四個月燒光全年AI預算，為啥連Uber也燒不起token了？

今年以來，伴隨著AI智能體的高速發展，“養龍蝦”“養馬”逐漸成為了一種潮流，甚至不少科技巨頭發出來全員AI躍進的號召，但是好景不長，在不少科技巨頭全面進軍AI的時候，突然發現AI雖好但是似乎要用不起了，就在最近網約車巨頭Uber4個月燒光全年AI預算的消息傳來，連Uber也要燒不起token了？

一、四個月燒光全年AI預算的Uber

據網易新聞的報道，彭博社援引Uber發言人確認：Uber已對員工使用的智能體式編程工具設定消費上限，包括Claude Code、Cursor等。新規則限制每名員工在每款工具上每月最多消耗1500美元token額度。不同工具之間額度不互通，一款工具超支不影響另一款的預算。員工可以通過內部儀表板查看自己的使用情況，特殊情況下也可以申請超過上限。

據TechCrunch引述相關報道，Uber此前曾鼓勵員工盡量多使用AI，甚至用排行榜推動內部采用；但公司今年前幾個月就已經耗盡全年AI預算。先把AI當成內部效率試驗大規模鋪開，再回到財務部門最熟悉的問題：到底誰來付賬、怎么控賬。公司沒有公開財務明細，今年AI預算的具體總額仍然未知。

Uber的做法在硅谷不孤立。GitHub Copilot也在同一時間轉向基于token消耗的新計費模式，引發開發者反彈。差別在于Uber把額度直接鎖定到員工個人頭上，讓AI成本從公司總預算變成了每個人都能感受到的使用邊界。

1500美元的單工具月度上限，對一個日常重度依賴AI寫代碼的員工意味著什么？至少它會讓"隨手開一個長任務"變成需要掂量的動作。

二、為啥連Uber也燒不起token了？

近期，作為出行領域的標志性企業，Uber被曝出僅用四個月便耗盡了全年的AI預算，進而不得不開始限制內部對AI工具的使用，這不僅是一家科技巨頭的財務窘境，更是給整個狂熱的科技產業敲響了一記警鐘，我們到底該怎么看這件事？

首先，AI智能體已經徹底打破了傳統大模型的可控消耗體系。在傳統大模型應用階段，企業AI使用場景大多集中在單次對話、簡單問答、基礎文案生成等輕量化場景，token消耗具備明顯的單次性、固定性、低頻次特征，整體使用量存在清晰的上限邊界。對于絕大多數科技企業而言，這類淺層AI應用的成本可預判、可量化、可管控，全年AI預算基本可以實現精準規劃、平穩消耗。

但行業全面邁入智能體時代后，AI的應用形態徹底重構，自主決策、多輪迭代、場景聯動、持續運算成為核心特征。智能體不再是被動響應人類指令的工具，而是能夠自主拆解任務、反復試錯、多流程聯動運算的智能主體，這一模式直接帶動token消耗量呈現幾何級、指數級增長。筆者自己在嘗試使用龍蝦等智能體的時候，無論是OpenClaw還是國產的各種龍蝦，隨便一個指令往往都是幾十萬token的瞬時消耗，如果是那種需要隨時盯著執行的指令，這種消耗無疑更加巨大。

對于Uber這類擁有海量業務場景、全鏈路數字化運營的平臺型科技企業而言，調度、客服、運維、數據分析、業務優化等全場景落地智能體，會形成海量的持續性算力與token消耗。這種消耗沒有固定上限、沒有平穩周期，完全跟隨業務運轉持續疊加，最終讓企業既定的年度AI預算體系徹底失效，短時間內透支全年預算成為必然結果，這也是智能體時代所有平臺型企業都會面臨的成本結構性難題。

