，就是一个没有被积累的使用反馈数据点。这对中国AI模型的迭代优化有实质性影响，因为中国企业级AI模型的RLHF（人类反馈强化学习）数据，主要来自企业内部使用。配给减少了这个数据来源。
第二层：AI原生工作文化的形成被延迟。 AI原生工作文化不是靠一次All Hands演讲建立的，而是靠无数次「员工在真实工作场景中发现AI有用、开始习惯性使用AI、把AI纳入日常工作流」的微观事件积累而成。每一次配给阻断了这些微观事件，整体文化建设就被推后。
第三层：AI商业化路径的收窄。 中国AI的商业化（即如何把AI能力变成收入）目前主要通过两种路径：To C（如文心一言的付费版本）和To B（企业AI服务）。其中To B的核心在于企业内部采用率——如果中国大厂自己的员工都不用（或用得少），如何说服外部企业客户「在你们的企业里深度使用AI」？配给制削弱了中国大厂作为AI企业级使用「示范者」的可信度。
这不是说中国AI没有希望。DeepSeek的开源模型在全球developer社区的影响力（根据Mozilla报告，处理了主要份额的开发者token流量）证明了中国AI的技术潜力。阿里巴巴、百度在特定技术垂直领域（视频生成、多模态）已经达到全球竞争水平。中国AI的问题从来不主要是技术，而是商业化——如何把技术变成企业级使用习惯，再变成可持续的商业价值。
而配给制，恰好阻断了这个转化链条上最重要的一个环节。
国际视角：这在其他新兴市场也发生了吗
值得一问的是：类似的「AI配给制」是否只是中国现象，还是更普遍的新兴市场企业AI采用规律？
答案是：类似现象在印度、东南亚和拉丁美洲的大型企业中也有出现，但驱动因素有所不同。印度大型IT服务企业（如Infosys、Wipro）在员工AI工具使用上同样设置了配额，主要驱动因素是客户数据合规（代客开发项目不能将代码发至境外AI服务），而非成本。东南亚的企业AI采用面临的更多是连接性和语言问题（AI工具的本地语言支持有限），而非主动的配给政策。
这说明中国大厂的配给制有其独特性：它发生在一个同时具备「技术能力强」（有自研模型和完整AI工具链）、「合规压力大」（数据安全法规严格）、「ROI证明压力大」（经济下行背景下的成本管控）的市场中，这三个因素的叠加，才产生了如此系统性的配给现象。
相比之下，美国的企业AI采用之所以走向了相反方向（强制推广而非限量配给），是因为它在以下条件上与中国完全相反：监管框架相对宽松（AI工具使用没有数据主权焦虑）、企业文化倾向于先试先行再优化（「fail fast」文化）、而且AI工具提供商（微软、谷歌、Salesforce）本身就是企业的核心服务提供商，他们有强烈动机把AI深度整合进现有产品而不是让其成为额外的摩擦点。
配给制的终点
最后这个问题，没有简单的答案，但有几个具体的指标值得追踪：
ROI量化框架的建立速度：当中国大厂的AI团队完善了内部ROI量化框架，建立了更清晰的AI使用授权机制，配给制会自然松动。百度、阿里已经在内部开始试行「AI贡献度记分卡」，腾讯也在探索「AI产出有效性指标」的定义——这些努力，是配给制松动的前兆。如果这些框架在2026年底前能够提供有说服力的ROI数据，2027年的AI工具配给政策可能会出现实质性放松。
监管框架的清晰化：随着中国数据安全法规体系的进一步细化，关于「什么样的工作任务可以使用境外AI服务」的规则会逐渐明确，合规摩擦会有所降低。这会减少「数据主权焦虑」对AI使用的抑制作用。
国内AI工具的竞争力提升：如果文心一言、通义千问等国内模型在性能上足以替代Claude和GPT，配给制中「co-pay境外AI」的部分会自然消失——员工不需要为国内工具的使用「co-pay」，因为它是公司默认提供的。2026年以来，国内主要模型的技术能力已经显著提升，这个替代过程正在发生。
竞争压力的传导：最终，当员工的AI工具使用率直接影响公司的市场竞争力（比如AI辅助研发速度影响产品发布周期），管理层会在「控制成本」和「保持竞争力」之间重新权衡。这一天可能比预期更早到来——因为竞争压力是所有约束中最不可妥协的。
不管哪种机制最终发挥作用，有一件事是确定的：中国大厂AI战略的执行层面，正在经历一个必须面对的系统性矛盾——战略热情与执行冷静之间的落差，终将需要一个解决方案。
而那个解决方案，不会来自另一次All Hands演讲。它只能来自企业内部建立起「AI使用产生可见价值」的量化闭环，并在这个闭环中让每一名员工感受到：使用AI，是我和公司的共同利益所在，而不是公司的战略命令和我的个人成本之间的角力。
在那个闭环建立之前，配给令还在发放，token还在被精算，老板的All in AI喊声和员工的配额提醒，还会同时存在于同一栋大楼里。
参考资料：
- Financial Times（金融时报）: “Forget AI KPIs: how China’s tech giants are rationing tokens for employees” (2026-09-15) https://www.msn.com/en-xl/money/general/forget-ai-kpis-how-china-s-tech-giants-are-rationing-tokens-for-employees/ar-AA2cfgob
- Invezz / Rhodium Group: “Chinese AI models soar in value but make just 10% of OpenAI and Anthropic’s revenue” (2026-09-17) https://invezz.com/news/2026/09/17/chinese-ai-models-soar-in-value-but-make-just-10-of-openai-and-anthropics-revenue/
- Financial Times / NBS: “China bought it: NBS confirms 81.8% AI equipment surge as broader investment falls” (2026-08-17) https://www.msn.com/en-us/money/news/china-bought-it-nbs-confirms-81-8-ai-equipment-surge-as-broader-investment-falls/ar-AA2ajwh3
- Mozilla Foundation: “State of Open Source AI v1.1: Chinese open-weight AI handles most developer tokens” (2026-09-17) https://www.msn.com/en-us/technology/artificial-intelligence/chinese-open-weight-ai-handles-most-developer-tokens-closed-models-capture-96-of-revenue/ar-AA2crun5