大厂AI预算4个月耗尽：CTO亲述程序员内卷与成本失控真相

2025年12月，Uber为工程团队引入了Claude Code。这在硅谷的技术栈更新中并不罕见，巨头们每个季度都在迭代开发工具，尤其是被视为效率杠杆的AI编程助手。

但仅仅四个月后，首席技术官Praveen Neppalli Naga向管理层汇报了一个棘手的财务现实：为2026年全年规划的AI工具预算，已在当前财年的前四个月内消耗殆尽。

异常的成本信号

Uber的内部数据揭示了三个关键指标：首先，95%的工程师每月都在使用AI编程工具。

这个采用率远超行业常态。企业级软件的渗透率通常在20%到40%区间，许多工具在初步推广后便陷入沉寂。作为参照，微软耗时三年才让Teams的日活用户覆盖过半员工。

Uber在四个月内达到95%的采用率，这暗示了工具与工作流产生了不同寻常的契合度。

第二个指标更具颠覆性：70%的提交代码由AI生成。这意味着工程师的核心职能正在向代码审核、重构和集成验证迁移。

Uber西雅图办公室。图片来自：GeekWire

第三个数字直接指向成本结构：每位工程师每月的AI工具支出介于500至2000美元。以约6000名工程师、中位数1000美元计算，月度成本达600万美元，四个月累计2400万美元。对比Uber 2025年34亿美元的研发总支出，AI成本已成为最显著的增量因素。

这种用量规模引发了技术社区的广泛讨论。一位Hacker News用户对比个人使用模式后提出疑问：怎样的工作流会导致如此高的消耗？

问题的核心并非质疑AI的技术价值，而是指向一个更务实的财务考量：当用量曲线呈现指数级增长，企业必须重新评估其投资回报率模型。

预测模型的失效

传统IT预算建立在可预测的资源消耗模型上：基于员工数量、席位许可和API调用量进行估算，误差通常可控。

AI编程工具彻底打破了这一模型。传统工具受限于人类生产力的自然上限，而AI辅助开发的使用量几乎没有理论天花板。

典型的工作流演变如下：从生成一个函数开始，扩展到编写整个模块，继而触发系统性重构，最后自动生成配套测试用例。

每个环节都逻辑自洽，每个环节都看似提升效率，但每个环节都在持续消耗计算资源。

行业观察者指出，Uber作为拥有成熟财务体系的千亿美元级公司，其预测模型仍出现了三倍偏差。规模较小的技术团队可能正以更剧烈的方式经历预算失控。

效率工具的隐性成本

硅谷近期流传着一个尖锐的观察：“AI未能全面替代人力，是因为在某些场景下，它的使用成本已超过雇佣初级工程师。”

这句评论不仅指向成本问题，更揭示了新的成本结构：一位资深工程师加上其AI工具的综合支出，可能已超过雇佣一名初级开发者的成本。初级就业市场的某些趋势似乎佐证了这一变化。

这并非AI技术的失败，恰恰是其过度成功带来的管理挑战。

过去两年，行业讨论多聚焦于AI的局限性：幻觉问题、代码错误、上下文约束。这些批评至今仍有其依据。

但Uber的案例揭示了另一面：当AI工具跨越“勉强可用”的门槛，进入“高度有效”阶段后，企业的核心问题就从“是否采用”转变为“如何管控用量”。

前者是关于技术战略的决策，答案已显而易见。后者则是全新的、缺乏历史参照的管理难题。

回顾企业软件发展史，推广的核心矛盾始终是“如何提升使用率”。CIO们常为昂贵的系统无人问津而苦恼。

如今，AI工具几乎零学习成本，无需额外激励就能自然融入工作流。管理重点因此发生根本性逆转：从“推动使用”转向“防止过度消耗”。

结构性挑战

Uber并非孤例。Reddit和Hacker News上关于AI成本失控的讨论日益增多。多家企业面临相似困境：基于保守用量制定的预算，被实际使用量轻易击穿。

Axios的一篇报道提供了更极端的视角：英伟达深度学习部门某副总裁透露，其团队的算力成本已远超团队总薪酬。

英伟达深度学习部门VP Bryan Catanzaro

这种现象甚至催生了新的行业术语：“tokenmaxxing”。该词模仿健身圈用语，指将token消耗量视为生产力指标乃至身份象征的行为。“本月消耗了多少token？”正成为工程师间新的社交货币，如同数年前比较GitHub提交记录。

过去，科技公司最大的成本项是人力；未来，最大的成本项可能是“喂养”AI模型的token。这不仅是成本结构的变化，更将重塑“工程师价值”的评估体系。

试算：若高级工程师每月AI成本为2000美元，年化支出2.4万美元，已接近某些市场初级开发者年薪。如果AI能将其产出提升三倍，投资回报显著。但如果AI仅生成大量冗余代码，或助长“凡事优先调用AI”的思维惰性，这笔支出就可能沦为效率陷阱。

投资机构Ainvest的报告指出，这创造了奇特的激励错位：AI供应商按消耗量获利，企业试图控制成本却不愿限制生产力，工程师则认为自己在高效创造价值。三方目标完全背离。

部分公司已开始尝试管控措施：设置月度用量上限、要求前置需求文档、用轻量模型处理简单任务等。但这些措施本身即显露出某种悖论：企业购买提升效率的工具，却需额外投入资源限制其使用。

成本归属难题

Uber的CTO表示需要“回到白板前”重新规划AI预算。这实质承认了原有预测模型的失效。

过去两年，公共讨论多围绕“AI能否取代人类”。但Uber的案例提出了更紧迫的现实问题：当AI工具变得不可或缺且使用成瘾时，谁该为这种“不可或缺性”支付成本？

工程师不会支付，他们视其为生产力倍增器。管理层不愿支付，他们已享受了AI生成70%代码的效率红利。AI供应商更不可能支付，其商业模式建立在用量计费基础上。

最终，压力很可能传导至财务部门，他们需要在下一轮财报会议上，向股东解释研发成本结构为何发生根本性变化。

来源：互联网