一次 180 万美元的智能体账单：超预算 860%，五个月后才被发现

那笔账单的形状

据亚马逊员工透露，公司想用 Claude Sonnet 为自家网站填充详细的作者信息——一个看起来很简单的任务。结果花了 180 万美元，超出预算 860%，过了五个月才被发现，并且最终没有部署成功。

按 Claude Sonnet 当时的公开定价（每百万输入 token 3 美元、输出 15 美元）折算，180 万美元最多对应约 6000 亿 token。

值得注意的不是金额，是这次失败的形状：没有崩溃、没有报警、没有一条错误日志。智能体只是坚韧不拔地反复重试，而没有任何人告诉它「先等一下再试」。一个不知道自己该停下来的智能体，它的失败模式是账单，不是异常。

本站《完成判定与验收信号》说的是：答错了却宣称完成、把错误往下游传，是更贵的方向。这里是同一件事再往上抬一层——连「答错」都没有发生，它只是一直在试，而没有任何一层负责回答「这一步是不是已经不值得继续了」。上一条信号里微软 Agent Framework 在 40 次往返后自停、Copilot SDK 关掉宿主刹车后跑到 300 次不停，量的正是这个东西。

这不是孤例，而且指标本身先失效了

• Meta：一名员工在 4 月搭了个叫 Claudeonomics 的排行榜，聚合超过 8.5 万名员工的用量并列出 token 消耗最高的前 250 人。员工在 30 天内消耗的 token 总量攀升到 73.7 万亿，按公开定价折算约为每月 2.21 亿美元。6 月，Meta 向约 6000 名员工发出备忘录，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用量与支出、设定预算与上限。
• 亚马逊：内部曾有一个叫「KiroRank」的非正式排行榜，导致部分员工有目的地推高个人数据；关闭后又换成「标准化部署」来衡量 AI 产出。
• Uber：2026 年头四个月就烧光了全年的 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 坦言，token 支出与可衡量的产出之间的联系还未成型。
• OpenAI：Sam Altman 在 6 月 3 日表示，成本问题在年初还完全无人在意，现在已经成了一个大问题；内部用量最高的个人用户每月约 1000 亿 token，某员工曾在单周烧掉约 2100 亿 token。

排行榜那部分是古德哈特定律的教科书复现：当一个衡量指标变成目标，它就不再是一个好指标。用量榜本意是推广，结果直接生产出了刷榜行为——而刷出来的每一个 token 都是真花钱的。

最刺眼的一个数字

一项调查显示，仅有 26% 的企业对自身 AI 成本具备全面的可见性。也就是说，大多数公司在开始节流之前，甚至不清楚此前到底花了多少钱。

把这个数字和亚马逊那五个月放在一起读就很清楚：问题不是花得多，是看不见。可观测性在智能体语境下一直被当作「出错时能不能归因」，这批案例说明它还有一个更早的用途——在没有出错的时候，告诉你正在发生什么。

自动化出错时，损失也会以同样的效率被放大

来源文章用 2012 年骑士资本的事故作类比，这个类比是站得住的：一次部署误激活了一段旧代码，系统开始高频执行毫无经济逻辑的交易，且没有任何预设的止损机制或金额上限；从开盘到被手动关停约 45 分钟，在 154 只股票上执行了超过 400 万笔交易，累计买入约 70 亿美元并不想持有的头寸，平仓后亏损约 4.4 亿美元——相当于公司全年利润的三倍。两个交易日内股价蒸发 75%，数月后被收购。

自动化承诺的是更快、更便宜、更少人为差错。当它出错时，损失会以同样的速度、规模和效率被放大。智能体把这条老规律带进了一个新的地方：不是交易系统，是任何一个你交给它自己跑的任务。

对读者的实际含义

三件可以马上做的事，都不需要新技术：

1. 给每个智能体任务设一个硬上限，而且上限要在循环内部生效，不能指望宿主或人工巡检。
2. 把「花了多少」做成和「跑得对不对」同等级别的一等指标，而不是月底对账时才出现的数字。
3. 不要把用量本身设成目标。Meta 和亚马逊的排行榜都在用行为证明这一点，代价是真金白银。