2025 年 12 月，Uber 給工程師們部署了 Claude Code
。這不是什麼大事，矽谷的科技公司，幾乎每個季度都會往工程師的工具鏈里塞進新東西，更何況還是 AI，降本增效的武器。
。這不是什麼大事，矽谷的科技公司，幾乎每個季度都會往工程師的工具鏈里塞進新東西，更何況還是 AI，降本增效的武器。四個月後，Uber 的 CTO Praveen Neppalli Naga 向管理層匯報了一個令人尷尬的情況：公司為 2026 年全年準備的 AI 工具預算，已經在今年的前四個月，全部花完了。
這數字不對勁
Uber 內部的數據是這樣的：95% 的工程師每個月都在用 AI 編程工具。
這個數字本身就很離譜：企業軟體的行業平均採用率大約在 20%到 40%之間。大多數工具真正的命運是 IT 部門發一封郵件，少數嘗鮮者試用幾天，然後它就安靜地躺在某個被遺忘的瀏覽器標籤頁里，直到下一次資產清點。作為參考：微軟花了三年時間才讓 Teams 的日活突破公司員工總數的一半。
Uber 的 AI 編程工具做到 95%，只花了四個月，這不太對勁吧。
更關鍵的數字是第二個：70%的提交代碼由 AI 生成。也就是說，在 Uber 的代碼倉庫里，每十行新代碼中有七行是 AI 寫的，工程師只負責審核、修改、提交。
Uber 西雅圖辦公室. 圖片來自：GeekWire
第三個數字試圖解釋了錢去了哪裡：每位工程師每月的 AI 工具成本在 500 到 2000 美元之間。按 Uber 大約 6000 名工程師粗算，即使取中位數 1000 美元，每月就是 600 萬美元，四個月就是 2400 萬。而 Uber 2025 年全年的研發支出是 34 億美元，同比漲了 9%，AI 已經是最大的增量推手。
一位 Hacker News 上的工程師對照了自己的情況，去算這些數字：到底怎麼能用到這個量級的？
他的困惑代表了整個行業的困惑，倒不是質疑 AI 有沒有用，而是用到這個量級，就應該算算 ROI 了吧。
了吧。不是採購失敗，是預測模型失敗
傳統的企業 IT 預算建立在一個基本假設上：工具的使用量是可預測的。你知道公司有多少人，知道每人每月大概用多少雲儲存、多少 SaaS 席位、多少 API 調用次數，算一下就能算出年度預算，誤差也有，但通常可以控制在 10%到 20%以內。
AI 編程工具打破了這個假設，原因很簡單：傳統工具的使用量有天花板。一個工程師一天最多寫那麼多代碼，一個設計師一天最多出那麼多稿，但 AI 工具的使用量沒有天花板。
你讓它寫一個函數，發現效果不錯，那就再寫十個。寫完十個發現還能重構，就讓它把整個模組重構一遍。重構完發現測試也能寫，那就把單元測試全補上。
每一步都是合理的，每一步都在創造價值，但每一步也都在燒 token。
一位技術博主在分析 Uber 案例時寫道：這是一家市值超過 1000 億美元的公司，有成熟的財務團隊，有完善的預算審批流程，預測模型照樣偏差了三倍。那麼，每一個比他們小的團隊都會以同樣的方式——或許是更慘烈的方式——崩潰。
當好用變成一種負債
反而呢，這讓人想起了那句扎心冷笑話：AI沒有鋪開，是因為現階段它的費用比人貴。
這句話乍看像是在說 AI 太貴，但細思它說的其實是另一件事：在某些場景下，一個工程師加上 AI 工具的綜合成本，已經超過了直接多雇一個初級工程師的成本，初級員工的就業率側面反映了一定問題。
這不是 AI 的失敗，恰恰相反，這是 AI 成功得太徹底的結果。
早兩年，科技行業關於 AI 的敘事一直是「AI 還不夠好」，模型會幻覺，代碼會出錯，上下文窗口太短，無法理解複雜的業務邏輯……即便到了今天，這些批評依然部分成立。
