《财富》杂志10月30日披露了一个反差感极强的案例:思科总裁兼首席产品官Jeetu Patel,把近乎无上限的AI Token预算交给了一位27岁的工程师Padmanabhan Krishnamurthy(同事叫他Paddy)。这位前AI创业公司CEO被思科收购后一直在组织深处做杂活,却提出了一件老员工不敢想的事:用两个人加AI,在24个月内重写思科98%的遗留代码。 Patel的原话是“我给了他无限量的Token,因为他要重构代码”,给他的授权只有一句:尽管放手去做。知乎36氪
先把边界说清楚:98%是目标,不是成果。思科至今没有公开已完成的重写比例、系统范围、技术方案或测试结果。 Paddy给自己设了四周的初步验证期限,整个项目的最终目标是在24个月内完成大规模重构。但这个实验已经把真正的问题摆上桌面:当Token不再卡脖子、“生成代码”的成本约束被拆除之后,企业让AI动代码,所有关卡都压在了“验证”这一侧。审查带宽、隐性缺陷、遗留代码的隐性知识、安全攻防、合规权限、成本账本——这是模仿思科的团队绕不开的六道关。36氪
无上限Token买到的,是一场自带倒计时的实验
这个决定发生在一种行业逆流里。《财富》在报道开头提到,一项针对雇主的调查显示,约40%的管理者计划减少应届毕业生招聘,原因之一是AI能以更低成本完成部分初级工作。 Patel给出的相反判断是:问题不在年轻人的能力,而在企业使用年轻人才的方式——他甚至在采访里说“张力是好事”,要让不同背景的人挑战既有流程。36氪
值得注意的是验证期的设计本身:思科给“无上限预算”配了一个四周就见的确认窗口。这恰恰说明,在企业软件工程里,Token从来不是最难批的那笔预算。
第一、二道关:审查带宽和“看起来对”的缺陷
生产端提速的数字讲起来很漂亮。软件工程数据公司Faros AI在2025年7月分析了1255个团队、上万名开发者后发现:AI使用程度高的团队,人均完成的任务多了21%、合并的PR多了98%,但PR审查时间增加了91%,平均PR体积增长了154%,人均bug数也多了9%。 更扎心的是同一份报告的公司级结论:AI使用程度和整体交付表现之间,没有观察到显著相关。写得快了,交付没快,差值卡在审查这一步。知乎
审查能力有硬上限,而这个上限思科自己最清楚。代码审查工具公司SmartBear基于对思科一个开发团队的研究给出的建议是:一次审查不超过200到400行、不超过60分钟、速度控制在每小时500行以内——在这个范围内能发现七到九成缺陷,超出以后发现缺陷的能力明显下降。 人认真审代码的带宽,不会因为你发了无限Token就变宽。知乎
难审还因为AI代码的错法更隐蔽。Stack Overflow 2025年的开发者调查里,66%的人说他们对AI工具最大的烦恼是“结果差一点就对,但又不完全对”,45.2%的人说调试AI生成的代码更费时间。 AI写的代码格式工整、命名规范,边界条件和异常处理漏了也看不出来,缺陷被藏在了“质量不错”的表象底下。知乎
人的信任偏差会进一步放大这个风险。测评机构METR 2025年的随机对照实验让16位资深开源开发者在自己熟悉的项目上干活,用AI的任务反而慢了19%,开发者事后却自评快了20%。 感知快了、实际慢了,这种错位带进审查环节,就是默认AI产出是对的、然后放松警惕。知乎
Google旗下DORA团队2025年9月发布的《AI辅助软件开发现状》报告,在调查近5000名技术从业者后给出了这轮变化的总纲:90%的从业者已在工作中使用AI,AI是一个“放大器”——使用与交付吞吐量、产品表现转为正相关,但与交付稳定性依然是负相关。 没有扎实的自动化测试、版本管理和快速反馈回路,变更量上去了,出问题的概率也跟着上去。知乎
第三道关:遗留代码真正的成本是知识
Paddy要动的不是“旧文件”。遗留代码不仅包括历史上编写的软件,还涉及长期积累的业务逻辑、系统依赖、接口协议和兼容性要求,背后连着大量实际用户和正在运行的业务。 大规模重构从来不只是把旧代码替换成新代码,而是把系统里沉淀的决策重新翻译一遍。36氪
