💰 AI 成本治理 · 企业样本

AI 支出半年涨十倍,JetBrains 没砍工具,而是建了个统一控制层

JetBrains 的 AI 相关开发支出在六个月内增长了约十倍。它的回应不是限制工程师使用工具,而是构建了一个共享的访问与记账层 Central CLI——数周内超过 1000 名开发者接入,在保留工具选择自由的同时,把 AI 支出变成可记账、可设限的基础设施。

来源:综合公开信息整理 2026 全文约 4 分钟读完
#JetBrains #AI成本治理 #FinOps #CentralCLI #企业AI
10× 半年 AI 开发支出增幅
1000+ 数周内接入 Central CLI 的开发者
0 旧体系中可用的干预点

⚡ 30 秒速览

  • 失控规模:AI 相关开发支出六个月内增长约十倍,token 消耗自 2026 年 1 月起随 Claude Opus 4.5/4.6 等更强模型上线而急剧上升。
  • 账本碎裂:多数开发者每月使用 3–5 个 AI 工具,支出散落在多个供应商之间;首份人工汇总快照,花了四天。
  • 解法选择:不限制工具数量,而是构建 Central CLI 统一访问与记账层,在开发者与供应商之间插入一个共享控制点。
  • 落地数据:数周内超 1000 名开发者接入;AI-credit 体系已覆盖第三方工具,支持按个人、团队、组织单元分层设限。
  • 行业坐标:埃森哲要求员工减少不必要 AI 使用,优步四个月耗尽年度预算后转向月度限制——JetBrains 选了第三条路。

01失控曲线 六个月,十倍

这是一家开发者工具公司,被自己生态里的 AI 账单追着跑的故事。过去半年,JetBrains 的 AI 相关开发支出一路爬坡——不是公司采购了更贵的模型授权,而是开发者的使用方式发生了结构性变化。

时间线清晰地记录了失控的三个阶段:

2025 下半年

支出开始爬升。AI 工具进入日常开发流,多数开发者每月使用 3–5 个工具。

2026 年 1 月

分水岭出现。Claude Opus 4.5、4.6 等更强模型集中上线,token 消耗开始急剧上升。

六个月后

支出 ×10,结构性失控。开发相关支出增长约十倍,财务与工程团队确认:这不是月度波动。

时间线为 JetBrains 官方博客描述的阶段轮廓,非精确财务数据;"十倍"为公司官方口径。

但真正让团队头疼的,不是增长曲线本身,而是账单的不可读。

02看得见,不等于管得住 四格快照

工具越多,账单越碎。JetBrains 最初花了 四天,把 AI 使用与费用数据手动汇总到电子表格,才勉强生成一份覆盖各供应商与工具的开销快照。随后他们通过供应商 API 与内部仪表盘实现了自动化——能实时看了,但干预能力依然是零。

仪表盘可以显示钱花在哪,却无法阻止钱继续花。

4 天首份支出快照的人工耗时
3–5人均每月 AI 工具数(碎片化根源)
1 人Central CLI 的最初构建者
2 类仍未受控的支出(终端智能体/个人订阅)

读法:左两格是"问题有多大",右两格是"转机与遗留"——一个开发者开启了解法,两类支出尚未入网。

这正是 Central CLI 出现的理由:先有一个统一入口,才谈得上记账、限额与干预。

03解法:在工具与供应商之间,插一层 Central CLI

转机来自一个由单个开发者最初构建的内部工具。JetBrains 把它扩展成 Central CLI,一个统一调用自研与第三方 AI 工具的入口。所有请求经由这个入口,通过公司现有 AI 平台路由——开发者与模型供应商之间,第一次出现了一个共享控制点。

开发者Central CLI公司 AI 平台模型供应商

统一记账:把现有 AI-credit 体系应用到第三方工具,每一笔 token 消耗都有归属。

分层限额:管理者可查看支出,并为单个开发者、团队或更大组织单元配置上限。

保留自由:开发者仍可在支持的工具中自选——市场变化很快,几个月后某个工具可能就不再是最优解。

其他组织的常见做法

标准化为一两个 AI 产品。简单直接,但本质是押注:一旦市场变化,切换成本极高。

JetBrains 的取舍

集中访问层。把"工具选择"与"支出治理"两件事剥离:上层自由选,下层统一管。

两种思路的分野在于:前者把治理建立在"少用工具"上,后者把治理建立在"统一入口"上。

04全行业都在被 AI 账单追着跑 三种应对样本

JetBrains 不是唯一被账单追着跑的公司。AI 成本失控正在成为跨行业的话题,只是各家应对方式各不相同。

🏢 埃森哲 需求侧节流

  • 要求员工减少不必要的 AI 使用
  • 默认谨慎,按需放开。
观察:见效最快,但依赖个人判断,难以精确治理。

🚖 优步 时间粒度收紧

  • 四个月内耗尽年度 AI 预算
  • 随后引入月度限制
观察:能止住超支,但也可能让预算在月底闲置。

🛠️ JetBrains 供给侧治理

  • 在工具与供应商之间插入共享控制层
  • 不改变使用习惯,改变请求路径。
观察:建设成本更高,但可复用于任何工具。
📌 FinOps Foundation 已将生成式 AI 视为 FinOps 职责范围日益增长的一部分,其建议方向与 JetBrains 一致:用集中化方法跟踪 AI 使用与成本

05诚实注脚 这不是银弹

Central CLI 是"首批举措",不是终局方案。JetBrains 自己披露了两个尚未解决的缺口:

  • 覆盖不全:基于终端智能体与个人订阅的请求,仍在受控路径之外。
  • 公平性待解:如何在用户与团队之间公平分配 AI 预算,策略仍在制定中。

换句话说,JetBrains 刚给一辆高速行驶的车装上了仪表盘与刹车,但导航还没有装上。

06编辑判断

编辑核心判断

当 AI 支出的增速超过预算制度的迭代速度,问题就不再是"模型太贵",而是"治理太慢"。JetBrains 示范了一条与"一刀切砍工具"不同的路:用统一入口换取选择自由与成本可控的兼得。真正的分水岭,不是谁用上了更强的模型,而是谁能说清每一笔 token 流向了哪里。

07如果账单也开始失控,从哪里起步?

你不需要一开始就建一个 Central CLI。JetBrains 的起点,其实就是一张花了四天填完的电子表格。

  1. 先盘点,再谈控制。花几天时间人工汇总各供应商账单,搞清楚人均工具数、月 token 消耗与主要支出源。
  2. 找到控制点。理想的干预位置在工具与供应商之间的路由层,而不在工具数量上。
  3. 统一记账语言。把内部 credit 体系覆盖到所有第三方 AI 工具,让限额成为可配置的基础设施,而不是事后审批。