大公司AI投入账本为何难以算清
今年四月，Uber 的 CTO 发现了一件令人头疼的事：公司全年 AI 工具预算，仅四个月就已耗尽。这其实是整个硅谷“Token 消耗竞赛”的一个典型缩影，此前业内也有不少相关讨论。
但更扎心的是，几周后 Uber 的 COO Andrew Macdonald 在播客里补了一刀：Token 消耗与最终交付给用户的功能之间，根本看不到任何因果关系。
▲ Andrew Macdonald 图片来自：Business Insider
Uber 去年底部署了 Claude Code，95% 的工程师每月都在使用，70% 的提交代码来自 AI——使用率高得惊人，账单也同样惊人。每个工程师每月的 API 调用费用在 500 到 2000 美元之间，同一人使用同一工具，同一天的消耗差异可达十倍。CTO 不得不承认预算需要推倒重来：“我以为够用的钱，已经被吹走了。”
花了高额成本让 AI 写代码，可投入与最终产出之间的关联呢？钱确实花了，代码也确实写了很多，但用户体验提升了多少？新增了多少实用功能？答案就是：不知道。
另一个方向的同一个问题
Uber 的困境是钱花了却看不到成效，而另一类公司则走了截然不同的路：看到 AI 潜力后大举裁员，认为 AI 可以直接替代人。所以问题来了——不是给人购买 AI 工具，而是用 AI 替代人，这笔账能算得过来吗？
Gartner 今年发布了一项覆盖 350 家年收入超十亿美元的全球企业调查，结果出人意料：80% 的企业在部署 AI 后都裁了人。但裁员率和投资回报率（ROI）之间，完全没有相关性。裁员幅度高和低的公司，回报率几乎一样。
这个结果反直觉，但仔细想想又很合理。裁员省的是人力成本，但省下的钱并没有转化为新的业务价值——它只是让财报上的数字好看了一个季度，并没有让公司真正变强。Gartner 的结论直截了当：裁员可以腾出预算，但无法创造业务价值。
既然 AI 驱动的裁员 ROI 近乎为零，那为什么老板们还在做？本质上，裁员不是经营决策，而是传递信号。对投资人说“我们在用 AI 了”，对董事会说“我们的运营效率在提升”——这些信号本身，比真实的 ROI 重要得多。
Fortune 的分析将这种现象称为“AI washing”——用 AI 当借口裁员，实际是在削减成本、粉饰利润，跟 AI 能否替代那些岗位毫无关系。
一个悖论
这样一来，AI 就带来了一组管理上的自相矛盾：用 AI 替代人，省了工资但 ROI 没提升；给人用 AI，效率似乎提升了，但预算先爆了。
关键在于，AI 工具的计费模式与传统软件完全不同。传统软件按席位收费，每人每年多少钱写在合同里，可预测。但AI 工具按 Token 计费，用多少算多少，而且每个人的用量差异极大。Uber 的数据显示，同一个工程师同一天的消耗可以相差十倍。这意味着传统的 IT 预算模型彻底失效——你根本没法在年初预测年底会花多少。
这像什么？就像从固定费率的健身房会员卡，换成了按次计费的私教课。以前每月交 299，去不去都一样；现在每次去单独付费，去得越勤花得越多——而且你的员工各自去得多勤，你完全无法控制。
不用吧，怕被淘汰；用吧，账算不过来。这就是很多企业当前的真实处境。
钱去了哪里
Gartner 在报告中其实很克制地提了一句预测：到 2028 到 2029 年，自主化业务反而会净增工作岗位。听起来像没什么用的安慰，实际上它暗示的是现在裁掉的人，未来可能还得重新招回来——只不过到时候他们的岗位叫“AI 协调员”或“模型运营”，工资可能也不一样了。
打工人被裁了，公司也没赚到更多，预算还爆了。钱到底去了哪里？答案很直接——流进了 AI 公司的营收里。Anthropic 今年的年化收入已突破十亿美元，OpenAI 更高。当 Uber 的 CTO 说“预算飘走了”的时候，那些被吹走的钱正好落进了 Anthropic 的账户。
这是一个经典的淘金热结构。真正赚钱的从来不是淘金的人，而是卖铲子和牛仔裤的。现在的铲子是 API，牛仔裤是 Token。每家公司都在拼命用 AI，拼命让员工用 AI，拼命用 AI 替代员工——而 AI 公司在所有这些“拼命”的每一个环节里都在收钱。
