大廠們為啥不讓自家員工用別家大模型？

文 | 超聚焦

即時零售的戰火，燒到了AI上？

據大廠日爆消息，美團對內部大模型使用做出調整，不再推薦業務使用阿里云提供的Qwen模型。若業務仍需使用，需提交詳細使用原因，上報至X3級別（老板級）進行審批。

值得注意的是，目前豆包等其他外部大模型無需審批，而美團推薦業務使用的是自研的LongCat（龍貓）。

同時，京東同步收緊了外部AI工具的使用權限，上周起正式限制員工訪問外部AI相關網站，當員工嘗試打開這些外部AI網站時，頁面會被自動攔截，不限于豆包、千問、Gemini、DeepSeek、ChatGPT、Grok等內外網AI工具。攔截頁面中有公司自研大模型的使用入口，也有外部AI申請入口。

這波不約而同的“筑墻”操作，由于兩家企業的身份，讓人聯想到了即時零售戰場上剛剛過去的血雨腥風，戲稱京東和美團結成了“閃購受害者聯盟”，大有“你動我外賣蛋糕，我禁你底層模型”的賭氣意味。

01 以安全之名“塞狗糧”

把大廠屏蔽外部模型當成“閃購受害者聯盟”的賭氣，當然只是一句戲言，其背后最重要的還是安全問題。

從進入互聯網時代以來，對代碼和數據安全的防備早就不是什么新鮮事了。

在互聯網才剛剛起步的年代，不少企業的安全部門就立下了鐵規：只要是把本地業務數據往外部服務器傳的動作，統統按潛在泄密處理。

進入云時代后，這一原則并未變化，反而更加長期化、制度化、日常化。為了將數據資產留在體內，許多公司不僅強制實行私有倉庫隔離和提交審計，更進一步對屏幕共享、剪貼板等細節操作實施了全方位的監控。

而在AI時代依然如此，只不過最開始集中于代碼層面。

去年5月，字節率先禁用了包括Cursor、Windsurf在內的第三方AI編程軟件，旨在“防范潛在的數據泄露風險”，自研編程軟件Trae正式上位。

9月，微軟總裁宣布，已全面禁止員工使用DeepSeek相關應用。“我們不允許任何未經審查的AI服務接觸公司代碼庫。”

年末，快手的研發線也發布通知，收緊了第三方編程軟件的使用權限。

而此次京東與美團的行為，其實也只是在Coding的基礎上擴大了些范圍而已，本質上還是為了數據安全考量。

而切斷外部通道，本質上也是一場強制性的內部拉練。所以，這就是互聯網巨頭最愛玩的“強制吃狗糧”策略。

客觀來講，無論是美團內部主推的“龍貓”，還是京東內部的AI工具，起跑線都比像Qwen、Claude、Gemini這樣的大模型要晚一些。

所以，要是讓業務線的兄弟們自由選擇，大家肯定用腳投票，去用外面那些更聰明、更順手的通用大模型。畢竟誰也不想在加班趕報告的時候，還要忍受自家AI的胡言亂語。

但大模型這玩意兒，講究的是個飛輪效應，是必須靠“喂食”才能長大。要是沒人用、數據資產沉淀不足，就找不到針對業務改進的地方，想要優化除了蒸餾一下閉源大模型之外完全沒辦法搞定制化。

業務部門抱怨難用？沒關系。模型經常翻車？也沒關系。哪怕你是一邊罵娘一邊用，你也必須在自家的系統里提需求、敲回車。

算完了安全和成長的賬，還得翻開CFO桌上的財務賬本看一眼。

大模型的每一次推理，燒的都是真金白銀。而像美團與京東這樣體量的巨頭，要是讓業務線毫無節制地調用外部大模型的API接口，也是一筆不小的賬單。

不過，并非是兩家大廠付不起Token錢，而是明明他們自己花了不少錢去采購英偉達與華為的AI芯片，結果員工還專門跑去使用PPU訓練出的Qwen，這不妥妥地和公司唱反調嘛。從這個角度來看，將內部使用留在內部，是一定會發生的事情。

