文 | 江瀚视野

今年以来，伴随着AI智能体的高速发展，“养龙虾”“养马”逐渐成为了一种潮流，甚至不少科技巨头发出来全员AI跃进的号召，但是好景不长，在不少科技巨头全面进军AI的时候，突然发现AI虽好但是似乎要用不起了，就在最近网约车巨头Uber4个月烧光全年AI预算的消息传来，连Uber也要烧不起token了？

一、四个月烧光全年AI预算的Uber

据网易新闻的报道，彭博社援引Uber发言人确认：Uber已对员工使用的智能体式编程工具设定消费上限，包括Claude Code、Cursor等。新规则限制每名员工在每款工具上每月最多消耗1500美元token额度。不同工具之间额度不互通，一款工具超支不影响另一款的预算。员工可以通过内部仪表板查看自己的使用情况，特殊情况下也可以申请超过上限。

据TechCrunch引述相关报道，Uber此前曾鼓励员工尽量多使用AI，甚至用排行榜推动内部采用；但公司今年前几个月就已经耗尽全年AI预算。先把AI当成内部效率试验大规模铺开，再回到财务部门最熟悉的问题：到底谁来付账、怎么控账。公司没有公开财务明细，今年AI预算的具体总额仍然未知。

Uber的做法在硅谷不孤立。GitHub Copilot也在同一时间转向基于token消耗的新计费模式，引发开发者反弹。差别在于Uber把额度直接锁定到员工个人头上，让AI成本从公司总预算变成了每个人都能感受到的使用边界。

1500美元的单工具月度上限，对一个日常重度依赖AI写代码的员工意味着什么？至少它会让"随手开一个长任务"变成需要掂量的动作。

二、为啥连Uber也烧不起token了？

近期，作为出行领域的标志性企业，Uber被曝出仅用四个月便耗尽了全年的AI预算，进而不得不开始限制内部对AI工具的使用，这不仅是一家科技巨头的财务窘境，更是给整个狂热的科技产业敲响了一记警钟，我们到底该怎么看这件事？

首先，AI智能体已经彻底打破了传统大模型的可控消耗体系。在传统大模型应用阶段，企业AI使用场景大多集中在单次对话、简单问答、基础文案生成等轻量化场景，token消耗具备明显的单次性、固定性、低频次特征，整体使用量存在清晰的上限边界。对于绝大多数科技企业而言，这类浅层AI应用的成本可预判、可量化、可管控，全年AI预算基本可以实现精准规划、平稳消耗。

但行业全面迈入智能体时代后，AI的应用形态彻底重构，自主决策、多轮迭代、场景联动、持续运算成为核心特征。智能体不再是被动响应人类指令的工具，而是能够自主拆解任务、反复试错、多流程联动运算的智能主体，这一模式直接带动token消耗量呈现几何级、指数级增长。笔者自己在尝试使用龙虾等智能体的时候，无论是OpenClaw还是国产的各种龙虾，随便一个指令往往都是几十万token的瞬时消耗，如果是那种需要随时盯着执行的指令，这种消耗无疑更加巨大。

对于Uber这类拥有海量业务场景、全链路数字化运营的平台型科技企业而言，调度、客服、运维、数据分析、业务优化等全场景落地智能体，会形成海量的持续性算力与token消耗。这种消耗没有固定上限、没有平稳周期，完全跟随业务运转持续叠加，最终让企业既定的年度AI预算体系彻底失效，短时间内透支全年预算成为必然结果，这也是智能体时代所有平台型企业都会面临的成本结构性难题。

其次，token投入产出比严重失衡才是最大的问题。在经济学中，我们始终强调投资必须带来相应的边际收益。但当前的AI智能体发展仍处于野蛮生长的初级阶段，其逻辑推理能力和规划能力远未达到成熟状态。这就导致了一个极其尴尬的局面：智能体在执行任务时，往往会陷入“死循环”或“无效推演”。它们可能在某一个逻辑节点上反复打转，或者为了完成一个微不足道的子任务而调用海量的无关数据，甚至在多智能体协作中产生无意义的相互扯皮。

这一切的底层表现，就是海量token的无效燃烧。企业为这些无意义的内耗买了单，但业务效率并没有得到实质性的提升，收入端也没有看到相应的增长。这就好比一家工厂引进了号称最先进的自动化设备，结果设备每天大部分时间都在空转和做废品，电费和耗材消耗巨大，但良品率和出货量却毫无起色。这种投入产出比的严重失衡，才是Uber真正感到肉痛的核心原因。AI没有成为利润的催化剂，反而成了财务报表上纯粹的费用吞噬者，这无疑更让公司的管理层担忧。

第三，token经济没有边际成本递减是问题的根源。回顾科技产业的发展史，无论是硬件制造还是软件开发，其商业模式的底层逻辑都是“规模经济”，随着用户量或产出的增加，分摊的固定成本越来越低，边际成本无限趋近于零。互联网时代“边际成本递减”的甜头，让所有科技公司对新技术都抱有一种天然的乐观，我们经常看到很多产品都是刚上来的时候很贵，但是随着技术的发展价格越来越低，甚至成本有趋近于零的可能性。

然而，在token经济中，这套经典的经济学法则失效了。大模型的推理成本是实打实的算力消耗，每一次生成都需要GPU进行高强度的运算。你使用一次，就要支付一次的算力租金，一万个人使用一万次，成本就是线性叠加甚至超线性叠加的。它没有规模效应，只有刚性支出。

这就意味着，随着AI应用规模的扩大，企业的算力成本曲线是持续攀升且难以摊薄的。当AI成为基础设施，企业实际上是在按流量计费的模式下运营，这在商业逻辑上是极其脆弱的。没有边际成本递减的护城河，所谓的AI规模化落地，就无异于在沙丘上建高楼，规模越大，财务崩塌的风险就越高。

第四，重构AI的成本逻辑才是每家公司最需要做的事情。过去两年，整个科技行业对AI的态度可以用四个字概括："先上再说。" 很多公司接入AI不是因为想清楚了怎么用，而是因为怕落后。这种心态在技术早期或许没问题，但当AI进入深水区，当成本开始真正兑现的时候，这种心态就是致命的。

AI产业经过多年高速发展，已经告别了野蛮生长、盲目布局、烧钱换赛道的初级阶段，单纯追求技术先进性、场景全覆盖、智能度最大化的发展模式已经完全失效。未来AI商业化落地的核心竞争，不再是谁的AI用得更多、场景铺得更广，而是谁的AI用得更精、成本更低、产出更高。

所有科技企业都必须摒弃“盲目拥抱AI”的惯性思维，回归产业经营本质，以成本约束为前提规划AI投入，以投入产出比为核心评判AI价值。一方面，企业需要建立精细化的AI使用管控体系，筛选高价值、高回报的AI应用场景，淘汰无效、低效、高消耗的智能体应用，杜绝无意义的算力与token内耗；另一方面，要持续优化AI应用模式，推动技术复用、场景集约、算力共享，弱化AI成本的刚性属性，逐步打造边际成本递减的AI商业化模型。

归根结底，AI从来不是企业的战略噱头，也不是跟风布局的工具，而是服务于企业盈利的核心生产力，任何不能持续给企业创造价值的AI都会注定被市场所淘汰，而最后企业回归理性，为真正赚钱的AI和算力付费才是最终的可能的结果。