Apple AI 預算削減收緊員工存取權限，儘管公司推動採用

據報 Apple 正削減員工的 AI 額度，儘管公司鼓勵員工在工作中更廣泛運用這項技術。彭博於 11 月 4 日報道的 Apple AI 預算削減，為這個目標加上一項實際限制：員工面對更嚴格的開支上限。眼前的問題是，這些限制能否減少浪費，抑或會干擾有價值的工作。

據彭博報道，部分工程師在 10 月獲得較低的每日額度，而進一步削減亦正在考慮中。這個分別相當重要，因為已實施的限制與仍在提議中的限制，帶來的後果並不相同。兩者都不能證明 Apple 已放棄在內部採用 AI。

Microsoft 的職場生產力研究提供了有用的比較，該研究報告指出特定 AI 輔助工作可帶來效益。Apple 據報的政策則提出相應的管理問題：在這些效益獲得證實之前，員工應獲得多少存取權限？壓力落在工程師、團隊主管，以及負責將 AI 活動轉化為值得付費工作的管理層身上。

Apple AI 預算削減實際改變了甚麼

彭博關於 員工 AI 預算 的報道指出，部分工程師的每日額度被下調，同時正考慮進一步削減。報道引述熟悉私下內部決策的人士。

路透其後報道了 AI 開支限制，並將資訊歸因於彭博。報道稱，需要更多存取權限的員工可向高級管理人員申請豁免。Apple 未有即時回應路透的置評請求。

據報的改動涉及員工如何存取 AI，而非證明 Apple 正結束使用 AI。

這個分別可避免將不同決策混為一談，從而得出具誤導性的結論。限制員工額度，與取消 AI 項目、移除已批准的工具或削減模型開發並不相同。現有報道並未證實這些更廣泛的結果。

報道亦未證實這是適用於每名 Apple 員工的統一政策。相關說法描述了工程團隊及其他群組的不同情況。因此，讀者不應將據報限制視為全公司一致的上限。

即使不作更多假設，核心矛盾已很清楚。據報 Apple 希望將 AI 更深入融入日常營運，同時收緊可供這些工作使用的資源。員工與管理人員必須協調這些指示。

每日額度亦不同於整體項目預算。有些工作需要集中投入，而另一些則形成較穩定的使用模式。按日設定的限制，可能對這些工作流程產生不同影響。

這個觀察屬於分析推論，並非關於 Apple 內部受干擾情況的報道。公開報道並未顯示員工以往有多頻繁達到原有上限，亦未證實有多少員工需要例外安排。

這些未明細節決定政策在實務上的嚴厲程度。員工甚少觸及的較低上限，與經常阻礙有價值工作的上限，後果並不相同。單看標題無法分辨這兩種情況。

豁免途徑加入了另一項變數。原則上，存取權限可以仍然存在，但實務上卻更難取得。其實用性取決於審批速度、資格條件，以及員工是否明白何時應提出申請。

因此，這個故事的起點是一項比 AI 退卻更狹窄、也更能站得住腳的發現。據報 Apple 正令內部使用受到更多限制。這是否能提升效率，取決於限制生效後已完成工作的情況。

工程師與管理人員承擔生產力壓力

更嚴格的額度，將重點由鼓勵使用 AI 轉為說明哪些用途值得持續取得存取權限。

對工程師而言，這改變了他們面對工作時的即時決策。他們必須考慮採用 AI 輔助方式後，是否仍能留下足夠額度處理其他工作。當所需投入難以預測時，這項衡量會變得更困難。