其次，token投入產出比嚴重失衡才是最大的問題。在經濟學中，我們始終強調投資必須帶來相應的邊際收益。但當前的AI智能體發展仍處于野蠻生長的初級階段，其邏輯推理能力和規劃能力遠未達到成熟狀態。這就導致了一個極其尷尬的局面：智能體在執行任務時，往往會陷入“死循環”或“無效推演”。它們可能在某一個邏輯節點上反復打轉，或者為了完成一個微不足道的子任務而調用海量的無關數據，甚至在多智能體協作中產生無意義的相互扯皮。

這一切的底層表現，就是海量token的無效燃燒。企業為這些無意義的內耗買了單，但業務效率并沒有得到實質性的提升，收入端也沒有看到相應的增長。這就好比一家工廠引進了號稱最先進的自動化設備，結果設備每天大部分時間都在空轉和做廢品，電費和耗材消耗巨大，但良品率和出貨量卻毫無起色。這種投入產出比的嚴重失衡，才是Uber真正感到肉痛的核心原因。AI沒有成為利潤的催化劑，反而成了財務報表上純粹的費用吞噬者，這無疑更讓公司的管理層擔憂。

第三，token經濟沒有邊際成本遞減是問題的根源。回顧科技產業的發展史，無論是硬件制造還是軟件開發，其商業模式的底層邏輯都是“規模經濟”，隨著用戶量或產出的增加，分攤的固定成本越來越低，邊際成本無限趨近于零。互聯網時代“邊際成本遞減”的甜頭，讓所有科技公司對新技術都抱有一種天然的樂觀，我們經常看到很多產品都是剛上來的時候很貴，但是隨著技術的發展價格越來越低，甚至成本有趨近于零的可能性。

然而，在token經濟中，這套經典的經濟學法則失效了。大模型的推理成本是實打實的算力消耗，每一次生成都需要GPU進行高強度的運算。你使用一次，就要支付一次的算力租金，一萬個人使用一萬次，成本就是線性疊加甚至超線性疊加的。它沒有規模效應，只有剛性支出。

這就意味著，隨著AI應用規模的擴大，企業的算力成本曲線是持續攀升且難以攤薄的。當AI成為基礎設施，企業實際上是在按流量計費的模式下運營，這在商業邏輯上是極其脆弱的。沒有邊際成本遞減的護城河，所謂的AI規模化落地，就無異于在沙丘上建高樓，規模越大，財務崩塌的風險就越高。

第四，重構AI的成本邏輯才是每家公司最需要做的事情。過去兩年，整個科技行業對AI的態度可以用四個字概括："先上再說。" 很多公司接入AI不是因為想清楚了怎么用，而是因為怕落后。這種心態在技術早期或許沒問題，但當AI進入深水區，當成本開始真正兌現的時候，這種心態就是致命的。

AI產業經過多年高速發展，已經告別了野蠻生長、盲目布局、燒錢換賽道的初級階段，單純追求技術先進性、場景全覆蓋、智能度最大化的發展模式已經完全失效。未來AI商業化落地的核心競爭，不再是誰的AI用得更多、場景鋪得更廣，而是誰的AI用得更精、成本更低、產出更高。

所有科技企業都必須摒棄“盲目擁抱AI”的慣性思維，回歸產業經營本質，以成本約束為前提規劃AI投入，以投入產出比為核心評判AI價值。一方面，企業需要建立精細化的AI使用管控體系，篩選高價值、高回報的AI應用場景，淘汰無效、低效、高消耗的智能體應用，杜絕無意義的算力與token內耗；另一方面，要持續優化AI應用模式，推動技術復用、場景集約、算力共享，弱化AI成本的剛性屬性，逐步打造邊際成本遞減的AI商業化模型。

歸根結底，AI從來不是企業的戰略噱頭，也不是跟風布局的工具，而是服務于企業盈利的核心生產力，任何不能持續給企業創造價值的AI都會注定被市場所淘汰，而最后企業回歸理性，為真正賺錢的AI和算力付費才是最終的可能的結果。