本文来自微信公众号： APPSO ，作者：APPSO ，头图来自：AI生成
2025年12月，Uber给工程师们部署了Claude Code。这不是什么大事，硅谷的科技公司，几乎每个季度都会往工程师的工具链里塞进新东西，更何况还是AI，降本增效的武器。
四个月后，Uber的CTO Praveen Neppalli Naga向管理层汇报了一个令人尴尬的情况：公司为2026年全年准备的AI工具预算，已经在今年的前四个月，全部花完了。
一、这数字不对劲
Uber内部的数据是这样的：95%的工程师每个月都在用AI编程工具。
这个数字本身就很离谱：企业软件的行业平均采用率大约在20%到40%之间。大多数工具真正的命运是IT部门发一封邮件，少数尝鲜者试用几天，然后它就安静地躺在某个被遗忘的浏览器标签页里，直到下一次资产清点。作为参考：微软花了三年时间才让Teams的日活突破公司员工总数的一半。
Uber的AI编程工具做到95%，只花了四个月，这不太对劲吧。
更关键的数字是第二个：70%的提交代码由AI生成。也就是说，在Uber的代码仓库里，每十行新代码中有七行是AI写的，工程师只负责审核、修改、提交。
第三个数字试图解释了钱去了哪里：每位工程师每月的AI工具成本在500到2000美元之间。按Uber大约6000名工程师粗算，即使取中位数1000美元，每月就是600万美元，四个月就是2400万。而Uber 2025年全年的研发支出是34亿美元，同比涨了9%，AI已经是最大的增量推手。
一位Hacker News上的工程师对照了自己的情况，去算这些数字：到底怎么能用到这个量级的？
他的困惑代表了整个行业的困惑，倒不是质疑AI有没有用，而是用到这个量级，就应该算算ROI了吧。
二、不是采购失败，是预测模型失败
传统的企业IT预算建立在一个基本假设上：工具的使用量是可预测的。你知道公司有多少人，知道每人每月大概用多少云存储、多少SaaS席位、多少API调用次数，算一下就能算出年度预算，误差也有，但通常可以控制在10%到20%以内。
AI编程工具打破了这个假设，原因很简单：传统工具的使用量有天花板。一个工程师一天最多写那么多代码，一个设计师一天最多出那么多稿，但AI工具的使用量没有天花板。
你让它写一个函数，发现效果不错，那就再写十个。写完十个发现还能重构，就让它把整个模块重构一遍。重构完发现测试也能写，那就把单元测试全补上。
每一步都是合理的，每一步都在创造价值，但每一步也都在烧token。
一位技术博主在分析Uber案例时写道：这是一家市值超过1000亿美元的公司，有成熟的财务团队，有完善的预算审批流程，预测模型照样偏差了三倍。那么，每一个比他们小的团队都会以同样的方式——或许是更惨烈的方式——崩溃。
三、当好用变成一种负债
反而呢，这让人想起了那句扎心冷笑话：AI没有铺开，是因为现阶段它的费用比人贵。
这句话乍看像是在说AI太贵，但细思它说的其实是另一件事：在某些场景下，一个工程师加上AI工具的综合成本，已经超过了直接多雇一个初级工程师的成本，初级员工的就业率侧面反映了一定问题。
这不是AI的失败，恰恰相反，这是AI成功得太彻底的结果。
早两年，科技行业关于AI的叙事一直是“AI还不够好”，模型会幻觉，代码会出错，上下文窗口太短，无法理解复杂的业务逻辑……即便到了今天，这些批评依然部分成立。
但Uber的故事揭示了硬币的另一面：当AI跨过“够用”的门槛之后，企业面对的不再是“要不要用”的问题，而是“怎么控制用量”的问题。
前者是一种战略决策，很显然，现在已经没有犹豫的空间了，开团秒跟吧。
而后者，则是一种全新的管理挑战。历史上，企业软件的主要矛盾一直是“推广”，花了大价钱弄出来的系统没人用，是CIO们的噩梦。所有的培训、激励、考核机制都在解决同一个问题：让员工多用一点。
现在AI的使用门槛不断降低，使用本身不需要培训，不需要激励，不需要任何推广手段，工程师自己就会用到停不下来，就促生了新的管理面向。
四、更大的问题
Uber不是唯一一个遇到这个问题的公司。在Reddit和Hacker News上，关于AI工具成本失控的讨论在过去几个月密集出现。很多公司的情况和Uber类似：预算是按保守估计做的，实际使用量远超预期。
Axios报道中有一个更惊人的视角。一位Nvidia深度学习部门的VP说：我团队的算力成本已经远远超过了员工工资。
围绕这个现象，硅谷发明了tokenmaxxing，它模仿了健身圈的“maxxing”构词法，意思是不计成本地大量消耗AI token，把token消耗量当成一种生产力指标，甚至一种身份标签。“你这个月烧了多少token”正在变成工程师之间的社交货币，就像前几年他们比较谁的GitHub commit更多一样。
在过去，一个科技公司最大的成本是人，现在最大的成本可能是喂养AI的token。这不是一个简单的成本结构变化，它会重塑整个行业对“一个工程师值多少钱”的定义。
如果一个高级工程师每月的AI工具成本是2000美元，一年就是2.4万美元，这已经接近一些国家初级开发者的全年工资。如果AI让这个高级工程师的产出翻了三倍，那这2.4万花得值。但如果AI只是多生成了很多不必要的代码，或者让工程师养成了“先让AI跑一跑”的习惯而不是自己思考，那这2.4万，称得上是某种浪费。
Ainvest的一篇分析指出，这种行为创造了一个奇怪的利益冲突：AI厂商希望企业烧更多token，因为他们按用量收费。企业希望控制成本，但又不想限制工程师的生产力。与此同时，工程师觉得自己在创造价值，不理解为什么要限制工具的使用，三方的激励完全错位。
一些公司已经开始采取措施。设置每月用量上限、要求先写需求文档再调用AI、用更轻量的模型处理简单任务。但这些场景吧，想象一下多少有点荒诞，你花钱买了一个提升效率的工具，然后又花精力限制大家使用它。
五、谁来买单？
Uber的CTO说公司需要“回到白板前面”重新规划AI预算，潜台词是，“我们之前画的那个模型估算错了”。
过去两年，关于AI的争论一直围绕着“AI能不能取代人类”，但Uber的故事提供了一个更现实、也更紧迫的问题：当AI足够好用的时候，谁来为这个“好用”买单？
工程师不会买单，因为他们觉得自己在提高效率。管理层不会买单，因为他们已经享受了70%的代码由AI生成的红利。AI厂商更不会买单，因为按量计费是他们的商业模式。
最后，大概率只有财务继续头疼，该怎么面对下一轮股东大会时更刁钻的提问。