以前ai工具就像科技公司里的免费自助餐——哪家模型好用，就先端上桌；哪家代码工具顺手，就先拿来写；不知道怎么用，就来几盘“龙虾”开开胃。token像餐盘里的薯条一样一把一把往外盛。
结果到了2026年上半年，自助餐厅开始查券了。
今年3月前后，谷歌因算力容量不足，限制Meta调用Gemini。Meta希望采购更多Gemini相关计算资源，但谷歌无法满足其全部需求。
4月22日，据《洛杉矶时报》报道，谷歌大多数员工因安全考量，被禁止使用Claude Code、Codex等竞品AI编程工具；不过可提交申请获取例外权限；与此同时，部分DeepMind团队（包括Gemini研发、内部应用及开源模型相关团队）仍在持续使用Claude Code。
5月14日，The Verge披露，微软正逐步取消大部分Claude Code内部许可证，引导开发者转向自家GitHub Copilot CLI。
6月10日，微软又基于Anthropic的数据留存政策，限制员工使用Claude Fable5。
6月28日，《金融时报》曝光谷歌限制Meta使用Gemini的细节——原本隐于幕后的算力紧张问题，首次以“巨头间模型容量限量供应”的形式浮出水面。
紧接着，6月29日，The Information援引Meta内部文件指出：公司正收紧政策，限制员工在AI模型构建流程中使用Claude与Codex。
随着模型能力持续跃升，AI已从辅助工具升级为大厂核心生产资料，头部厂商之间的关系也随之变得愈发复杂而谨慎。
AI大厂彼此既是客户，也是对手：既要调用对方最强的模型能力提升效率，又担忧自身代码、数据、工作流乃至技术路线被间接“反向学习”。
AI的自由试用时代落幕了。AI巨头之间，正在筑起高墙。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
图片由AI生成
AI巨头正悄然互设壁垒
仅看今年公开报道的事件，Google是最早显露“内外双重管控”倾向的厂商之一。
据《金融时报》报道，早在3月前后，谷歌便已启动对Meta调用Gemini的限制措施。
从报道口径来看，并非谷歌不愿出售，而是Meta所需Gemini相关算力规模远超谷歌当时可提供的上限。
换言之，Meta想多“点单”，但谷歌的“后厨产能”已见顶，只能按配额供应。
大模型调用不同于传统软件授权——即便客户愿付高价，也不代表能即时获得足量服务。每一次API调用背后，都是真实的GPU小时、内存占用与网络带宽消耗。
谷歌对外设限的同时，也在内部划出红线：禁止多数员工接入竞品AI编程工具。
4月22日，《洛杉矶时报》称，谷歌多数工程师因“安全顾虑”，被禁用Claude Code、Codex等外部AI编码助手；确有业务刚需者，可走特批流程。
有趣的是，部分DeepMind一线团队（涵盖Gemini开发、内部工具链及开源模型项目）仍保有Claude Code使用权。
这直接催生了谷歌内部所谓的“Claude拥有者与非拥有者”（Claude haves and have-nots）现象——用不用，成了一个关乎效率甚至绩效的实际问题。
谷歌在此事上的立场显得颇为微妙：一方面，公司正推动全员深度使用AI，部分工程师甚至被设定明确AI使用指标，并纳入考核体系；另一方面，不同部门所能接触的AI工具却参差不齐。
有员工反馈，谷歌自研模型在代码生成质量上暂逊Claude一筹，“能否用Claude”因而不再只是偏好选择，而直接关联到开发效率落差。
从谷歌自身角度看，它并非不知Claude Code、Codex的实用价值——关键研发团队仍在使用这些外部工具，恰恰印证了它们在真实工程场景中不可替代的地位（连谷歌也默认自身在编码能力上尚存差距）。
尽管官方未披露所谓“安全顾虑”的具体技术细节，但结合企业AI编程实践可知，这类担忧通常聚焦于：源码、内部文档、产品逻辑及协作流程等敏感信息可能经由提示词输入，流入第三方模型训练管道。
说完谷歌，微软同样面临相似权衡。
The Verge 5月14日报道指出，微软正批量回收Claude Code内部许可，将开发者迁移至GitHub Copilot CLI。
据悉，Claude Code在微软内部广受好评，但它终究属于Anthropic。推动员工回归Copilot生态，既可优化成本结构，也能将AI编程工作流重新锚定在微软- GitHub自有技术栈内。
不久之后，微软再度收紧策略。
6月10日，The Verge援引消息指出，微软因Anthropic对用户数据留存的条款要求，正式限制员工使用Claude Fable5。
报道称，微软法务团队正评估该模型是否适配内部合规标准，核心疑虑集中在客户数据、私有代码及商业机密可能泄露的风险。
