For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/zh/articles/microsoft-and-meta-cut-claude-use-claude-9c2db609.md.
Anthropic 的两家最大企业客户正在同时缩减其内部 Claude 使用量。
Anthropic 的两家最大企业客户正在同时缩减其内部 Claude 使用量。
据 The Information 报道，微软此前预计今年将在其内部使用 Anthropic 技术上花费至少 10 亿美元。在要求员工减少使用 Claude、更多依赖微软自有工具后，微软已将这一预测下调了超过三分之一。
据报道，在 Meta，使用 Claude Code 的员工人数已从 2026 年早些时候约 60,000 人降至约 30,000 人。
令人意外的是，用户数量下降并不必然意味着支出较低。The Information 报道称，Meta 在最近一个 28 天周期内，在 Claude Code 上的支出仍超过 1.05 亿美元。
这并不意味着 Claude 突然变差了。
事实恰恰相反。
Claude Code 已经足够有用，大型工程组织开始持续运行它。自主编码 Agent 开始读取代码仓库、运行测试、编辑文件、重试失败操作，并一次持续运行数小时后，Token 消耗便成为了一项实质性的预算支出。
这正在推动企业 AI 编程进入一个新阶段：能力依然重要，但单任务成本、数据控制、供应商策略，以及客户能否自行构建替代方案也同样重要。
微软的经历清楚地说明了，当 Agent 型编码工具在大型工程组织中规模化部署时会发生什么。
原文称，微软于 2025 年末开始向其 Experiences and Devices 组织中的数千名工程师提供 Claude Code 访问权限。无需太多内部推广，采用便迅速扩散。
此前围绕该项目的报道显示，部分情况下，Claude Code 的重度使用可使每位工程师每月的支出达到数百甚至数千美元。不同报道中的确切单用户数值有所差异，不应将其视为微软全公司的统一平均值，但整体成本压力已有充分记录。
到 2026 年年中，微软已经开始将许多工程师从 Claude Code 转向 GitHub Copilot 和微软自研模型。
微软 AI CEO Mustafa Suleyman 在接受 Bloomberg 采访时对公司的立场表达得异常直接，称 Anthropic“极其昂贵”，并表示微软希望减少，并最终消除其向 Anthropic 支付的成本。
最新报道更进一步。
The Information 称，微软原本预计每年将在内部 Anthropic 使用上花费至少 10 亿美元，但现已将该预测下调超过三分之一。
The Decoder 对同一报道的总结称，微软云部门还将员工每月 Claude 预算从约 100,000 美元降至 10,000 美元。这一数字最好被理解为内部支出额度或预算上限，而非证明每位员工每月实际消耗了 100,000 美元的 Claude 服务。
据报道，Meta 的 Claude Code 用户数已从约 60,000 人降至约 30,000 人。
部分下降与裁员有关，但 The Information 称，更大的因素是 Meta 自己的 AI 编程技术栈。
Meta 目前拥有多个内部使用或内部测试的替代方案：
即使 Claude Code 用户群规模大约减半，Meta 据报道仍在最近一个 28 天周期内为 Claude Code 支出超过 1.05 亿美元。
这使得其经济性问题难以忽视。
原文称，Meta 内部的“Claudeonomics”仪表盘显示，30 天内使用了 60 万亿 Token，并暗示这些 Token 全部代表内部代码和数据经由 Claude 处理。
这一表述过于宽泛。
The Information 早期报道指出，由员工构建的 Claudeonomics 排行榜追踪的是全公司范围的 AI Token 使用量，在最近一个 30 天周期内超过了 60 万亿 Token。现有报道并不能证明其中每一个 Token 都来自 Claude Code。
该仪表盘仍说明了 Meta 内部 AI 使用的规模，但不应被解读为一笔仅属于 Claude 的 60 万亿 Token 账单。
普通聊天使用的边界相对明确。
用户提出问题，模型给出回答，交互可能就此结束。
编码 Agent 的行为不同：
读取代码仓库
→ 检查依赖项
→ 搜索文件
→ 编辑代码
→ 运行测试
→ 检查失败结果
→ 再次编辑
