大厂AI竞赛烧光全年预算CTO面临技术转型困境

2025年12月，Uber为其工程师团队全面部署了AI编程助手Claude Code。这在硅谷科技圈已是常态，各大巨头每个季度都在积极更新其开发工具链，尤其是将AI工具视为提升效率、降低成本的“战略标配”。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

然而，仅仅四个月后，Uber首席技术官Praveen Neppalli Naga向公司管理层汇报了一个令人尴尬的现实：公司为2026年全年规划的AI工具预算，已在今年前四个月内被全部耗尽。

惊人的数据背后

首先看Uber内部的关键数据：高达95%的工程师每月都在频繁使用AI编程工具。

这个采用率数字高得异乎寻常。作为对比，企业级软件的平均采用率通常在20%至40%之间。许多工具的结局是：IT部门推广后，仅有少数早期使用者尝试，随后便被遗忘。微软耗时三年，才让Teams的日活跃用户数超过员工总数的一半。

而Uber的AI编程工具达到95%的渗透率，仅用了四个月。这背后显然存在不同寻常的驱动因素。

更关键的第二个数字是：70%的提交代码由AI生成。这意味着，在Uber的代码仓库中，绝大部分新增代码来自AI，工程师的角色正转向审核、优化与集成。

Uber西雅图办公室。图片来自：GeekWire

第三个数字直接揭示了成本去向：每位工程师每月的AI工具成本介于500至2000美元。以Uber约6000名工程师估算，即使取中位数1000美元，月度成本即达600万美元，四个月累计2400万美元。对比Uber 2025年全年340亿美元的研发支出，AI工具成本已成为其最大的增量开支之一。

如此巨大的使用量令行业观察者感到困惑。一位Hacker News上的工程师对比个人使用情况后不禁发问：究竟要达到怎样的使用强度，才能产生如此高的费用？

这种困惑并非质疑AI工具的价值，而是指向一个更实际的问题：当使用量飙升至此，企业必须严肃评估其投资回报率（ROI）。

预算失灵：预测模型遭遇挑战

传统的企业IT预算基于一个核心假设：资源消耗是可预测的。公司能够相对准确地预估员工对云存储、SaaS席位或API调用的月度使用量，从而将年度预算误差控制在10%-20%。

然而，AI编程工具彻底颠覆了这一逻辑。根本原因在于：传统工具的使用存在物理上限，而AI工具的使用量几乎没有天花板。

工作流程演变为：让AI编写一个函数，效果良好，接着让它生成十个类似函数。完成后，意识到整个模块都可以优化重构，于是将重构任务也交给AI。重构结束，认为单元测试亦可自动生成，进而补充完整测试用例。

每一步都逻辑自洽，每一步似乎都在创造价值，但每一步也都在持续消耗计算资源（token）。

有技术分析师指出，Uber作为市值超千亿美元、拥有成熟财务体系的公司，其预测模型尚且出现数倍偏差。规模更小的团队，很可能正以更突然的方式面临预算失控的风险。

当“高效”转化为“高成本”

这让人联想到硅谷近期流传的一句尖锐评论：“AI未能全面普及，是因为在某些场景下，其使用成本已超过雇佣一名初级工程师。”

这句话表面吐槽AI成本高昂，实则揭示了一个更深层现实：一位资深工程师加上其AI工具的综合成本，可能已高于直接雇佣一名初级开发者。初级就业市场的某些信号似乎也在印证这一趋势。

这并非AI技术的失败，恰恰是其“过于成功”所引发的管理副作用。

过去一两年，科技行业对AI的主流批评集中于“还不够好”——存在幻觉、代码错误、上下文限制、难以理解复杂业务等。即便现在，这些问题仍部分存在。

但Uber的案例展现了问题的另一面：当AI跨越“勉强可用”的门槛，进入“真正高效”的阶段后，企业的核心挑战就从“是否采用”急转为“如何管控用量”。

前者是关于技术采纳的战略决策，答案在今天已毋庸置疑。而后者，则是一种全新的、前所未有的运营管理挑战。

回顾历史，企业软件推广的核心矛盾始终是“如何提升员工使用率”。CIO们最苦恼的往往是高价部署的系统无人问津。因此，所有培训、激励措施都围绕一个目标：提高使用率。

如今，AI的使用门槛极低，它几乎无需培训，无需额外激励，工程师们自然会高频使用。于是，管理焦点不得不彻底转向：从“鼓励使用”变为“防止滥用”。

行业性难题与“Token消耗竞赛”

Uber并非孤例。过去几个月，Reddit和Hacker News上关于AI工具成本失控的讨论日益增多。许多企业都遇到了相似情况：基于保守估计制定的预算，被远超预期的实际使用量迅速击穿。

Axios的一篇报道提供了更惊人的视角。英伟达深度学习部门的一位副总裁透露，其团队的算力成本，已远超团队全体成员的薪资总和。

英伟达深度学习部门VP Bryan Catanzaro

围绕此现象，硅谷甚至诞生了一个新词：“tokenmaxxing”。它模仿了健身圈的构词法，意指不计成本地大量消耗AI token，将token消耗量本身视为一种生产力指标乃至身份象征。“你这个月用了多少token？”正成为工程师间新的社交话题，如同几年前比较GitHub提交记录。

过去，科技公司最大的成本项是人力；未来，最大的成本项可能是“喂养”AI模型的token。这不仅是成本结构的变化，更将从根本上重塑“工程师价值”的评估体系。

试想，若一名高级工程师每月的AI工具成本达2000美元，年化即2.4万美元，这已接近某些地区初级开发者的年薪。如果AI能将其产出提升数倍，这笔投资物有所值。但如果AI只是生成了大量冗余代码，或助长了“凡事依赖AI”的思维惰性，那么这笔开支就可能沦为效率陷阱下的浪费。

投资分析机构Ainvest的报告指出，这创造了一种奇特的利益冲突：AI供应商希望企业消耗更多token以实现收入增长；企业希望控制成本却不愿限制生产力工具；工程师则认为自己在高效创造价值，反对使用限制。三方的激励机制完全错位。

部分公司已开始尝试应对，例如设置月度用量上限、要求先写需求文档再调用AI、用轻量模型处理简单任务等。但这些措施本身带着一丝荒诞：企业购买旨在提升效率的工具，却不得不投入额外管理资源来限制其使用。

成本之问：最终由谁承担？

Uber的CTO表示，公司需要“重新回到规划阶段”审视AI预算。这背后的潜台词是：原有的预测模型已失效。

过去两年，关于AI的公共讨论总围绕“AI能否取代人类”。但Uber的案例提出了一个更现实、更紧迫的命题：当AI变得足够好用、好用到令人无法停止时，最终该由谁来为这份“极致好用”买单？

工程师不会买单，他们视其为生产力倍增器。管理层不愿买单，因为他们已享受到AI生成70%代码的效率红利。AI厂商更不可能买单，按量计费是其商业模式的根基。

最终，压力很可能再度传导至财务部门，迫使他们在下一次股东大会上，艰难解释为何研发成本出现如此显著的激增。