至6月底，Meta亦跟进同类动作，对外部模型启用管控。
The Information 6月29日援引Meta内部备忘录证实：公司已明令限制员工在AI模型构建环节中调用Claude与Codex。
报道标题直指要害——Meta担忧竞品模型输出可能混入自家训练数据集，从而引发知识蒸馏、法律追责及战略竞争风险。
事实上，Anthropic服务条款明确禁止用户利用Claude输出训练与其存在竞争关系的模型，亦不得协助第三方开展类似行为；OpenAI条款同样规定：用户不得使用其服务输出开发与OpenAI构成竞争的新模型。
各厂限制方式虽不尽相同，但指向同一现实：AI工具早已不是随手可装的效率插件。
它消耗算力，承载代码，触达客户数据，掌控产品入口，甚至可能成为下一代模型的“养料”。
巨头们并非弃用彼此模型，而是不敢再无序调用。
巨头为AI布下的三重防线
普通员工多装一款软件、多开一个网页、多试一种工具，通常不会动摇企业底层资源配置。
但AI不同——每一次模型调用，都牵涉算力、token、代码、数据、权限与输出资产。
当AI升格为企业核心生产资料，其管理逻辑自然随之重构。
梳理近期密集披露的信息，可见头部厂商正为AI工具构筑三道关键防线。
第一道防线：资源管控
算力与token，不再无限供给。
大模型不是传统SaaS软件。后者售出后边际成本趋近于零，前者每次调用均对应真实硬件开销——尤其在长上下文理解、复杂代码生成、Agent多步推理等高负载任务中，资源消耗远超常规问答。
更严峻的是，AI军备竞赛已进入算力紧缺阶段。
路透社多次援引数据显示，微软、亚马逊、Alphabet与Meta等巨头2026年AI资本开支已达数千亿美元量级；其中2月报道约为6000亿美元，3月引用S&P Global Visible Alpha口径则达6350亿美元。这是人类历史上规模空前的基础设施投入，但市场仍在追问：这笔钱何时能转化为稳定、充足的可用算力？
近期存储与内存价格飙升，便是最直观的信号。
路透社6月援引摩根士丹利报告指出，在大型科技公司AI基建投资驱动下，内存芯片价格过去一年暴涨约6倍。摩根士丹利将此现象命名为“芯片通胀（chipflation）”：最初仅为AI算力瓶颈，如今已蔓延至硬件利润率、终端设备定价、云服务成本、资本开支节奏及供应链交付周期。
谷歌对Meta的Gemini调用限制，正是资源侧管控的典型体现。路透社转述称，该短缺已波及Meta部分内部AI项目进度，其他谷歌客户亦受不同程度影响，仅程度较轻。与此同时，Meta已要求员工提升AI token使用效率。
这意味着：即便Meta愿支付溢价，也未必能购得足够模型容量；即便谷歌坐拥全球顶级云与AI基建，也不得不在客户间动态分配稀缺算力。
第二道防线：数据围栏
代码、客户资料与内部机密，不得随意流入外部模型。
这并非过度防御，而是已有惨痛教训。
早在2023年，三星半导体部门员工被曝多次将敏感信息输入ChatGPT，包括用于故障排查的源码与内部会议纪要。事件发生后，三星紧急禁止员工在办公设备上使用ChatGPT等生成式AI工具。
一旦员工将代码、会议记录或内部文档粘贴进外部模型，数据即脱离企业可控边界。
此类行为绝非个例。Cyberhaven早期监测显示，ChatGPT上线初期，4.7%的企业员工至少一次将敏感数据粘贴至该平台；其中约11%的粘贴内容被系统识别为高敏感信息。
在AI研发场景中，数据风险更为尖锐。开发者皆知，提交代码前检查API Key是否误入仓库是基本功。而当AI介入数据集构建、模型训练与开源样本共享时，该风险会被指数级放大。
同在2023年，微软AI研究团队曾因Azure存储访问Token配置失误，导致38TB私有数据意外暴露，内容涵盖私钥、密码、Teams内部聊天记录及员工工作站备份。
在AI编程日益普及的当下，大厂员工使用AI时，反而需更严守数据边界。
本地化部署可将数据始终锁在企业自有环境中，大幅降低代码、日志、客服对话及合规文档外泄风险。对于安全等级极高的场景——如内部代码审计、系统日志分析、客户服务数据处理、监管文档整理——私有化模型或专属云部署正成为刚需。
但当模型能力直接挂钩工作效率，员工真正渴望的往往不只是“一个能跑的模型”，而是当前最强、最智能、最懂写代码的工具。本地部署开源模型虽能缓解部分数据边界问题，却难以复现Claude或Copilot级别的完整体验与工程成熟度。
这正是谷歌以“安全顾虑”为由禁用多数员工使用Claude Code、Codex，以及微软因Anthropic数据留存条款限制Claude Fable5的根本动因。