把這道大門一關，看似犧牲了員工個人的辦公效率，但在集團層面卻是一筆穩賺不賠的買賣，不就是多加點班，多搞點“古法手作”的事情，有什么大不了的？

所以，在京東與美團高高筑起的這幾棟AI防火墻背后，既有對底線失守的恐懼，也有極其精打細算的利益考量。

02 樂了公司，苦了誰？

大廠的高管們在會議室里算清了安全賬和財務賬，但真正被砸痛的，還是下面干活的打工人。

在海外，巨頭們的底層大模型往往是閉源的，但各家員工對AI工具的使用卻是高度開放的；而在國內，大家都在高喊開源和生態，轉頭卻把自家員工關進了物理隔絕的“數字局域網”。

導致的直接后果就是，外面是百模大戰、神仙打架，SOTA模型日新月異，AI工具越來越強大；里面卻只能守著自家還在“牙牙學語”的自研模型，捏著鼻子被迫“吃狗糧”。

這種落差，對一線員工來說是致命的。

要知道，公司雖然收回了你使用趁手兵器的權利，但并沒有好心地降下你的KPI。寫代碼、趕報告、做PPT、拉數據的Deadline依然橫在那里。

以前用外部頂尖的AI工具，可能幾秒鐘就能生成一段干凈的代碼或者一份邏輯嚴密的框架；現在讓你去配合一個“人工智障”，你不僅要忍受它緩慢的響應速度，還要花費大量時間去修正它那充滿想象力的幻覺和漏洞百出的邏輯。

更讓人啼笑皆非的是，這種強制隔離，催生出了防不勝防的“地下工作者”。

既然內網的高墻擋住了效率，那打工人只能在夾縫中求生，于是，荒誕的一幕在各個大廠的工位上演：

員工們一邊在內網的自研模型里敲幾個無關痛癢的詞匯“完成KPI打卡”，一邊在桌子底下掏出自己的私人手機或iPad，熟練地掛上梯子翻墻，打開Claude、Gemini，再把明明上傳一張圖片就能解決的事情花十五分鐘用文字描述上傳，然后獲取到高質量的答案后，再對著屏幕一字一句地敲回內網的文檔里。

分析師小劉就向超聚焦表示，“OpenClaw真的是幫了我大忙。平時那些海外前沿技術分析全都是英文的技術文檔，指望內網那個模型根本翻不出人話。之前沒辦法，我只能自己一點一點地去人工翻譯、扣字眼，那叫一個折磨。”

”但現在，我可以讓OpenClaw幫我把這些干巴巴的外文資料翻譯、整理好。雖然聽起來很魔幻，人在公司上班，卻得靠家里的服務器來推進業務，但這確實大大提升了我的工作效率，至少不用再天天為了這點破事兒熬大夜了。”

用他的話說，“真是賽博的世界，讓我也是過上了上班就下班，下班才上班的生活”，這也算得上是2026年時髦的冷笑話了。

所以說，安全部門耗費巨資、頂著罵名建起的防火墻，初衷是為了防止數據泄露。結果卻逼得員工不得不把業務痛點和關鍵信息脫敏后，通過不受監控的私人設備輸入給外部大模型。

這哪里是防數據泄露，不如說是把原本可以通過API安全調用的數據，逼成了漫天飛舞的“人工搬運”。

在這場“筑墻”運動中，公司收獲了所謂的安全感，沉淀了業務數據，節省了采購Token的真金白銀。

代價是無數個深夜里，打工人們因為自研模型的低效而不得不增加的加班時長；是原本可以在全球最前沿AI工具輔助下飛速進化的打工人，被迫在自家的信息孤島里重復造輪子。

大廠的算盤打得很精，但在這本精打細算的賬本上，員工被損耗的精力和被拖累的效率，似乎是并沒有被計入成本的“免費耗材”。