Uber在年初几个月内就用完了全年 AI 预算后，开始调整内部使用方式。公司首席技术官 Praveen Neppalli Naga 表示，企业大规模部署 AI 的下一阶段，不再是谁消耗更多 token，而是谁能更高效地使用这些资源。
年初曾鼓励员工尽量多用 AI
据《The Information》此前采访，Uber一度鼓励员工尽可能多地使用内部 AI 工具，尤其是 Anthropic 的 Claude Code，还曾为工程师设置使用排行榜。这种做法被一些从业者称为“tokenmaxxing”，即通过激励机制推动员工提高 AI 调用量。
但随着支出快速上升，企业开始重新评估这种策略是否值得。Naga在社交平台 X 上表示，Uber已经找到一套更可持续的办法，在不明显限制使用范围的情况下压低 AI 成本。
通过缓存和模型切换压低成本
Naga称，Uber将使用前沿 AI 工具的员工人数扩大到原来的四倍，但单个 token 的成本反而下降。公司采取的措施包括：
- 改进提示缓存，减少重复调用
- 调整默认模型设置，优先测试更高效模型
- 让工程师按小时查看 AI 使用量和成本
他表示，成本没有随着采用率上升而同步走高，原因不是公司收紧权限，而是把效率当作工程问题来处理，而不是单纯的预算问题。
企业仍面临 AI 投入回报压力
这背后是更广泛的行业压力。企业近两年持续加码 AI，但回报并不均衡。德意志银行研究院上月曾警告，AI 带来的生产率提升仍需要时间兑现。
Uber总裁兼首席运营官 Andrew Macdonald 今年 5 月也表示，公司尚未清楚看到 AI 使用与产品产出之间的直接对应关系。按他的说法，团队或许交付了更多功能，但很难明确证明这已经带来大幅提升的消费者产品价值。
单价下降未必带来总支出回落
即便单次调用成本下降，企业 AI 总支出也未必同步回落。文章提到“杰文斯悖论”，即资源使用效率提高后，总消费反而可能继续增加。
多项数据都指向这一趋势。Sil代币发行n Data Token Expenditure Index 显示，自 2023 年以来，单个 token 价格已下降逾 90%，但大语言模型相关支出自去年底以来翻倍。贝恩今年 6 月发布的简报也称，从 2024 年 12 月到 2025 年，token 成本减半，但企业消耗量增长了 450%。
这意味着，随着 token 更便宜，企业往往不会少花钱，而是会部署更多 AI 代理、自动化更多流程、生成更多代码。Naga没有披露 Uber 当前总体算力使用量是升是降，但强调公司正在把重点从数量转向质量。