AI 没有在省钱，只是换了一种花钱的方式。
以前花在人身上，现在花在模型上；以前花在工资里，现在花在 Token 上；以前花得可预测，现在花得无法控制。甚至，以前花的钱留在了员工手里，他们会拿去消费、娱乐、还房贷，钱在经济体里循环。
现在花的钱，直接进了几家硬件密集型、融资密集型的 AI 公司账上，变成了下一轮 GPU 采购和下一轮融资的底气。
所以，下次看到“某公司宣布用 AI 优化人力结构”的新闻时，不妨翻译一下：我们把给员工的钱转给了 AI 公司，但我们并不确定这笔交易是否划算——我们只是知道，如果不做这笔交易，投资人会不高兴。
相关攻略
其实，想在 Notion 中高效搞定用户反馈的自动归纳，并不复杂。下面这四种 AI 方法，基本覆盖了从单条处理到全局分析的常见场景。 如果你也在用 Notion 收集用户反馈——无论是问卷、邮件、客服记录，还是社群发言——但总觉得信息碎片化严重，难以提炼共性问题和核心诉求，那很可能是因为缺少一套结构
大模型能力强大，但提问方式不当会导致结果不理想。核心在于精准提问，通过角色设定、背景介绍、明确任务、实现路径和输出要求这五个关键步骤逐步细化问题，才能大幅提升AI回答的质量和精准度。
科技的浪潮正以前所未有的速度重塑着我们的工作场景。曾被视为未来概念的AI办公软件，如今已悄然成为现实工具箱中的一员。面对这个瞬息万变的时代，如何借助新一代AI工具来撬动团队效率、重塑协作模式，无疑是摆在每一位职场人面前的核心课题。今天，我们就来深入聊聊这场正在发生的办公革命。 当AI遇上办公：从工具
综合2026年行业公开数据及各企业在GEO（生成式引擎优化）领域的技术落地成果，本次重点推荐的前三家公司为知道人工智能实验室（KnowAI）、深维智信、赛博推；其余七家则各具特色，在细分方向上均有显著建树。 评选标准 本次评选基于2026年国内AI营销与GEO优化服务市场的实际发展情况，从以下四个维
想要利用即梦AI快速创作出小红书上备受欢迎的照片拼贴墙？让多张生活照、产品图或旅行照自动组合成富有呼吸感、包含留白节奏的创意展示页面，避免千篇一律的九宫格堆砌。 核心方法只需三步：首先通过提示词让AI构建整体骨架，接着导入照片并固定位置坐标，最后运用光影、材质和留白技巧进行微调，注入宛如空气流动般的
热门专题
热门推荐
来看一组让人揪心的数字：截至5月28日，超过半数的委内瑞拉民众，选择支持经济“美元化”——他们想要用美元来对抗全球数一数二的恶性通胀。根据AtlasIntel的调研，31%的受访者明确支持美元化，另有26%的人表示强烈支持，加起来支持率高达57%；而明确反对或强烈反对的，合计只有30%。换句话说，在
游戏开局，玩家第一眼看到的主角是谁？没错，就是零。不过这里有个挺常见的误会——很多人会下意识觉得零是女主角，那是不是还有个男主角？其实不然。进入游戏之后，外观是可以自由选择的，性别、形象都由你定，男女主角本质上都是同一个人。两种造型唯一的区别就是视觉风格，至于基础属性、成长路线、技能体系，完全一致。
或许有人觉得，AI音乐生成工具不过是图个新鲜感，与专业音乐制作相距甚远。但5月28日，ElevenLabs推出的Music v2，很可能改变这一印象。这次升级版音乐生成模型，已不再停留在去年那个“新手友好”的初级阶段，而是在工作流、版权合规和落地场景上都做了充分布局。 一、核心进化：创作从“一次性生
iPhone20周年纪念款将采用四曲面屏与圆润边框设计，边框仅1 1毫米，但边缘亮度存在失真问题，苹果正与三星、LG合作解决。若无法攻克，可能沿用平面边框。该款预计2027年亮相，属于Pro系列，含双版本，并计划采用屏下前摄与FaceID。
对于技术从业者而言，面试备考始终是一个老生常谈却又不断变化的话题。时间碎片化、知识点庞杂、实战表达欠缺，每一项都可能成为关键时刻的瓶颈。有没有一种方法，能让我们把通勤、运动等零散时间充分利用起来，高效地“打磨技能”呢？今天要介绍的「播面」，或许就是一个值得关注的解题新思路。 播面是什么 简单来说，「