「如果他們沒有改的話，我聯發科的股票我會全數出清！」分析師郭哲榮針對聯發科傳出縮減員工AI工具使用額度一事公開表達不滿，甚至揚言出清持股。這場爭議看似是員工每個月能使用多少Token的問題，背後卻牽涉科技企業如何在AI生產力與運算成本之間取得平衡。

市場流傳的消息指出，聯發科員工可使用的AI額度可能已經下調，不同版本提及每人每月約2至3美元、10美元，甚至每日約2.2美元。不過，聯發科尚未證實這些數字，也沒有公開統一的個人使用上限。

面對外界詢問，聯發科表示，公司鼓勵員工廣泛使用AI工具提升生產力，並透過智慧自動調度機制，按照任務複雜度匹配內部專屬或外部頂尖模型，以更有效率的Token使用方式，支援持續增加的AI需求。

換句話說，官方強調的是模型如何分配，而不是單純減少員工使用AI的機會。但額度是否調整、自建系統的實際使用情況，以及員工是否遇到內網不穩等問題，目前都還缺乏公司確認。

Token不只是用量指標，也是企業AI帳單的核心

要理解這場爭議，得先弄清楚Token代表什麼。

Token是AI模型處理文字或其他輸入內容時使用的計算單位。使用者輸入問題、模型閱讀上下文，再生成答案，都可能消耗Token。不同模型的收費標準、任務長度及使用方式各不相同，因此Token用量越高，通常意味著企業需要承擔更多推理成本，但兩者並非固定比例。

對軟體工程師而言，AI不只是聊天工具。它可以協助閱讀程式碼、除錯、生成測試案例，甚至參與複雜的開發流程。當企業鼓勵員工大量使用AI，工作效率或許能提高，但如果缺乏成本管理，帳單也可能快速膨脹。

這正是聯發科事件受到關注的原因：企業希望員工把AI用進工作流程，卻也必須面對每一次模型呼叫背後的資源消耗。

值得注意的是，聯發科今年5月啟用銅鑼研發資料中心時曾表示，其AI平台每月可處理高達1,380億個Token。這反映公司持續擴充AI運算能力，但平台整體處理量不等於員工個人可使用的額度，也不能直接用來判斷這次傳聞是否屬實。

從輝達到Uber，科技巨頭開始採取不同策略

企業如何管理AI用量，已不只是聯發科的問題。不同公司正根據自身工作流程與預算，尋找適合的使用模式。

輝達執行長黃仁勳曾以年薪50萬美元的工程師為例，提出一年使用25萬美元Token的想法，相當於工程師年薪的一半。這種觀點強調，若AI能大幅提升高薪人才的工作效率，運算支出便不應只被視為成本，而應放進生產力投資的框架中。

但Uber的經驗呈現另一面。相關報導指出，公司在四個月內就用完全年AI程式開發工具預算，之後開始設限，每名員工使用每項AI程式開發工具的月度支出上限為1,500美元。這個數字顯示，當使用量超出預期，企業可能必須重新設計管理制度。

微軟則傳出收回部分體驗與裝置事業群員工的Claude Code授權，轉而推廣GitHub Copilot CLI；Meta也準備導入AI預算制度，並引導員工使用自家MetaCode，預計自2027年起實施。至於亞馬遜，則關閉員工自建的AI用量排行榜KiroRank。

這些措施並不代表科技公司全面放棄外部AI工具，而是顯示企業開始從「鼓勵多用」轉向更細緻的資源配置。使用量、工具選擇、資料管理與預算控制，正逐漸成為同一套治理問題。

模型分流，可能比直接砍額度更重要

聯發科提到的「智慧自動調度」，正是這場討論的另一個關鍵。

簡單理解，模型分流（Model Routing）就像企業內部的AI派工系統：摘要、分類或簡單文字處理，可以交給成本較低的模型；需要複雜推理或高品質輸出的任務，再交給能力更強的模型。透過這種方式，企業有機會減少不必要的運算支出，同時保留處理高難度工作的能力。

市場上也已有相關工具。輝達投資的新創Factory推出模型分流工具，微軟與Databricks則提供監控AI用量及設定額度上限的相關工具。這說明企業AI管理正在從單純購買授權，走向模型選擇、用量監控與成本最佳化。

不過，分流也不是萬靈丹。如果系統判斷任務難度不準，可能把複雜工作交給能力不足的模型，導致結果品質下降；如果流程設計不佳，員工也可能花更多時間修正輸出。真正有效的管理，應該同時衡量成本、準確度與完成任務所需的時間。

真正值得關注的，不是額度有多少

說實話，企業限制AI用量本身並不一定代表倒退。當使用規模快速擴張，設置預算、管理授權或調整模型分流，都可能是正常的營運決策。

但如果額度過低，讓工程師頻繁遇到使用限制，甚至不得不改回手動處理原本能由AI協助的工作，節省下來的模型費用，未必能抵銷時間成本。郭哲榮的批評之所以引發討論，核心也在於這個問題：企業究竟是在降低浪費，還是在削弱員工使用新工具的能力？

目前聯發科並未公布員工實際額度，也沒有確認外界流傳的自建系統與內網問題。因此，現階段還不能僅憑傳聞判斷公司AI政策是否合理，更不能直接將額度爭議解讀為公司AI戰略轉向。

接下來值得觀察的，是聯發科能否進一步說明模型分流如何運作，以及員工在實際工作中能否穩定取得合適的AI資源。

企業導入AI的下一階段，可能不再是單純比誰用得多，而是比誰能用得更有效率。Token支出固然需要管理，但如果忽略員工生產力、模型品質與工作流程，帳面上省下的成本，未必會轉化成真正的競爭優勢。

FAQ

FAQ 1：聯發科真的縮減員工AI工具的Token額度了嗎？

目前外界流傳多種額度版本，但聯發科尚未證實員工實際可用的Token數量，也沒有直接確認是否調整額度。公司公開回應的重點，是透過智慧自動調度機制，依照任務複雜度分配內部或外部模型，因此仍需更多資訊才能釐清實際政策。

FAQ 2：企業為什麼要限制員工使用AI工具？

AI工具能協助程式開發、文件整理與資料分析，但模型呼叫會消耗運算資源並產生成本。當員工使用量快速增加，企業可能透過預算上限、授權管理或模型分流控制支出。不過，限制若設計不當，也可能增加人工處理時間，影響整體工作效率。

FAQ 3：什麼是模型分流？它能降低企業AI成本嗎？

模型分流是依照任務難度與需求，自動選擇適合的AI模型。簡單工作可交由成本較低的模型處理，複雜任務則使用能力較強的模型。這種方式有機會減少不必要的Token消耗，但實際效果仍取決於模型判斷準確度、輸出品質及企業工作流程設計。