2025年12月，Uber为其工程师团队全面部署了Claude Code。这在硅谷的科技巨头中并非孤例，每个季度都有新的AI编程工具被集成进开发工作流，作为提升效率、降低成本的战略举措。
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震惊的财务现状：为2026年全年规划的AI工具专项预算，已在2026年的前四个月内被全部耗尽。
惊人的数据揭示行业剧变
首先看Uber内部披露的核心数据：高达95%的工程师每月都在频繁使用AI编程助手。
这个渗透率数字本身已极具冲击力。对比企业级软件通常20%到40%的行业平均采用率，大多数工具的命运往往止步于初期推广。Uber的AI工具却在四个月内达到了95%的渗透率，其普及速度远超传统企业软件，例如微软Teams花费数年才让日活用户超过员工半数。
第二个关键指标更深刻地揭示了工作模式的转变：70%的新提交代码由AI生成。这意味着在Uber的代码库中，大部分新增代码源自AI，工程师的核心职责正从“编码”转向“审查、优化与集成”。
Uber西雅图办公室。图片来自：GeekWire
第三个数据直接指向了成本失控的根源：每位工程师每月的AI工具成本介于500至2000美元。以Uber约6000名工程师的规模、取中位数计算，每月成本高达600万美元，四个月即消耗2400万美元。相比之下，Uber 2025年全年研发支出为340亿美元，同比增长9%。AI工具已成为研发费用增长的主要驱动因素之一。
此事在Hacker News等技术社区引发了广泛讨论，许多工程师开始核算：要达到如此高的使用量级，日常开发行为究竟发生了怎样的变化？
行业的普遍疑问并非否定AI的价值，而是当使用规模突破临界点后，其真实的投资回报率（ROI）必须被严格评估。企业AI成本管理正成为一个紧迫的议题。
预测模型失灵：传统IT预算逻辑的失效
传统企业IT预算建立在一个可预测的模型上：员工数量、人均资源消耗、SaaS席位、API调用次数等均有历史数据可循，年度预算误差通常能控制在10%-20%。
但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助手的使用量几乎没有天花板。工程师可以持续提出需求，AI便能持续生成代码、测试用例乃至重构方案。
典型的工作流演变为：AI生成一个基础函数，效果良好；随即要求其生成十个类似函数；接着优化整体架构；最后自动补全单元测试。每一步都合理且能创造价值，但每一步也都在持续消耗token，导致成本呈指数级增长。
有技术分析师指出，像Uber这样拥有成熟财务体系的千亿美元市值公司，其预测模型竟出现三倍偏差。规模更小的创业公司或技术团队，很可能正以更剧烈的方式面临AI预算超支的困境。
当“易用性”转化为“财务负债”
行业内部流传着一个尖锐的观点：AI未能全面普及，是因为其当前成本有时甚至超过人力成本。这虽似调侃，却揭示了一个深层矛盾——在某些场景下，“资深工程师+AI工具”的综合成本已高于直接雇佣一名初级开发者。
这并非AI技术的失败，反而是其“过于成功”所带来的管理副作用。过去两年，行业焦点集中于AI的不足：幻觉问题、代码错误、上下文限制等。然而，Uber的案例展现了另一面：当AI跨过“可用性”门槛后，企业的核心挑战骤然从“是否采用”转变为“如何管控用量”。
历史上，企业软件推广的核心难题是“使用率不足”。CIO们常需投入大量资源进行培训与激励。如今，AI工具极低的使用门槛使其迅速普及，管理矛盾发生180度反转：核心任务从“促进使用”变成了“防止滥用”与“成本控制”。
行业普遍现象与“Token消耗竞赛”
Uber的情况并非孤例。在Reddit、Hacker News等平台，关于AI编程工具成本失控的讨论日益增多。许多企业都经历了预算基于保守估计制定，实际用量却远超预期的窘境。
更宏观的视角来自Axios的报道：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酬总和。
英伟达深度学习部门副总裁Bryan Catanzaro
硅谷甚至出现了“tokenmaxxing”这一新词，模仿健身圈的“maxxing”文化，意指最大化消耗AI token，并将其视为生产力或地位的象征。“本月烧了多少token？”正成为工程师间新的社交话题，如同以往比较GitHub提交次数。
这标志着科技公司成本结构的根本性转变：最大成本项可能正从“人力”转向“AI算力消耗”。这将重新定义“工程师价值”的评估体系。如果一名高级工程师年化2.4万美元的AI工具成本能带来三倍产出提升，则投资回报显著；但若AI仅生成了大量需反复修正的代码，或助长了“凡事依赖AI”的思维惰性，则可能陷入效率陷阱。
投资机构Ainvest的报告指出，这制造了一种奇特的三方激励错位：AI供应商按消耗收费，希望用量持续增长；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。目标的不一致使得成本管控异常复杂。
一些公司已开始采取应对措施：设置月度使用限额、要求提交详细需求文档后方可调用AI、用轻量模型处理简单任务等。但这本身构成了一种悖论：企业购买提升效率的工具，却又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“重新回到规划阶段”制定AI预算。这实质上承认了原有预测模型的彻底失效。
过去关于AI的公共讨论多聚焦于“是否会取代人类”。而Uber的案例提出了一个更切实、更紧迫的命题：当AI变得极其好用、以至于产生依赖时，这份“好用”带来的高昂成本，最终应由谁承担？
工程师不会承担，因为他们视其为生产力工具。管理层不会承担，因为他们已享受到AI带来的产出红利。AI供应商更不会承担，按量计费是其核心商业模式。
最终，压力很可能传导至财务部门，他们需要在未来的财报会议中，向股东和资本市场解释这些飞速增长且难以预测的研发成本。