假設有一名工程師正在調查陌生元件的故障。初步解釋或許成本不高，但內容不完整。要透過相關程式碼及測試追查問題，可能需要額外交互操作，答案才會變得有用。

及早停止可能避免進一步消耗資源，卻令根本問題懸而未決。繼續則可能帶來有價值的結果，也可能只是延長一次未成功的調查。每日上限無法預先分辨這些結果。

團隊主管面對相關的資源分配問題。使用最多 AI 資源的員工，未必正產生最高價值；同樣地，他們亦未必是在浪費資源。

高要求的任務可以合理地使用較多資源，較日常維護工作更甚。低效率的工作流程亦可能產生相近的消耗，卻沒有相稱的產出。管理人員需要任務的背景資訊，才能分辨這些情況。

這令原始使用量成為不完整的績效指標。提示詞數量反映的是活動量，卻無法證明缺陷是否已修復、文件是否變得更準確，或發布工作是否有所推進。

限制實施後使用量下降，同樣有這個局限。消耗減少可能是因為員工刪除了不必要的請求，亦可能是因為他們不再嘗試透過已批准的工具處理有用工作。

財務團隊亦面對自身的證據問題。開支限制會在帳單上帶來可見變化，但對員工時間、審查工作及未完成工作的相應影響，則較難分離和衡量。

因此，看似成功的削減措施需要更廣泛的比較。若團隊以較少資源仍能維持質素與交付能力，政策便更具理據。若工作放緩，這些節省便需要另一種解讀。

目前沒有任何一種結果已就 Apple 的政策獲公開證實。這說明為何限制措施值得獲得超越額度大小的關注。營運結果取決於受影響的工作。

這亦令例外安排承受壓力。申請更多存取權限的員工，必須將技術需要轉化為他人可批准的決策。當申請與交付成果有清晰關聯時，這個程序可提升問責性。

若審批需要反覆解釋日常工作，便可能引入摩擦。屆時，升級申請所花的時間會成為使用 AI 成本的一部分，即使它不會顯示為模型消耗。

對知識工作者而言，相應的問題是協助是否能貫穿整項工作。若快速產出草稿後，核對與修正反而耗去所節省的時間，價值便有限。管理人員需要評估完成後的成果。

Apple AI 預算削減令這個衡量問題浮現。它們並未解決這個問題。最接近工作現場的人需要說明存取權限能帶來甚麼，而預算負責人則要評估這個說明是否站得住腳。

開支上限控制消耗，而非成果

政策的基本機制涉及詞元，即 AI 模型在處理輸入和產生輸出時所處理的資料單位。路透報道稱，額度涵蓋這類消耗。

代理程式，即為完成任務而執行一連串操作的軟件，可能需要重複與模型互動。因此，其消耗不只限於員工最初輸入的指令。

開支上限可限制風險承擔，但無法判定產出的工作是否值得所付成本。

這正是據報限制措施背後的核心取捨。上限為管理人員提供清晰界線，卻不會直接將這條界線與任務的複雜程度或價值連結起來。

日常請求與陌生的除錯問題，可能同樣以簡短指令開始，但最終所需投入可以相差很大。輸入表面上簡單，並不能反映後續需要多少調查。

模型給出不完整答案時，同樣會出現這個問題。進一步互動或可修正問題，亦可能只是以略有不同的措辭重複失敗。

從預算角度看，兩條路徑都會消耗額外資源；從工作角度看，其價值卻不同。有用的管控系統需要同時掌握成果證據與消耗證據。

這為 Apple 的做法建立一項合理理由。當資源設有明確上限，員工便有理由重新考慮不必要的請求。管理人員亦可在出現異常大量使用時，取得明確的審查切入點。

這項理由仍有條件限制。現有報道並未證實 Apple 已發現廣泛的不必要消耗，亦未顯示所選限制與量度得出的生產力差異相符。

對過於粗疏限制的憂慮同樣合理。即使昂貴的任務比成本較低的替代方案創造更多價值，限制仍可能令員工卻步。上限於是獎勵低消耗，而未必獎勵更好的工作。

例如，設想一項由 AI 輔助、協助解決困難缺陷的調查，再把它與幾個產出無人使用材料的廉價請求比較。較便宜的活動並不自然代表更好的投資。

因此，額度不應成為員工效能的替代指標。維持在上限以下，只能證明遵守了該限制，並不能獨立證明判斷良好、產出優質或工程效率高。

模型選擇帶來另一項考慮。不同模型可提供不同能力、回應時間與資源需求。如何選擇，取決於能否將工具配對至合適任務。

Apple 據報的限制未有揭示其應對這些選擇的完整方法。現在就聲稱公司已採用某種模型路由策略，仍屬過早。公開報道支持的是開支管控的說法，而非詳細的架構評估。

背景資料的質素在分析上同樣重要。即使員工提供很長的提示詞，獲得不相關材料的模型仍可產生不相關答案。更多輸入並不必然代表更佳理解。

對正在建立 可搜尋知識庫 的團隊而言，檢索相關技術材料是讓協助變得有用的一部分。這仍不同於證明任何特定產品可減少 AI 開支。

更廣泛的含意很直接：機構必須同時管理存取權限與實用性。減少消耗回應第一個問題；證明員工仍能完成有價值的工作，則回應第二個問題。

Microsoft 的職場證據提供有用比較

Microsoft 的 職場 AI 實驗 為 AI 採用的正面一面提供證據。該研究於 2025 年 4 月發表，涵蓋 56 間公司逾 6,000 名員工。

研究人員報告，使用該技術的員工每週可少花半小時閱讀電郵，完成文件的速度亦快 12%。在為期六個月的研究中，獲提供使用權的員工中，接近 40% 持續定期使用該工具。