本质上，这类限制是对企业数据主权的捍卫。
第三道防线：资产护城河
模型输出，不得擅自汇入竞争对手的研发流水线。
资产防线实为双向闸门，分别作用于模型提供方与使用方。
对模型提供商而言，“防蒸馏”是生存底线：Anthropic条款明令禁止用户利用Claude输出训练竞品模型；OpenAI同样严禁用户以其服务输出开发对抗性模型。
换言之，模型可以调用，但输出不可随意用于训练下一代竞争模型。
大模型公司的核心资产，不仅在于权重参数，更在于输出中凝结的能力范式：代码生成逻辑、复杂推理路径、任务分解策略、合成数据质量、评测样本设计、特定问题的标准解法。若竞品可大规模调用强模型并采集其输出作为训练数据，等于用对手能力为己所用。
因此，模型厂商必须在服务协议中堵死这一漏洞。这道防线，刻在合同条款里。
对模型使用方而言，则需主动“自证清白”。
此道防线与数据防线实为同一枚硬币的两面：数据防线关注“我的数据是否流出”，资产防线则聚焦“你的输出是否流入”。前者防失密，后者防能力渗透。
合规压力不容忽视。
Meta对Claude与Codex的限制，精准锁定在“模型构建”环节。The Information援引的内部文件显示，公司担忧Claude或Codex的输出可能渗入其研发流程——包括训练数据清洗、合成数据生成、模型评测、性能优化及底层代码基建。
一旦此类输出进入研发管线，即可能被模型提供商质疑：“你是否借我模型能力迭代自身产品？”
更进一步，若调用量达到规模化、系统化抓取级别，极易被界定为“蒸馏攻击”。
路透社6月24日报道，Anthropic致信美国参议员，指控与阿里巴巴及Qwen AI实验室相关的操作主体，在2026年4月22日至6月5日期间，通过近2.5万个伪造账号对Claude发起2880万次交互，意图通过输出蒸馏窃取模型能力。尽管尚未形成正式诉讼，但此事已进入政策与监管视野。
颇具讽刺意味的是，《连线》杂志6月29日报道，Meta旗下承包商Covalen主导一项代号“Cannes”的项目：数百名外包人员伪装成未成年人，持续测试ChatGPT、Gemini、Character.AI等竞品聊天机器人。该项目至少运行至2026年4月21日，外包人员被要求创建虚假未成年账号，向竞品模型提交高风险提问，甚至上传图片，并将回复人工录入表格。
Meta辩称此举属常规安全测试与基准评测。但客观而言，其行为边界已模糊触及模型竞争伦理红线。
资产防线，本质是为自身模型研发流程预留合规缓冲空间。
否则，未来一旦爆发模型能力争议、合同纠纷或监管审查，企业将难以举证其模型未依赖竞品输出进行训练。
AI行业迈入深度竞合新纪元
“三”这个数字耐人寻味，请允许稍作延伸：在希腊神话体系中，“三”贯穿宇宙秩序、命运轨迹、神权分配与英雄宿命——冥界须经三重关卡：渡冥河、过刻耳柏洛斯（三头犬）守卫的入口、接受三位判官审判；冥界本身亦分三层。
如今，AI巨头的准入通道，同样竖起三道屏障：
资源不可无限调用，数据不可随意流动，输出不可擅自复用。
透过这三重防线，我们清晰看到：AI产业正步入全新竞合阶段。
在此阶段，每家巨头都身兼双重身份。
其一，是模型供应商——自然渴望自身模型被广泛集成，嵌入更多产品、接入更多企业工作流、成为行业事实标准。
其二，亦是模型使用者——没有企业能闭门造车，最强模型、最优编程工具、最稳云基座、最广企业入口，天然分散于不同巨头手中。
它们考量维度极为复杂：既要开放模型吸引生态，又须防范输出被用于训练竞品；既要借助外部模型提升效率，又不能让核心数据、代码与研发脉络失控。
合作仍将延续，但已告别“应有尽有”的粗放时代。
回望云计算时代，巨头间本就互为客户：Netflix可部署于AWS，苹果可选用Google Cloud，微软软件亦服务诸多竞对。彼时，基础设施与上层应用边界清晰——你租我服务器，我供算力、存储与网络；你的数据、业务逻辑与流程，仍牢牢掌握在自有系统中。
当然，云时代亦存安全、合规与厂商锁定难题，但整体仍属“基础设施租赁”范式。
而此逻辑在大模型时代已然失效——因大模型不仅是基础设施，更是能力本体。
你调用我的模型，本质是在付费购买我的认知能力；你将我的输出接入你的系统，收获的不仅是答案，更可能是能力沉淀与范式迁移。
这条连接带来增效，也埋藏风险。
巨头间的联结因此愈发敏感。昔日仅关乎流程细节的问题，如今悉数升格为合作前置条件：谁可用、用多少、数据如何进出、输出能否复用……
早年AI尚为效率插件时，“谁好用就用谁”是朴素真理；而今AI已成为核心生产资料，它必须被权限化、配额化、审计化与边界化。
AI工具的自由试用期，已然终结。
本文来自微信公众号“字母AI”，作者：袁心玥，36氪经授权发布。