最缺的恰恰是没人写下来的那部分。一位在新西兰做企业Agent落地的从业者交付过几个把AI接进老系统的项目,他的第一条教训是规则在人脑子里、不在系统里:给一家建筑总承包商做供应商发票自动化,第一个月跑了407张发票,大部分卡住,卡住的原因里“规则不完善”占173张、“信息缺失”占132张,识别失败只有12张。 卡住的不是模型认字能力,而是“这种发票找谁批”这类只存在于一两个人脑子里的隐性知识。知乎
所以“2人+AI重写98%”的真正难点不是Token总量,而是能否先把隐性知识提取成机器可执行的规格和测试。这也解释了四周验证期的用意:在大动干戈之前,先证明知识可以被迁移。
第四道关:找漏洞的成本塌方,修漏洞的速度没跟上
让AI改代码的企业还要面对一个镜像事实:攻击者同样在用AI读你的代码。统计全球漏洞备案的从业者杰瑞·甘布林最新数据是,全网备案在册的安全漏洞总量已经飙升到66401个,而去年9月这个数字还是33512个,一年直接翻倍。 微软更是单月批量修复了974个CVE漏洞、直接刷新历史纪录——AI把“找漏洞”变成了算力问题,而“修漏洞”依然是人力问题。雷科技
上游的消化通道已经开始退水:Google在3月宣布不再接受AI生成的漏洞报告,Nextcloud在4月暂停漏洞赏金计划,GitHub在7月大幅削减公开赏金额度。 攻防两侧的心态也趋于一致,用思科威胁情报总监马修·奥尼的调侃说,现在正规企业和黑灰产都在摸索同一个问题:AI这玩意儿,到底怎么用才能利益最大化? 企业给AI开改代码的权限之前,得先回答:AI引入的变更,安全验证跟得上吗?量子位雷科技
第五道关:影子AI与责任红线
还有一个前置问题:AI能不能合法合规地碰这份代码。有架构师在知乎自述,他所在大厂直接通知所有代码仓库禁止接入任何外部AI编程工具,企业版也不行——“代码是公司的核心资产,不能传到任何第三方”。 金融机构走得更远,直接封掉全部AI工具域名,宁可效率慢一点也不让数据出事。知乎
堵不住的口子被称为“影子AI”。同一位作者讲过一个线上事故:一段用个人AI工具生成的代码与公司工具的版本不一致,同样的提示词两个工具给出完全不同的实现,故障排查因此多了一道无解的环节。 普遍的对法不是禁而是划线:核心代码只许走企业授权工具、个人工具查资料可以写码不行、配合代码来源统计和更严格的审查。“谁生成的代码、谁负责到底”说不清楚之前,无上限预算批得再快也过不了合规这一关。知乎
第六道关:Token要按任务算账,不是按口号批
无上限不等于无成本。一个AI编程Agent为了改几行代码,可能先做意图分析、再检索仓库、评估工具结果、最后才给补丁,多个环节都默认调用最贵的推理模型、反复附带长篇系统提示词和仓库上下文,费用增速会明显快于提问次数。 同一篇文章记录了企业侧的矛盾现场:Token账单持续上涨的同时,自有机房的GPU却没能跑满。知乎
成本结构已经变了。中国信通院《词元(Token)经济发展研究报告(2026年)》估算,智能体单次任务的token消耗可达普通对话应用的10至100倍。 厂商层面的教训也现成:Kimi K3.1 Pro的API单价比上一代便宜三分之一,订阅用户却在上线头两天集中撞上限额,月之暗面10月26日凌晨公开致歉。 官方给出的修法不是加额度,而是减少不必要的子智能体调用、缩短输出长度——单价不是主变量,任务级Token量才是。知乎
值得盯着的,不是预算而是验证速度
思科这个案例最值得抄的不是“无上限”,而是它把两件事同时做对了:给年轻人不受配额约束的资源,同时给自己设一个四周就见的验证窗口。对企业来说,接下来的观察信号很具体——Paddy的四周验证结果如何、思科是否披露实际完成比例。而DORA那份“放大器”报告给出的通用判断是:验证体系越扎实,AI的Token预算越值钱;反过来,六道关一关没过,无上限的Token只会让问题跑得更快。
当前文章无评论,是时候发表评论了