這些發現支持特定的職場效益，而非為不受限制地使用 AI 提供普遍理據。

在比較 Microsoft 的證據與 Apple 據報的政策時，這項區別相當重要。該研究透過 Microsoft 365 Copilot 檢視知識工作，並未評估在新近據報限制下的 Apple 工程師。

因此，研究結果無法確定 Apple 員工應獲得多少使用額度，也無法顯示某項特定工程工作是否能受惠於更多模型互動。相關人群、工具及活動並不相同。

不過，這項研究為過度悲觀地解讀新聞提供了有用的平衡。AI 輔助可在明確界定的情境中帶來可量度的改善。開支紀律不代表要否定這些收益。

研究亦令採用情況比泛稱員工熱衷使用更具體。獲得使用權與定期使用是不同指標。提供工具不代表每位員工都會持續使用。

這有助理解企業買家面對的選擇。支付使用權費用，為員工創造受惠的機會；但並不能證明這種效益在每個職位中的規模。

同樣的邏輯亦可反過來看。減少使用權並不能證明員工會失去生產力。結果取決於哪些工作受到改變，以及其他方法能否保留成果。

Microsoft 對職場 AI 採用有商業利益，因此其機構立場應與研究發現一併考量。這項研究仍具參考價值，因為它描述了一項實驗及可識別的結果。兩點都不應抹煞另一點。

對 Apple 而言，關鍵問題是內部是否存在類似量度。公開報道沒有提供員工產出在限制前後的受控比較，主要描述的是使用權的改變。

這使政策表面目的與其已證明效果之間留下落差。收緊預算是可觀察到的；從 AI 獲得更佳價值，仍有待證明。

這項比較亦釐清競爭層面的利害關係，而不會把文章變成模型競賽。企業 AI 供應商必須提出令人信服的效用說明；買家則須判斷哪些證據適用於自身工作。

供應商的成功研究不能免除客戶自行評估的需要。客戶限制開支亦不會否定供應商的結果。兩者都可能是對不同工作及誘因作出的理性回應。

真正有意義的競爭，是工作流程內不同價值主張之間的競爭。Apple AI 對生產力的影響，將取決於員工能否保留那些有助改善已完成工作的輔助。單靠使用總量或產品示範都無法解答這一點。

證據並不能證明 Apple 正在浪費 AI 開支

較強的懷疑論解讀會認為，削減反映回報令人失望。這種解讀有可能成立，但現有報道並未證實。

決定減少開支是限制的證據，並非先前開支缺乏價值的證明。

管理層可能因多個原因收緊預算，包括更廣泛的財務優先事項，或希望加強監督。要歸因於某一具體解釋，須有關於決策的證據。據報的成本控制目標並未揭示所有內部盤算。

獨立生產力研究說明，為何作出廣泛結論存在風險。METR 在 2025 年發表的開發者生產力研究，檢視了在熟悉項目中工作的資深開源開發者。

在 16 名開發者及 246 項任務中，容許使用 2025 年初的 AI 工具令完成時間增加了 19%。然而，參與者仍相信這些工具有助他們更快完成工作。

這項發現挑戰了「感知到的效用能可靠衡量生產力」的假設。但它並不能證明 Apple 員工有同樣結果。研究涉及特定群體、任務情境及一代工具。

METR 隨後的生產力量度更新令這項限制尤其重要。該機構於 2026 年 2 月解釋，為何其較新的實驗對當前影響得出了不可靠的估計。

部分開發者不願參與，因為他們不想在沒有 AI 的情況下工作。任務選擇，以及量度使用並行代理人完成工作的困難，亦令結果更複雜。METR 表示開發者的受惠程度很可能高於 2025 年初，同時強調影響規模仍存在不確定性。

