字数：约5300字 | 阅读时长约14分钟

2026年6月，Uber做了一个让硅谷炸锅的决定：每位员工、每款AI编程工具，每月消费上限1500美元。

为什么要设红线？因为公司全年AI预算，四个月就花完了。

更讽刺的是，就在半年前，Uber还在内部搞AI使用排行榜——哪个部门用得多就表扬，鼓励员工"尽可能多用AI"。CTO今年2月还公开炫耀：95%的工程师每月都在用AI工具，25%的代码提交走的是Claude Code，每周1800次代码变更来自AI后台代理。

数据很好看。但COO安德鲁·麦克唐纳在播客上说了句大实话："你去问资深工程负责人，因为AI提效，有多少原本排不上的项目被提前做了？25%的代码提交走的Claude Code，但这个关联关系，目前还看不到。"

代码确实写多了，但产品有没有变好？功能有没有变多？用户体验有没有变强？——答不上来。

Uber的故事不是孤例。2026年，全球AI支出预计达2.6万亿美元（来源：Gartner），同比增长47%。但Gartner自己也在报告里承认："CIO们在证明AI投资价值和展示切实业务成果方面面临挑战。" 超过70%的组织部署了AI智能体，但只有11%进入生产阶段（来源：Camunda/Coleman Parks调研）。

一边是预算狂飙，一边是回报模糊。AI应用焦点正从"能不能用"转向"花多少钱"——但最该问的问题其实是"值不值"。

一、为什么AI工具越用越贵？三个结构性原因

1. 按token计费：用量≠价值

AI工具的计费方式和传统软件完全不同。传统软件是"买席位"——每月每用户100美元，用多用少一个价。AI工具是"按token计费"——用多少收多少，像水电费。

问题在于：token消耗和业务价值之间没有对应关系。 一封简单的邮件，如果调用了最贵的模型，可能花5美元；一次复杂的代码审查，如果路由到了便宜模型，可能只花0.5美元。Sierra（OpenAI董事会主席Brett Taylor创办的公司）专门发文论证：按使用量计费假设"用量=价值"，但这个假设不成立——应该按结果计费（outcome-based pricing），但按结果计费"比按席位或按用量计费复杂得多，告诉你很简单的人都在卖东西"（来源：Sierra官网）。

更隐蔽的陷阱是AI智能体（Agent）。 一个看似简单的调研任务，AI Agent可能自动拆分成多个子任务、并行运行多个智能体，每个智能体都在消耗token。一个请求的token消耗可能等于十次普通对话。连资深用户都难以预测花费，管理员更无法按任务管控。

2.  企业定价和个人定价的"双轨制"

开发者Simon Willison做了一个有意义的计算：Uber工程师年薪中位数约33万美元，如果每人用两款AI工具、每月各花到1500美元上限，年花费约3.6万美元，占年薪约11%。

11%听起来还行？但关键对比是：个人用户用同样的工具，每月100美元的订阅费就能跑大约1000美元的token量。 因为Anthropic和OpenAI给个人用户有补贴价，企业级按API价格实打实算。

个人开发者觉得"AI好便宜"，企业一算账"怎么这么贵"。补贴只给散客，不给大客户——这不是商业模式的问题，这是商业模式在阻碍企业采纳。

3. AI素养差异导致同一预算产出天差地别

SmarterX创始人Paul Roetzer指出一个被忽视的变量：AI素养。 同样的token预算，在不同人手里产出的价值可以差十倍。

大部分知识工作者根本不知道不同模型、不同参数设置之间的区别。一封基础邮件用最贵的模型写，一次复杂分析反而用便宜模型做——这种"大炮打蚊子、弹弓打坦克"的token浪费，在几乎所有企业里都在发生。

"预算占比毫无意义，如果使用者不知道怎么聪明地使用token。基础的AI素养训练就能大幅降低企业内部的token消耗。"

二、不只是Uber：全球企业AI成本管控的三个信号

信号一：微软停用Claude Code，转向自研降本

据The Verge报道，微软已通知员工6月30日后停用Claude Code，统一转到自家的GitHub Copilot CLI（来源： smarterx.ai）。表面理由是推自家产品，但微软AI负责人Mustafa Suleyman对Bloomberg直言："Anthropic极度昂贵"，微软的目标是"减少并最终消除这一成本"。

