近日，美國媒體曝光了亞馬遜內部一起重大 AI 成本失控事故。一名工程師藉助 Anthropic 旗下 Claude Sonnet 模型編寫程序，目標是完成電商平臺作者信息與商品列表的數據匹配——一項常規的數據處理任務，最終卻產生了 180 萬美元（約合人民幣 1215 萬元）的賬單，實際支出超出原定預算 860%。

更令人意外的是，該項目最終並未成功落地，而高額算力消耗持續運行長達 5 個月，公司直到財務對賬時才察覺異常。這意味着一個無人看管的 AI 程序，在近半年時間裏日夜不停地"燒錢"。

代碼缺陷疊加監控缺位，微小漏洞吞噬鉅額預算

覆盤顯示，事故的根源並不複雜。AI 生成的程序缺少調用頻次限制，模型持續循環發起請求，雲算力與大模型調用費用不斷累積。與此同時，團隊缺少實時成本告警機制，微小代碼缺陷長期無人發現，持續吞噬預算。

在亞馬遜內部會議上，高管將此次事故定義爲"代價慘重的典型案例"，並通報稱內部還出現多起同類隱患，有項目意外產生 54 萬美元額外開銷。接連踩坑後，亞馬遜開始緊急搭建風控體系，計劃上線自動化防護機制——一旦 AI 相關支出觸及閾值，系統將自動限流、中斷任務，避免費用無限飆升。同時公司加強規範，要求所有 AI 生成代碼必須經過人工完整審覈，杜絕未經校驗直接上線。

傳統代碼出錯費時間，失控 AI 程序費真金白銀

這起事故暴露出一個被多數企業忽視的風險：傳統代碼錯誤大多消耗人力時間，而失控的 AI 程序會持續產生 token 費用，一旦缺少預算監控，很容易釀成鉅額損失。當前很多企業單純期待 AI 降本增效，卻忽視了算力計費模式帶來的全新風險敞口。

從"AI 幫忙寫代碼"到"AI 偷偷燒錢"，亞馬遜的教訓並非孤例，而是整個行業正在進入的一個新階段——當 AI 從輔助工具變爲自主執行者，成本管控的顆粒度也必須從"項目級"下沉到"每次調用"。在享受 AI 提效紅利之前，先給 AI 裝好"剎車"，或許纔是企業當下最該補上的一課。