AI 編碼工具（Claude Code、GitHub Copilot、Cursor 等）已成為許多開發者的日常夥伴，但隨之而來的兩個問題正困擾企業決策者：成本急速膨脹與程式碼品質／知識產權風險。本週兩則重量級新聞正好從不同角度切入這個議題。
Oracle 雙重標準：對外嚴禁、對內擁抱 AI 寫碼
Oracle 作為 Java 生態的守護者，上週發布了 OpenJDK 臨時政策，明文禁止任何由大型語言模型、擴散模型或類似深度學習系統生成（不論部分或完整）的內容提交至 OpenJDK Git 倉庫、Pull Request、Wiki 頁面或 JBS 問題系統。這意味著即使開發者只使用了 AI 生成 100 行程式碼中的 10 行、其餘手動修改，仍然不可提交。
政策背後有三重考量：
- 審查負擔：AI 能大量產出「看似合理卻不正確」的程式碼，耗盡本就有限的人類審查者時間
- 安全風險：JDK 是全球無數關鍵系統的基石，「看似合理但錯誤」的程式碼可能帶來災難性後果
- 知識產權：大多數 AI 工具以版權內容訓練，輸出可能侵犯第三方權利，違反 Oracle 貢獻者協議
諷刺的是，Oracle 內部完全是另一套做法。共同創辦人 Larry Ellison 曾公開表示 AI 模型現在「正在寫 Oracle 的程式碼」，而聯合 CEO Mike Sicilia 更直言 AI 工具讓較小的工程團隊能更快交付。Oracle 今年在數據中心的投資高達 700 億美元，這筆巨額支出甚至促使信用評級機構 S&P 將 Oracle 評級下調至 BBB-（僅高於垃圾級一級），理由是回報不確定。
對香港開發者而言，這不是一個遙遠的美國爭論。如果你的團隊使用 Java 技術棧、或參考 OpenJDK 社群的最佳實踐，這項政策就是重要的信號：AI 生成的程式碼在生產級開源專案中仍未獲得信任。尤其對於金融科技、合規性要求高的行業，程式碼溯源（provenance）問題只會越來越重要。
Databricks 實戰：四大槓桿削減 70% AI 編碼成本
如果 Oracle 的政策針對的是「質」的問題，那 Databricks 本週發表的Managing AI Coding Costs at Scale 則直擊「量」的挑戰。Databricks 與 Stripe、Coinbase、Uber、Ramp 等數位原生企業交流後發現，幾乎所有大規模部署 AI 編碼工具的企業都撞上了同一道牆：成本指數級增長。如果不加控制，AI 支出最終將超越其帶來的效率收益。
Databricks 分享的四大成本槓桿包括：
1. 擁抱效率前沿模型
與其追逐「最聰明」的 frontier 模型，不如關注「效率前沿」——即每個 intelligence 單位成本最低的模型。日常編碼工作大多不需要數學證明或突破性安全發現，GLM 等開源模型在 Databricks 內部測試中展現了極佳的性價比。關鍵是：企業需要建立自己的內部基準測試，因為公開基準往往無法反映實際開發場景。Stripe 發現 Opus 4.7 比 4.6 更貴卻沒有明顯品質提升，因此拒絕內部部署。
2. 動態請求路由
不再讓開發者手動選擇模型，而是由系統自動將簡單任務路由至廉價模型，複雜問題才動用頂級模型。這需要構建一個「元工具」（meta-harness）——Databricks 開源了自家的 Omnigent。
3. 可見度與漸進式摩擦
最有效的成本控制不是設定硬性預算上限（「用完即止」對生產力是毀滅性的），而是給開發者即時的花費反饋，並在高消耗時增加「摩擦」——例如提示改用更便宜的模型。
4. 減少 token 浪費
研究發現，用戶輸入的初始請求只佔最終餵入 AI 系統數據的極小部分——成本主要來自 AI 代理自動收集的大量上下文。透過優化提示緩存（prompt caching）和壓縮上下文，Databricks 將生成的 token 數量減少了近 50%，且未觀察到品質下降。
這四項策略合起來，讓 Databricks 等企業在保持開發者生產力的同時，將 AI 編碼總支出削減了 70%。Databricks 已將 Unity AI Gateway 和 Omnigent 作為開源或免費產品釋出。
對香港企業的啟示
這兩則新聞看似矛盾——Oracle 在限制 AI 程式碼，Databricks 在推廣 AI 編碼——但實際上指向同一個結論：AI 編碼工具需要管理制度，而非放任不管。
對於正考慮或已經採用 AI 編碼工具的香港企業，我們建議以下行動：
- 建立內部 AI 編碼政策：像 OpenJDK 那樣，明確哪些程式碼可以用 AI 生成、哪些必須手寫、如何標記 AI 輔助的貢獻。這不是為了限制，而是為了風險管理。
- 追蹤 AI 編碼 ROI：不要只看「開發者說快了」，要實際量度 AI 工具帶來的交付速度提升 vs. API 成本。設立 dashboard 讓團隊看到自己的 AI 開支。
- 擁抱模型多元化：不要被單一工具綁死。建立模型評估流程，定期測試新模型的性價比，保留切換的靈活性。
- 從小規模 pilot 開始：先讓一個團隊試行 AI 編碼策略（包括成本監控和品質審查），成功後再推廣至全公司。
AI 編碼不是一個「要不要用」的問題，而是「如何用得聰明」的問題。成本管理與品質管控——這兩者才是企業在 AI 時代真正的競爭力所在。