微软的应对方式是：发布7款自研AI模型，其中一款低价模型号称在编程测试中匹配Claude Opus 4.6的性能。 从"买别人的"到"造自己的"，这是最激进的降本路径。

信号二：智能路由成为标配

Coinbase CEO Brian Armstrong透露，公司在AI使用量指数级增长的同时，AI成本基本保持持平——核心手段是将prompt自动路由到更便宜的模型，只在需要顶级模型时才调用最贵的。

Factory（AI编程公司）推出了自动模型选择功能，声称可降低25%成本而不损失性能（来源：smarterx.ai）。当简单任务用便宜模型、复杂任务用贵模型成为默认设置，AI成本曲线才能真正被管理。

信号三：从"全员畅用"到"按角色配额"

Uber的1500美元/人/月/工具不是拍脑袋的数字。它的逻辑是：按角色设定AI预算，而不是一刀切。 销售人员的大部分任务不需要最贵的模型；研发人员可能需要更多额度。

Roetzer建议的方法更直接：先看你未来一年计划招什么人，哪些岗位AI可以替代，然后把省下的薪资预算的一部分转化为token预算。 焦点不是"AI花了我薪资的百分之几"，而是"人均营收有没有提升"。

三、AI工具ROI核算：一个实操框架

大多数企业算不清AI的账，不是因为没有数据，而是因为没有框架。我给数字化转型负责人提供一个"三层ROI核算框架"：

第一层：效率替代ROI（最易量化）

这是最容易算的一层：AI替代了多少人力工时？

注意： 这层ROI看起来很好看，但它是"偷懒算法"——只算了省了多少时间，没算省出来的时间用来干了什么。如果省出来的时间被用来刷手机，那ROI就是0。

里程碑验收标准： 每个AI工具至少能量化替代的工时和对应成本；替代工时的再分配有明确去向。

第二层：业务增量ROI（最有价值）

这才是真正有价值的ROI：AI帮助业务多赚了多少钱？

这一层难算，但必须算。Uber的困境就是卡在这一层——代码量上去了，但产品有没有变好？

计算公式： 业务增量ROI = （AI驱动的增量收入 + AI避免的损失成本）/ AI总成本

更深的问题是： 你能不能把AI使用数据和业务结果数据对上？如果对不上，说明你的数据基建还没到位——不是AI的ROI算不出来，是你的数据不足以支撑ROI核算。

里程碑验收标准： 至少一个AI场景能建立"使用量→业务结果"的因果关系链。

第三层：能力沉淀ROI（最难量化但最长期）

这层ROI最容易被忽略：AI使用过程中，企业沉淀了什么能力？

• 数据资产：AI使用产生的标注数据、训练数据、反馈数据
• 流程资产：被AI标准化的业务流程，可以被复制和扩展
• 人才资产：团队在使用AI过程中积累的AI素养和场景理解

这层ROI短期内无法量化，但它是决定AI投入"越用越值"还是"越用越亏"的关键变量。

简单的判断标准： 如果明天把AI工具关掉，你的团队是回到原来的工作方式，还是已经有了不可逆的能力提升？如果是前者，你的AI投入只产生了"租来的效率"；如果是后者，你才真正沉淀了"长出来的能力"。

四、给数字化转型负责人的五条实操建议

建议一：先做token审计，再设预算红线

不要像Uber一样"先用再控"。在设预算红线之前，先做一轮token审计：

• 按角色统计：不同岗位的AI工具月均消费是多少？
• 按场景统计：哪些场景的token消耗最大？产出价值最高？
• 按模型统计：有多少token花在了"用便宜模型就够了"的任务上？

审计完你会发现：20%的AI使用场景消耗了80%的token，而这20%的场景中，很多根本不需要最贵的模型。

建议二：设"人均AI成本/人均营收"比率，而非绝对额

不要用"AI预算占总IT预算的百分之几"来衡量——这个比例只会越比越高，因为AI在吃掉其他IT预算（Gartner数据显示，AI在IT总支出中的占比从2024年的13.7%飙升至2025年的31.7%，同期非AI IT支出缩减了12.6%）（来源：Gartner/nextplatform）。

