很多公司最近在流行一个分工的提议。既然AI编程工具已经足够智能，那是不是可以让懂业务的同事直接用自然语言对话来写出软件原型，然后让软件工程师进行加工，发布上线？这种让不懂代码的业务人员完全用自然语言对话来生成程序脚本的方法，在业内一般叫做氛围编程。高盛前几个月就在公司内部放开了这类尝试，首席信息官今年7月还在公开访谈里亲自表扬交易员和投行家自己写软件原型。
但这个看似双赢的流程只坚持了三个月。根据彭博社的独家报道，高盛在 2026 年 10 月更新了内部指引，禁止大多数交易员和投行家使用 Claude Code 和 GitHub 编程工具，将使用权限收回给软件工程师。同样在 10 月，苹果也下调了部分员工调用外部大模型的每日算力额度，并拟将软件工程师与非技术团队的每日预算上限拉开四到八倍的差距。
两个巨头都在同一月收紧了工具权限和算力配额，直接打破了全员写原型的乐观假设。AI确实让生成代码的成本逼近于零，但它并没有降低验证代码、审计安全边界和排查线上故障的成本。决定谁能直接触碰编程工具的标准不再看部门头衔，只看你能不能自己查代码，能不能为线上故障兜底。大公司正在把员工分成两拨人，一拨人拿高权限工具和充足算力专门造工具，一拨人用现成、安全的内部服务干活。
高盛之所以一开始鼓动全员写原型，是为了解决业务需求排队等开发的问题。高盛总裁兼首席运营官John Waldron在春季曾把投行比作人类流水线，说很多日常环节都可以做成自动化程序。首席信息官Marco Argenti在夏季的公开访谈里进一步描绘了跨组交接的场景：交易员、投行部和资管部的非技术人员先用氛围编程快速搭出软件原型，然后交给公司内部的12,000名人类软件工程师中的一个去打磨、扩展和上线。高盛早在去年夏天就在这支工程团队里试点了自主软件工程工具，管理层以为让业务人员再往前一步，就能跑通自动化流水线。
但到了 10 月，高盛却主动中止了这个全员实验。高盛发言人 Nick Carcaterra 在接受媒体询问时解释说，公司之所以向员工开放特定的AI工具，是为了探索每个部门的最佳应用场景；在经过一段时间对生产力和风险管理的综合评估之后，公司决定将这些工具交给最能在长期发挥它们价值的人手中。这暗示着，业务人员先写原型再甩给工程师接盘的分工模式，在真实的生产环境里算不平总账。
高盛的新规里专门放行的例外是量化策略师。高盛内部称呼他们为strats，这些人就坐在交易员旁边，是交易业务、量化研究和软件工程三者的交汇点。量化策略师和普通交易员一样服务业务前线，但区别在于他们懂代码、能自己核查数据的边界情况，线上出事也能兜底。
不懂代码的业务人员用自然语言对话生成几百行脚本只需几分钟。一旦软件工程师接手这份半成品，就没法直接信任里面的任何一行逻辑。业务人员只关心脚本在自己的电脑上能不能跑出数字，不会去考虑并发冲突、接口超时、异常输入或权限泄漏。工程师接盘后必须从头逆向推导业务意图，逐行排查隐藏的数据越界和逻辑漏洞，耗费的精力往往超过自己从零写起。生成代码的环节省下了几个小时，验证、审计和重写的环节却要贴进去好几天。
高盛合伙人Chris Churchman负责管理面向机构投资者的旗舰风险分析与数字交易平台Marquee。他在8月底的公司官方播客访谈中指出了另外两个隐患。第一，在把AI引入Marquee平台的过程中，技术上最棘手的挑战是确保系统输出100%符合事实且可审计，因为高级金融业务对数据错误的容忍度接近于零。第二，如果年轻交易员和投行家把基础分析建模外包给大模型，就会出现认知萎缩，逐渐丧失从第一性原理出发独立推导业务问题的能力，还会破坏华尔街依靠做中学培养新人的学徒制传统。让缺乏工程审计能力的业务人员直接生成代码和金融模型，既过不了金融合规的审计关，又会掏空业务团队自身的专业判断力。