→ 运行工具
→ 持续工作数小时
每一轮循环都可能反复复用大量代码仓库上下文。
这就是为什么 Agent 型软件恰恰会在变得有用时变得昂贵。
Agent 的自主性越高，其保持活跃的时间越长。代码库越大，它读取的上下文越多。执行的步骤越多，累积的 Token 计费越高。
这带来了一个简单的企业问题：
一款工具可以带来真实的生产率提升，但如果没有路由、缓存、预算和使用控制措施，部署成本仍可能难以承受。
成本只是故事的一部分。
更深层的问题在于，Anthropic 正日益与那些曾主要将其视为模型供应商的公司形成竞争。
微软销售 GitHub Copilot，开发自有模型，并正在构建越来越具 Agent 能力的生产力软件。Anthropic 的 Claude Code 和 Claude Cowork，如今与微软希望掌握的部分开发者工具和办公软件市场产生重叠。
Meta 的情况也类似。
它正在构建 MetaCode、Muse Code 和自己的 Muse 模型。一旦 Meta 拥有可信的内部编码技术栈，向竞争对手付费完成相同工作就会变得更难合理化。
这使双方关系从：
客户 → 模型供应商
转变为更接近：
客户 + 战略合作伙伴 + 潜在竞争对手
由于 Anthropic 正在筹备上市，这一时点尤其敏感。
Reuters 援引 Anthropic 的 IPO 招股说明书报道称，两家未具名客户约占 Anthropic 2025 年收入的 24%。
招股说明书未披露这两家客户的身份。
原文称，市场普遍猜测它们是微软和 Meta。这仍属于推测，不应被视为已证实的事实。
可以确认的是更广泛的风险：Anthropic 的招股说明书明确警告，其收入集中于少数大型客户，而主要客户减少支出可能损害其业务。
因此，两家大型科技客户同时缩减使用量，比普通的供应商预算调整更值得关注。
微软与 Anthropic 的关系中还存在另一种不同寻常的张力。
尽管微软正在减少内部 Claude 支出，Anthropic 本身却对微软承担着大规模长期基础设施义务。
Reuters 根据 Anthropic 招股说明书报道，除特定违约情形外，该公司在未来十多年中对微软有约 314 亿美元不可取消的基础设施承诺。
这意味着两家公司可以同时是：
这种相互依赖在前沿 AI 领域正越来越常见。
原文认为，微软和 Meta 并非孤立案例。
输入一句想法，We0 AI 即可生成展示站、页面与 CMS。发布上线后并帮你获取客户和流量。
用户注册赠送一次完整项目生成
适合先体验一次完整生成流程，快速看到项目初稿。
更多报道也支持这一更广泛的趋势。
7 月，Reuters 报道称，阿里巴巴禁止员工使用 Claude Code，并以安全担忧为由要求他们转向公司自有的 Qoder 平台。
9 月，Reuters 报道称，Palantir、Nvidia 和 Booz Allen Hamilton 已限制或正在考虑限制使用先进外部模型，原因是对专有数据和数据保留政策的担忧。
不同公司的具体限制有所不同：
共同趋势并不只是“Claude 太贵”。
对于大型公司而言，代码、安全数据、内部文档和专有工作流都是核心资产。AI Agent 越接近这些资产，客户就越重视成本、数据保留、控制权和竞争依赖问题。
Anthropic 并未忽视这些异议。
9 月，该公司发布了 Claude Fable 5.1，在保持基础 API 价格不变的同时，将缓存读取价格降低 75%，即从每百万 Token 1.00 美元降至 0.25 美元。
Anthropic 表示，这将使总成本降低：
原因很直接。
长时间运行的 Agent 会反复重新读取此前处理过的上下文。如果这些复用上下文的成本显著降低，即使标价中的输入和输出价格不变，单项任务的总账单也可能下降。
| Token 类型 | Fable 5.1 每 100 万 Token 价格 |
|---|---|
| 输入 | 10.00 美元 |
| 缓存读取 | 0.25 美元 |
| 输出 | 50.00 美元 |
25% 和 45% 的节省幅度是对工作负载的估算，并非对每次请求均有保证的折扣。
不受益于缓存的短请求，成本仍可能与此前基本相同。
Anthropic 还宣布推出 Enterprise Frontier Safeguards（EFS，企业前沿保障措施），以应对数据保留方面的担忧。
EFS 的设计目标是让符合条件的企业客户可将数据保留在其控制的云基础设施中，而非 Anthropic 自有系统中，同时仍允许通过自动化保障措施进行滥用检测。