綜合而言，啟示在於方法論。較早期發現的減速情況，不應成為對新工具的永久判決；熱烈採用也不應取代可靠量度。

討論 Apple AI 對生產力的影響時，這種不確定性相當重要。公開報道未有提供與預算改動相關、在 Apple 內部進行的同類實驗。聲稱這些限制會提升生產力，仍未獲證實。

聲稱它們必然損害生產力亦言之過早。員工或可保留有價值的用途，同時放棄效用較低的用途。會否如此取決於實施方式及所涉工作。

同樣的審慎態度亦適用於豁免程序。其存在顯示在標準額度以外仍有途徑，但不能證明該途徑會有多容易使用，或申請會有多一致地獲批。

個人與組織結果之間亦有差別。員工或可更快完成初稿，卻為同事帶來額外審閱工作；團隊亦可能接受更高的模型使用量，以減少另一個瓶頸。

有用的評估需要考慮這些相連影響。只量度產出內容的人，可能忽略被轉移到其他地方的工作；只量度帳單，則可能忽略即時任務以外所節省的時間。

這些都不能證明 Apple 選擇了錯誤的控制方式。它們指出了公平評估該決策所需的證據。政策應根據已完成工作、品質及總投入來評估。

最可辯護的結論仍然有限：據報 Apple 希望更嚴格控制員工的 AI 使用量。公開紀錄尚未顯示，這項限制是消除了浪費、限制了具生產力的工作，還是兩者兼有。

三個訊號將顯示更嚴格限制是否有幫助

下一項考驗，是這些限制能否在減少不必要使用量的同時保留有用工作。

第一個訊號是政策的實際實施情況。在未來數月，報道或公司聲明應會釐清哪些擬議削減會生效。範圍與較低額度的存在同樣重要。

若針對的是不常見但使用量異常高的情況，限制將支持對這項改變較狹義的解讀。若廣泛限制經常中斷日常工作，則會加強對採用摩擦的憂慮。

豁免程序屬於第一個訊號的一部分。有證據顯示團隊能迅速取得合理的使用權，將表明政策能配合工作上的差異。持續的審批瓶頸則會削弱這種解讀。

兩種結果都不應只根據公告便作假設。重要證據在於，使用權在真實任務期間如何運作。有記錄的例外途徑與可實際使用的例外途徑相關，但屬於不同事實。

第二個訊號是改變後任務層面的表現。相關證據應將較低使用量與交付、審閱投入及品質連結起來。單靠開支總額無法證明政策有否改善整體效率。

若團隊以較少使用量完成可比的工作，且其他地方沒有增加額外負擔，收緊控制的理據會更強。若節省開支伴隨更長完成時間或更多返工，結論就較不利。

公眾可取得的相關證據可能仍有限。Apple 沒有義務披露每項內部工作流程量度。在這種情況下，不確定性應繼續成為分析的一部分，而不應成為猜測的邀請。

第三個訊號是 Apple 或其供應商會否說明有哪些改變，使有用工作較不耗費資源。相關發展包括更佳的任務配對、更有效的檢索，或需要較少次無效互動的工具。

產品公告只是初步訊號，而非完成的測試。更有力的證據將顯示，員工能否在更嚴格的限制下取得可比結果。這將支持效率與採用可同步推進的論點。

相反，若擴展功能同時不斷出現提高額度的壓力，將顯示取捨更困難。功能更強的工具可引發要求更高的工作。固定上限便須按這些新任務的價值重新評估。

這些訊號讓焦點回到原來的衝突。據報 Apple 希望員工更多依賴 AI，同時讓部分員工有較少空間使用它。成功實施需要兩項指示都能維持可行。

因此，Apple 的 AI 預算削減值得以審慎方式解讀。它們顯示員工使用權受財務紀律約束，但尚未顯示這種紀律是否改善了開支與有用產出之間的關係。

對開發者及企業買家而言，在把 Apple 的政策視為範本之前，應先觀察這些結果。應詢問哪些任務保留使用權、豁免如何運作，以及較低使用量會否改變交付或品質。應比較相似工作的證據，而非套用無關研究的結論。對知識工作者而言，應檢視整項工作，包括 AI 生成初稿完成後的核查、修正及協作。比較時應以完成結果為核心。下次更新出現時，別只看較小額度或更高採用率的說法。它是否顯示員工能以較少總投入完成有價值的工作，還是只顯示組織購買了較少 AI？