今年以來，伴隨著AI智能體的高速發(fā)展，“養(yǎng)龍蝦”“養(yǎng)馬”逐漸成為了一種潮流，甚至不少科技巨頭發(fā)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(fā)現(xiàn)AI雖好但是似乎要用不起了，就在最近網(wǎng)約車巨頭Uber4個月燒光全年AI預(yù)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(yù)算的Uber

據(jù)網(wǎng)易新聞的報道，彭博社援引Uber發(fā)言人確認：Uber已對員工使用的智能體式編程工具設(shè)定消費上限，包括Claude Code、Cursor等。新規(guī)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(yù)算。員工可以通過內(nèi)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(jù)TechCrunch引述相關(guān)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(nèi)部采用；但公司今年前幾個月就已經(jīng)耗盡全年AI預(yù)算。先把AI當成內(nèi)部效率試驗大規(guī)模鋪開，再回到財務(wù)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(wù)明細，今年AI預(yù)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(zhuǎn)向基于token消耗的新計費模式，引發(fā)開發(fā)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(yù)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(wù)"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(lǐng)域的標志性企業(yè)，Uber被曝出僅用四個月便耗盡了全年的AI預(yù)算，進而不得不開始限制內(nèi)部對AI工具的使用，這不僅是一家科技巨頭的財務(wù)窘境，更是給整個狂熱的科技產(chǎn)業(yè)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(jīng)徹底打破了傳統(tǒng)大模型的可控消耗體系。在傳統(tǒng)大模型應(yīng)用階段，企業(yè)AI使用場景大多集中在單次對話、簡單問答、基礎(chǔ)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(shù)科技企業(yè)而言，這類淺層AI應(yīng)用的成本可預(yù)判、可量化、可管控，全年AI預(yù)算基本可以實現(xiàn)精準規(guī)劃、平穩(wěn)消耗。

但行業(yè)全面邁入智能體時代后，AI的應(yīng)用形態(tài)徹底重構(gòu)，自主決策、多輪迭代、場景聯(lián)動、持續(xù)運算成為核心特征。智能體不再是被動響應(yīng)人類指令的工具，而是能夠自主拆解任務(wù)、反復(fù)試錯、多流程聯(lián)動運算的智能主體，這一模式直接帶動token消耗量呈現(xiàn)幾何級、指數(shù)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(chǎn)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(zhí)行的指令，這種消耗無疑更加巨大。

對于Uber這類擁有海量業(yè)務(wù)場景、全鏈路數(shù)字化運營的平臺型科技企業(yè)而言，調(diào)度、客服、運維、數(shù)據(jù)分析、業(yè)務(wù)優(yōu)化等全場景落地智能體，會形成海量的持續(xù)性算力與token消耗。這種消耗沒有固定上限、沒有平穩(wěn)周期，完全跟隨業(yè)務(wù)運轉(zhuǎn)持續(xù)疊加，最終讓企業(yè)既定的年度AI預(yù)算體系徹底失效，短時間內(nèi)透支全年預(yù)算成為必然結(jié)果，這也是智能體時代所有平臺型企業(yè)都會面臨的成本結(jié)構(gòu)性難題。

其次，token投入產(chǎn)出比嚴重失衡才是最大的問題。在經(jīng)濟學(xué)中，我們始終強調(diào)投資必須帶來相應(yīng)的邊際收益。但當前的AI智能體發(fā)展仍處于野蠻生長的初級階段，其邏輯推理能力和規(guī)劃能力遠未達到成熟狀態(tài)。這就導(dǎo)致了一個極其尷尬的局面：智能體在執(zhí)行任務(wù)時，往往會陷入“死循環(huán)”或“無效推演”。它們可能在某一個邏輯節(jié)點上反復(fù)打轉(zhuǎn)，或者為了完成一個微不足道的子任務(wù)而調(diào)用海量的無關(guān)數(shù)據(jù)，甚至在多智能體協(xié)作中產(chǎn)生無意義的相互扯皮。

這一切的底層表現(xiàn)，就是海量token的無效燃燒。企業(yè)為這些無意義的內(nèi)耗買了單，但業(yè)務(wù)效率并沒有得到實質(zhì)性的提升，收入端也沒有看到相應(yīng)的增長。這就好比一家工廠引進了號稱最先進的自動化設(shè)備，結(jié)果設(shè)備每天大部分時間都在空轉(zhuǎn)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(chǎn)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(wù)報表上純粹的費用吞噬者，這無疑更讓公司的管理層擔(dān)憂。

第三，token經(jīng)濟沒有邊際成本遞減是問題的根源。回顧科技產(chǎn)業(yè)的發(fā)展史，無論是硬件制造還是軟件開發(fā)，其商業(yè)模式的底層邏輯都是“規(guī)模經(jīng)濟”，隨著用戶量或產(chǎn)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?；ヂ?lián)網(wǎng)時代“邊際成本遞減”的甜頭，讓所有科技公司對新技術(shù)都抱有一種天然的樂觀，我們經(jīng)?？吹胶芏喈a(chǎn)品都是剛上來的時候很貴，但是隨著技術(shù)的發(fā)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(jīng)濟中，這套經(jīng)典的經(jīng)濟學(xué)法則失效了。大模型的推理成本是實打?qū)嵉乃懔ο?，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(guī)模效應(yīng)，只有剛性支出。

這就意味著，隨著AI應(yīng)用規(guī)模的擴大，企業(yè)的算力成本曲線是持續(xù)攀升且難以攤薄的。當AI成為基礎(chǔ)設(shè)施，企業(yè)實際上是在按流量計費的模式下運營，這在商業(yè)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(guī)?；涞?，就無異于在沙丘上建高樓，規(guī)模越大，財務(wù)崩塌的風(fēng)險就越高。

第四，重構(gòu)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(yè)對AI的態(tài)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(tài)在技術(shù)早期或許沒問題，但當AI進入深水區(qū)，當成本開始真正兌現(xiàn)的時候，這種心態(tài)就是致命的。

AI產(chǎn)業(yè)經(jīng)過多年高速發(fā)展，已經(jīng)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(shù)先進性、場景全覆蓋、智能度最大化的發(fā)展模式已經(jīng)完全失效。未來AI商業(yè)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(chǎn)出更高。

所有科技企業(yè)都必須摒棄“盲目擁抱AI”的慣性思維，回歸產(chǎn)業(yè)經(jīng)營本質(zhì)，以成本約束為前提規(guī)劃AI投入，以投入產(chǎn)出比為核心評判AI價值。一方面，企業(yè)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(yīng)用場景，淘汰無效、低效、高消耗的智能體應(yīng)用，杜絕無意義的算力與token內(nèi)耗；另一方面，要持續(xù)優(yōu)化AI應(yīng)用模式，推動技術(shù)復(fù)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(yè)化模型。

歸根結(jié)底，AI從來不是企業(yè)的戰(zhàn)略噱頭，也不是跟風(fēng)布局的工具，而是服務(wù)于企業(yè)盈利的核心生產(chǎn)力，任何不能持續(xù)給企業(yè)創(chuàng)造價值的AI都會注定被市場所淘汰，而最后企業(yè)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(jié)果。