Anthropic 表示，EFS 正分阶段推出，并且在该系统广泛可用前，符合条件的客户可获得零数据保留处理。
这直接回应了处理专有或受监管信息的企业所提出的一项担忧。
不过，这并不能解决所有战略问题。
即使外部定价和隐私保护得到改善，已经拥有强大内部模型或编码技术栈的公司仍可能更偏好自有系统。
过去两年里，AI 竞赛的大部分焦点集中于能力：
如今，财务团队正在提出不同的问题：
每一项完成的任务实际花费了多少？
这是一个重大变化。
微软的经历展示了完整周期：
工程师偏好依然重要，但它不再决定整个采购流程。
一种可能的企业模式正在出现：
| 工作负载 | 可能的模型策略 |
|---|---|
| 常规编码、文档、简单修复 | 更便宜、更快且受严格控制的模型 |
| 高并发内部 Agent | 采用激进缓存和支出上限的低成本模型 |
| 专有或高度敏感工作 | 内部、私有或强隔离部署 |
| 高难度推理和复杂架构 | 为最困难任务保留前沿模型 |
这不如基准测试排行榜那样吸引眼球，但对企业采用可能更重要。
最强的模型不会自动赢得最大规模的部署。
胜出的系统还必须价格可承受、行为可预测、可治理，并且足够安全，能够连接到公司的核心数据。
企业越来越需要衡量每项已完成任务的成本，而不只是每百万 Token 的 API 价格。
一个有用的内部指标可能包括：
任务总成本 =
模型 Token
+ 缓存写入和读取
+ 工具调用
+ 重试
+ 人工审核时间
+ 基础设施开销
如果一个高 Token 价格模型能以更少步骤完成任务，它仍可能具备经济性。
如果廉价模型发生循环、重试或需要更多人工修正，也可能变得昂贵。
这就是为什么 AI 编程的下一阶段会越来越像 FinOps：路由、预算、可观测性、缓存、使用仪表盘和 ROI 衡量，将成为工程技术栈的一部分。
The Information 报道称，微软要求员工减少使用 Claude、更多依赖 GitHub Copilot 和微软自有模型后，将其内部 Anthropic 支出预测下调了超过三分之一。成本是主要因素，但微软也在开发者工具和企业 AI 领域直接竞争。
最新报道显示，该数字约为 30,000 人，低于 2026 年早些时候约 60,000 人。部分下降源于裁员，但更大的因素是 Meta 扩展了 MetaCode、Muse Code 和自有 Muse 模型。
The Information 报道称，Meta 在最近一个 28 天周期内为 Claude Code 支出超过 1.05 亿美元。该数字为媒体报道的内部支出，并非 Meta 官方财务披露。
不完全是。据报道，由员工构建的 Claudeonomics 仪表盘显示，30 天内全公司的 AI Token 使用量超过 60 万亿。现有报道并不能证明这些 Token 全部是 Claude Code 流量。
Agent 式编码会话会反复读取大型代码仓库、调用工具、运行测试、检查输出并重试修改。这会产生远超短聊天或一次性代码补全的 Token 使用量。
Claude Fable 5.1 将缓存读取价格下调了 75%。Anthropic 估计，这可将典型工作负载的总成本降低约 25%，并将复用大量缓存上下文的高度 Agent 化工作负载成本最多降低约 45%。
Enterprise Frontier Safeguards 是 Anthropic 面向希望获得更强隐私保护、同时保留滥用监控功能的符合条件企业客户推出的新控制措施。其设计是将数据保留在客户控制的云基础设施中，而非 Anthropic 的系统中，并从 2026 年开始分阶段推出。
不是。趋势是选择性使用，而非彻底放弃。许多公司正在将昂贵的前沿模型保留给高价值任务，同时将常规、敏感或高并发工作负载路由到更便宜或内部可控的系统。
微软和 Meta 缩减 Claude 使用并不是因为该工具突然失去了价值。它们的收缩恰恰说明了相反的问题：一旦数千名员工针对大型代码库运行长时间、自主的会话，Agent 式编码的成本会极快上升。
战略问题比价格更广泛。微软和 Meta 正在构建自有的竞争性 AI 产品，而其他企业也在专有数据参与其中时收紧对外部模型的访问。Anthropic 正通过更低的缓存读取价格和更强的企业数据控制措施回应，但市场显然正在转向更具选择性的模型路由。
企业 AI 编程的下一阶段将不止由基准测试分数来衡量。公司越来越关注单任务成本、数据治理、供应商依赖，以及模型能否安全连接到核心内部系统。
能力最强的编码 Agent 并不会自动成为企业默认工具——最终胜出的工具还必须价格可承受、可控制，并在战略上可以接受。
从一句话开始，几分钟内拿到完整网站。