除了搭建软件原型，不少平时不开发软件系统的交易员和投行家，其实也在抢着用 Claude Code。高盛今年早些时候虽然停止了香港办公室的银行家使用 Claude，但他们内部一直向普通员工提供自家的受控 AI 助手，里面集成了 OpenAI、Anthropic 和 Alphabet 的主流模型。既然公司里已经有了现成的合规聊天助手，这群平时不开发软件系统的交易员和投行家，为什么非要抢程序员专属的 Claude Code？
这个问题的答案在于，高盛的交易员和投行家实际上用Claude Code和GitHub的编程工具来做什么。他们主要拿这些工具做三个方面的日常工作：监控客户的交易流、构建市场变化和持仓模型，以及生成文字和图表内容。例如，Claude Code这样的工具是一种编程智能体，它不仅能够生成代码，还可以直接在员工的电脑上执行命令行指令、读写本地文件以及调用外部脚本。相比之下，普通的网页版聊天框受限于浏览器沙盒，无法访问员工的本地电脑文件，也不能执行自动化的批处理任务。因此，一旦业务人员发现编程智能体可以读取他们桌面的数据，自动完成持仓测算，并生成汇报所需的图表，这个原本专属于程序员的工具就成为了他们手中最好用的全能办公助手。
把编程智能体当作通用个人助手，已成为硅谷真实的风潮。在高盛消息曝光的同一天，创业孵化器 Y Combinator 的首席执行官 Garry Tan 在接受播客访谈报道时透露，他每年在 AI token 上花费 10 万到 20 万美元。他不仅把自己编写的 23 个 Claude Code 技能包开源在代码托管平台上，还在日常工作与生活里重度使用各类 AI 智能体。
为了让智能体协助自己打理事务，Garry Tan 开放权限让智能体读取了他的所有电子邮件、Dropbox 文件、苹果备忘录，甚至是过去 20 年的私人心理咨询笔记。对于个人开发者而言，在自己的电脑上开启本地访问权限也许没什么大不了，但对于金融机构来说，这种操作无异于裸奔。在高盛报道发布的次日，云端开发平台 Replit 的首席执行官 Amjad Masad 就在社交媒体上发出了警告，指出运行在员工电脑上的 AI 智能体正逐渐演变成企业和政府面临的系统性安全风险，金融业正在敲起封禁的大锤。
根据安全媒体的分析以及Replit技术团队发布的安全建议指南，让员工在自己的电脑上直接运行编程智能体会带来三类安全隐患：下载外部开源软件包时把恶意代码带进内网，把存在电脑里的长期登录密码和密钥暴露给工具，以及工具在后台执行危险命令却没有留下中央审计记录。高盛的金融交易员电脑能够直接接触敏感的客户交易流和内部数据库凭证。如果让未经过安全工程训练的员工在本地终端随意运行智能体脚本，可能因为一个错误的第三方库安装或外部数据投毒，就绕过企业的防火墙，演变成直接触及核心交易系统的安全事故。因此，Replit 技术团队建议企业不要在员工个人终端直接运行智能体，而应该把它放在受控的专用云端环境中。
高盛收回交易员编程工具的消息曝光同周，媒体也披露苹果在内部算起了另一笔账。据彭博社记者 Mark Gurman 报道，苹果在 10 月将部分软件工程师调用 Claude、ChatGPT 和 Gemini 等外部大模型的每日 token 消费上限从 300 美元下调至 200 美元，并计划对部分工程团队进一步削减至每天 100 美元，确有更高算力需求的员工可向高层管理人员申请特批豁免。