应该用"人均AI成本/人均营收"比率：AI工具为人均营收贡献了多少增量？如果人均AI成本在涨，但人均营收没涨，那说明AI在"空转"。

建议三：推行AI素养培训，比砍预算更有效

Roetzer说得很到位："基础的AI素养训练就能大幅降低企业内部的token消耗。"

一次2小时的培训，教会员工：什么时候用便宜模型、什么时候需要贵模型、prompt怎么写更省token、Agent任务的token消耗怎么预估——这比砍30%预算的降本效果更好，而且不会牺牲生产力。

建议四：用"场景路由"替代"一刀切限额"

Uber的1500美元/人/月/工具是"一刀切"方案——简单粗暴，但会误伤高价值场景。

更好的方式是场景路由：- 代码补全、邮件起草、简单查询 → 自动路由到便宜模型- 复杂代码审查、架构设计、多步推理 → 路由到顶级模型- Agent型多步任务 → 设定token上限+人工审批

Coinbase用这个方法在AI使用量指数增长的同时保持了成本持平。这才是可持续的成本管控。

建议五：每季度做一次"关停测试"

最硬核的ROI验证方式：每季度挑一周，关停一个AI工具，看看业务会不会出问题。

如果关停后没人抱怨、业务没受影响——说明这个工具的ROI为负，该砍了。如果关停后团队立刻叫苦、业务指标下滑——说明这个工具有真实价值，预算该加。

这比任何ROI计算公式都管用。

五、秩序管理视角：AI预算管控的本质是"给创新定价"

最后，我想从陇珈咨询的核心方法论——秩序管理——的角度，谈谈AI预算管控的本质。

大多数企业对待AI预算有两种极端：要么"敞开用"（像Uber半年前那样），要么"一刀切"（像Uber现在这样）。两种极端都不可取。

敞开用的问题是：没有秩序，创新变成浪费。AI工具的使用变成了"我有所以我用"，而不是"我需要所以我用"。排行榜激励的是使用量，不是使用效果。

一刀切的问题是：秩序过度，创新被扼杀。1500美元的限额对某些角色不够用，对某些角色又太浪费。一刀切消灭的不是浪费，而是灵活性。

AI预算管控的本质，是给创新定价。

什么是合理的AI使用？不是"用得越多越好"，也不是"花得越少越好"，而是"每一美元的AI支出都能追溯到业务结果"。

这需要一套秩序——不是管控型秩序，而是服务型秩序：- token审计让成本透明，不是为了追责，而是为了让每个人知道自己的AI使用在产生什么价值- 场景路由让资源流向高价值场景，不是限制使用，而是让每一美元花在刀刃上- 关停测试让ROI可验证，不是为了砍预算，而是为了让有价值的工具获得更多资源

秩序管理的目标不是省钱，而是让每一分钱花得可追溯、可验证、可复利。

当你能把"AI工具每月花了我多少钱"这个问题，升级为"AI工具每月帮我多赚了多少钱"时，AI预算管控就从财务问题变成了战略问题。

而战略问题的答案，从来不是"花多少"，而是"花在哪"。

写在最后

Uber的1500美元红线，不是AI泡沫破裂的信号，而是AI从实验走向管理的标志。

便宜的东西不需要限额。贵的东西才需要。Uber设红线恰恰说明：AI工具已经贵到需要认真对待了。

但认真对待不等于简单砍预算。认真对待是：1. 算清每一笔AI支出对应什么业务结果2. 让AI素养成为员工的标配能力3. 用智能路由替代一刀切4. 定期验证哪些工具有真实价值，哪些只是"租来的效率"

2026年，全球AI支出2.6万亿美元，47%的增速。但Gartner自己说："企业尚未真正释放其支出潜力。" 意思是——钱花得越来越多，但花对了吗？

AI降本增效，2024年是口号，2025年是信仰，2026年是算术题。

该算账了。

如果你正在为公司的AI预算头疼，不妨先问自己三个问题：

1. 你有没有做过token审计——知道钱花在哪了吗？
2. 你的AI使用数据和业务结果，能对上吗？
3. 如果明天关停所有AI工具，你的业务会出什么问题？

三个都答不上来，先别急着砍预算——先把账算清楚。