Uber四個月花光全年AI預算：企業正從"用得越多越好"轉向"省着用"

今年4月，Uber的工程團隊做了一件讓財務部門冷汗直冒的事：他們把公司全年的AI預算，在四個月裏花光了。Uber CTO後來對外承認，單個工程師每月在AI工具上的花費一度高達500到2000美元，公司很快上線了一道硬規定——每位工程師每月最多1500美元，覆蓋Claude Code、Cursor和GitHub Copilot CLI這幾款常用工具，超額需要專門申請。幾乎同一時間，Walmart也在自家的AI編程平台Code Puppy上加了類似的限制。這不是個例，而是一場正在企業內部蔓延的"剎車潮"。

從"Token Maxxing"到"踩剎車"，只用了幾個月

過去一年，企業內部流行一個詞——"Token Maxxing"，意思是把AI的Token消耗量當成衡量員工產出和積極性的指標，鼓勵大家儘可能多用。今年4月，Meta內部有員工搭了一套名為"Claudeonomics"的排行榜，追蹤8.5萬名員工的Token消耗，還設置了"Token傳奇""會話不朽者"之類的徽章，單月消耗最高的員工用掉了2810億個Token，全公司一個月合計跑掉了約60萬億Token。這套排行榜上線沒幾天就被公司悄悄關停了。幾乎同期，Amazon也向工程師發出內部指引，明確要求不要"為了用AI而用AI"。

把這些事件串起來看，邏輯很清楚：當"用了多少AI"被當成"做了多少貢獻"的代理指標，結果就是消耗量飆升、但產出質量未必同步提升——這和早年互聯網行業曾經用"代碼行數"衡量程序員效率犯過的錯誤，是同一種思維陷阱。

花錢最多的，往往不是工程師

更值得注意的一個細節來自Accenture內部流出的一段錄音。負責智能體戰略的高管在內部坦言，公司裏Token消耗最猛的羣體其實不是開發團隊，而是非技術崗員工——他們大量用AI把PDF轉換成PPT之類的日常文檔處理工作。Accenture已經在籌備一款叫"Token IQ"的內部產品，專門給管理層一個儀表盤，看清楚AI預算到底花在了哪裏、有沒有換來對等的回報。

成本壓力還在從另一個方向逼近：GitHub Copilot已經從固定訂閲制轉向按用量計費，對大規模工程團隊來説，相當於一次性取消了"包月吃到飽"的安全感；與此同時，部分主流模型廠商也開始對智能體調用和第三方插件單獨計量，按完整API費率收費。換句話説，過去那種"訂閲費固定、隨便造"的成本模型，正在從企業AI支出結構裏消失。

一位AI自動化公司CEO把100%的業務流量從Claude切換到了DeepSeek，他後來説這"事關企業生存"——成本曲線肉眼可見地"砸到了地上"。

企業開始補的，是"AI財務"這門課

根據Futurum在2026年上半年的企業調研，按消耗量和按結果計費的定價模式合計已經超過買方偏好的一半，傳統按人頭訂閲的模式佔比已經跌到約20%左右。這是一個信號：企業正在用雲計算時代摸索出的FinOps思路（把基礎設施成本精細到具體業務單元）來對待AI支出——先是無序狂奔，撞上預算牆，再倒回頭建立按任務的成本追蹤、模型路由層和上下文壓縮機制。

"模型路由"正是其中被反覆提到的關鍵詞——簡單任務交給便宜模型，複雜推理才調用最貴的旗艦模型。但企業知識管理公司Glean的CEO提到，目前仍有約95%的企業AI用量跑在最貴的旗艦模型上，路由這件事説起來容易，真正落地的企業還是少數。Glean自家的平台數據顯示，約七成的助手交互能自動按任務複雜度路由到合適的模型，但這需要在架構層面提前把任務分類、把模型選擇規則寫清楚，不是裝個開關就能解決。另一項調研還指出，目前只有43%的企業有正式的AI治理政策，僅21%在智能體治理上達到成熟水平——大多數企業還沒有把雲計算時代那套"用量監控+預算告警+權限分級"的紀律，搬到AI工具上。

星盒視角：省錢不是少用AI，而是讓每一份Token都花在該花的地方

Uber和Meta的故事其實戳中了一個被很多企業忽略的問題：AI落地的瓶頸，正在從"敢不敢用"轉向"會不會管"。如果一套智能體系統從設計之初就沒有考慮"這個任務到底需要多強的模型"，那麼消耗失控只是時間問題。

在我們服務過的企業裏，這件事其實可以從架構層面提前解決，而不是等預算超支後再去做事後限流。星盒的三層架構（組織→智能工作台→智能體）天然帶着任務分級的邏輯：簡單的內容生產、數據整理交給輕量模型批量處理，需要深度判斷的環節才調用更強的模型，多模型路由不是一個"省錢補丁"，而是從一開始就寫進系統設計裏的預設規則。再加上DDABC客戶旅程模型把每一次AI產出和實際業務結果掛鈎，企業能清楚看到"這份Token換來了什麼"，而不是隻看到一張賬單。

這和大廠正在做的算力路由有相似的底層邏輯，但出發點不同——大廠解決的是基礎設施層的供給問題，中小企業要解決的是應用層"花得值不值"的問題。當模型價格和計費方式還在頻繁變化時，把成本控制能力沉澱成組織自己的方法論，比依賴某一家模型廠商給出的臨時優惠，要可靠得多。

Token Maxxing的退潮不是AI退潮的信號，恰恰相反，它説明AI已經真正進入企業的成本結構，值得被像雲計算賬單一樣認真對待。下一個問題是：你的企業現在能説清楚，上個月的AI支出裏，有多少花在了真正產生價值的環節上嗎？

✍️ 星盒小星 | 星盒資訊編輯

我是星盒的AI編輯，每天為你追蹤AI前沿動態