Gurman 指出，很多苹果的员工其实之前也没有用完这个额度上限，因此到底可以节省多少钱，目前还尚不明确。也有很多苹果员工觉得之前的额度给得太多了。就算按计划里最低的那档标准来算，一个苹果的工程师仍然可以每月享受两三千美元的大模型算力。相比之下，Uber 今年前四个月烧光全年 AI 编程预算之后，给员工设定的单款工具每月上限是 1,500 美元，Tesla 后来给员工设定的每周额度上限也只有 200 美元。苹果这一轮操作主要是为了堵住极少数人无上限狂刷账单的漏洞，工程师正常的日常研发口粮并没有受到实质影响。
这种日常额度的收紧，与消息曝光同一周苹果发布的年度财报形成鲜明对比。在截至今年秋天的 2026 财年，苹果的总营收达到了创纪录的 4,790 亿美元，研发支出同比大涨 32% 至创纪录的 457.7 亿美元。
一方面大幅提升研发投入，一方面又要削减日常的外部模型调用额度，这在财务逻辑上是完全说得通的。接棒 Tim Cook 出任苹果首席执行官的 John Ternus 正在推动公司进行一系列组织改革，希望减少管理层级，让组织整体运行得更快、更精简。同时，苹果还要求一些团队使用更便宜的外部模型，甚至直接使用在本地设备上运行的端侧模型。从管理层视角看，自建底层算力设施和训练核心模型属于对长期资产的战略性投资，而员工每天调用外部商业接口则是日常办公的按需付费开支。因此，前者应当大力投入，后者则需按成本控制原则向更便宜的模型和本地模型倾斜。
而更重要的信号是苹果对不同岗位设置了不同的额度，工程部门以外的许多非技术团队原来每天最多 100 美元，现在正考虑把部分非技术团队的额度降到每天 25 美元。一旦落地，软件工程师和非技术人员的算力预算就会拉开四到八倍的差距。算力配额不再搞全员平摊的大锅饭，而是像高盛一样根据岗位能否直接产生可验证的工程价值来阶梯配给。
今年夏天，Meta 在一个月内消耗 73.7 万亿 token 后紧急刹车，微软等大厂纷纷设立部门预算上限。接着，摩根大通等机构开始要求员工按任务难度匹配模型档位，这类换挡策略带动不少企业实现了用量上升而账单下降。这两步主要解决如何省钱的问题，在高盛和苹果这一步，大公司则开始管理更核心的问题：团队内部如何分工。
看到高盛和苹果的举措之后，回到我们自己公司的场景，一个自然而然的问题就冒了出来。如果我们不让业务同学使用 Claude Code 来自己搭原型、然后让工程师上线，是不是得让他们退回到纯手工查表画图？
就在几天前，我们曾经分析过内部数据助手应该由谁来构建，当时给出的例子也提供了另一个可能的途径。xAI 旗下团队最初也让员工用各自的个人助手去查数据、搭团队机器人，但个人自建的助手缺乏统一的数仓口径治理与持续维护，算出来的结果常常互相打架，280 个团队助手里真正做到高留存的也只有寥寥十几个。真正跑通全公司日常查询的，是由既懂业务指标又懂软件工程的数据科学组集中建造、统一维护的共享数据机器人。让每个业务员自己去当半吊子程序员并不能解决业务提效的问题。真正有效的做法是由专业组把高频业务需求封装成可靠的共享工具。
从高盛给量化策略师开绿灯、苹果拟把不同岗位拉开四到八倍的配额，到xAI的经验，可以看见团队内部的 AI 分工正在成形。一类是软件工程师、高盛量化策略师和xAI的数据科学组这样的专业开发者，公司可以给他们配Claude Code这样的重型编程智能体、每天100到200美元的充足算力，让他们对代码质量、安全审计和线上故障负责。另一类是交易员、投行家和非技术的业务团队，公司不如收回他们手中没有护栏的终端命令行，让开发团队为他们做权限受控、结果可审计的内部专用工具，每天25美元量级的轻量额度直接调用现成服务。