但 Uber 的故事揭示了硬幣的另一面：當 AI 跨過「夠用」的門檻之後，企業面對的不再是「要不要用」的問題，而是「怎麼控制用量」的問題。
前者是一種戰略決策，很顯然，現在已經沒有猶豫的空間了，開團秒跟吧。
而後者，則是一種全新的管理挑戰。歷史上，企業軟體的主要矛盾一直是「推廣」，花了大價錢弄出來的系統沒人用，是 CIO 們的噩夢。所有的培訓、激勵、考核機制都在解決同一個問題：讓員工多用一點。
現在 AI 的使用門檻不斷降低，使用本身不需要培訓，不需要激勵，不需要任何推廣手段，工程師自己就會用到停不下來，就促生了新的管理面向。
更大的問題
Uber 不是唯一一個遇到這個問題的公司。在 Reddit 和 Hacker News 上，關於 AI 工具成本失控的討論在過去幾個月密集出現。很多公司的情況和 Uber 類似：預算是按保守估計做的，實際使用量遠超預期。
Axios 報道中有一個更驚人的視角。一位 Nvidia 深度學習部門的 VP 說：我團隊的算力成本已經遠遠超過了員工工資。
英偉達深度學習部門 VP Bryan Catanzaro
圍繞這個現象，矽谷發明了tokenmaxxing，它模仿了健身圈的「maxxing」構詞法，意思是不計成本地大量消耗 AI token，把 token 消耗量當成一種生產力指標，甚至一種身份標籤。「你這個月燒了多少 token」正在變成工程師之間的社交貨幣，就像前幾年他們比較誰的 GitHub commit 更多一樣。
，它模仿了健身圈的「maxxing」構詞法，意思是不計成本地大量消耗 AI token，把 token 消耗量當成一種生產力指標，甚至一種身份標籤。「你這個月燒了多少 token」正在變成工程師之間的社交貨幣，就像前幾年他們比較誰的 GitHub commit 更多一樣。
在過去，一個科技公司最大的成本是人，現在最大的成本可能是餵養 AI 的 token。這不是一個簡單的成本結構變化，它會重塑整個行業對「一個工程師值多少錢」的定義。
如果一個高級工程師每月的 AI 工具成本是 2000 美元，一年就是 2.4 萬美元，這已經接近一些國家初級開發者的全年工資。如果 AI 讓這個高級工程師的產出翻了三倍，那這 2.4 萬花得值。但如果 AI 只是多生成了很多不必要的代碼，或者讓工程師養成了「先讓 AI 跑一跑」的習慣而不是自己思考，那這 2.4 萬，稱得上是某種浪費。
Ainvest 的一篇分析指出，這種行為創造了一個奇怪的利益衝突：AI 廠商希望企業燒更多 token，因為他們按用量收費。企業希望控制成本，但又不想限制工程師的生產力。與此同時，工程師覺得自己在創造價值，不理解為什麼要限制工具的使用，三方的激勵完全錯位。
一些公司已經開始採取措施。設置每月用量上限、要求先寫需求文檔再調用 AI、用更輕量的模型處理簡單任務。但這些場景吧，想像一下多少有點荒誕，你花錢買了一個提升效率的工具，然後又花精力限制大家使用它。
誰來買單？
Uber 的 CTO 說公司需要「回到白板前面」重新規劃 AI 預算，潛台詞是，「我們之前畫的那個模型估算錯了」。
過去兩年，關於 AI 的爭論一直圍繞著「AI 能不能取代人類」，但 Uber 的故事提供了一個更現實、也更緊迫的問題：當 AI 足夠好用的時候，誰來為這個「好用」買單？
工程師不會買單，因為他們覺得自己在提高效率。管理層不會買單，因為他們已經享受了 70%的代碼由 AI 生成的紅利。AI 廠商更不會買單，因為按量計費是他們的商業模式。
最後，大概率只有財務繼續頭疼，該怎麼面對下一輪股東大會時更刁鑽的提問。
