夜雨聆风
2026年开年仅仅4个月，全球出行巨头 Uber 的财务后台炸锅了。
一张触目惊心的账单摆在管理层面前：公司给整个 2026 年准备的 AI 编程与大模型预算，已经被全公司 5000 多名程序员彻底“烧光”了！
当时的硅谷，正陷入一场前所未有的狂热。程序员们用着最新一代智能体编程工具 Claude Code，内部甚至搞起了“Token 消耗排行榜”，谁跑的智能体多、谁提交的代码多，谁就是团队里的技术先锋。CTO 在内部做个技术演示，短短两个小时就能烧掉 1200 美元；普通程序员一个月消耗几百到几千美元，更是成了家常便饭。
然而，当 Uber 运营总裁（COO）Andrew Macdonald 拿着账单去向技术高管要说法时，全场却陷入了死寂。
COO 提出了一个无比直接、却让所有人冷汗直流的问题：
“我们烧了这么多 Token，但终端用户感知到的新功能到底在哪里？为什么我在业务报表上，看不到任何按比例增长的实际回报？”
新功能和营收依然不见起色，云端账单却像出租车计价器一样疯狂跳动。
一场由技术狂欢引发的“财务大地震”，开始在硅谷蔓延。
撕开遮羞布：从“按人头付费”到“疯狂转动的电表”
要理解 Uber 高管的崩溃，先得看懂企业使用 AI 的底层逻辑，究竟在发生怎样可怕的质变。
过去几十年，企业买软件就像去吃“自助餐”（按人头席位订阅）：比如买微软的 Office 或 GitHub Copilot，一个人一个月付固定的几十美元，员工怎么用、用多少次，账单都是平的、可预测的。
但到了 2026 年，以 Agentic（智能体）为代表的前沿 AI，彻底变成了“按字计费的自来水表”（Token 计量制）。
科普小贴士：什么是 Token 与 Tokenmaxxing？Token（令牌）是大模型处理文本的基本计费单位，无论提问、写代码、查文档，还是让 AI 智能体自己循环调用工具，每一步都在飞速消耗 Token。Tokenmaxxing（硬刷消耗量）则成了行业黑话，指团队盲目加大 AI 使用量，甚至把“用了多少 Token”当成自己在努力创新的业绩指标。
这种计费模式的转变，让无数企业的财务总监（CFO）半夜惊醒。
▲ 硅谷创业公司 CEO 透露：跨过 150 个席位门槛后，AI 年账单从 40 万美元一夜暴涨至 140 万美元
客服创业公司 Pylon 的 CEO Marty Kausas 就公开倒苦水：随着团队跨过 150 人的企业门槛，原本包含在席位费里的免费额度被全部剥离，所有 Token 必须按标准 API 费率单独结算。公司的 AI 账单在一夜之间从 40 万美元飙升到了 140 万美元（折合人民币超千万元）！
他坦言：“我自己随手在 Claude Code 里调试了 3 天，一不小心就烧了 4000 美元。大家根本对花了多少钱毫无知觉”
支付独角兽 Ramp 的联合创始人 Eric Glyman 也一针见血地指出：“Token 飞涨只证明你的电表在高速运转，并不证明你在做有价值的工作。若无法归因，就谈不上资本回报”
残酷现实：95% 的企业 AI 试点，根本产生不了利润！
Uber 遇到的危机远非孤立个案放眼整个商业界，一场关于“生成式 AI 到底能不能赚钱”的清算风暴正在席卷而来。
著名的麻省理工学院（MIT）NANDA 团队发布了一份震撼业界的调查报告：在深度调研了数百家企业后，他们发现高达 95% 的企业生成式 AI 试点项目，根本无法在损益表（P&L）上产生任何可被测量的财务回报！
很多巨头的 AI 探索甚至直接翻车比如星巴克（Starbucks）曾耗时 9 个月在门店内大范围推行“计算机视觉盘点系统”，寄希望于用 AI 自动清点库存。但到了实际营运现场，系统在复杂光线和密集摆放下一再看错、标错商品，最终只能在耗费巨资后惨淡撤场。
为什么绝大多数企业的 AI 投资都打了水漂？
答案很简单：它们把最昂贵的 AI 模型，用在了最没有杠杆效应的碎片任务上。 比如让最顶级的大模型去帮员工写个会议摘要、润色一封邮件，或者自嗨式地搭建一个内部根本没人用的聊天机器人。
当技术热潮褪去，所有企业都在面对同一个冰冷的考核指标：ROI（投资回报率）。多花的几百万美元算力费，到底换来了几行真实的利润？
绝地反击：Uber 祭出“两周闪电战”智能体小队
被逼到墙角的 Uber CTO Praveen Neppalli Naga，决定彻底掀翻原来的桌子。
既然程序员坐在空调房里狂刷代码无法创造实际利润，那如果把最顶尖的 AI 力量，直接“空投”到看似最枯燥、最繁琐的真实业务现场呢？
2026 年夏天，Uber 正式向全公司推行了一套极具颠覆性的组织实验，Agentic Pods（智能体冲刺小队）。
▲ Uber CTO 亲发长帖：公布 Agentic Pods 的 10 天落地机制与多项业务效率对比
这套机制的运作方式极其硬核：
- 精挑细选
：从全公司挑出约 30 名对 AI 智能体最精通、且对 Uber 底层系统了如指掌的王牌工程师。 - 一对一绑定
：把这 30 个人直接下派，与财务、法务、营销、客服、HR、采购等非技术部门的业务专家进行一对一结对。 - 严格锁死 10 个工作日（两周）
：每个小队必须按照军事化的时间表推进： - 第 1–2 天（跟岗观察）
：程序员什么代码都不许写，必须坐在业务人员旁边，观察他们怎么点鼠标、看哪些表格、处理什么异常，完全搞懂工作流程； - 第 3 天（锁定靶标）
：根据“业务规模、重复程度、潜在价值、数据完整度”四个维度，选出最该重构的痛点； - 第 4–5 天（现场共建）
：程序员与业务员坐在一起，现场针对工作流搭建专属 AI 智能体； - 第 6–9 天（交叉验证）
：把工具交给该部门的其他多名同事反复试用，验证它能否从个人“玩具脚本”升级为通用的“工业级工具”； - 第 10 天（正式上线）
：直接交付生产环境！
推特网友们看到这个流程，忍不住犀利调侃道：“好家伙，这不就是把传统的‘学徒制’重新发明了一遍，然后给它起了个叫 Agentic Pod 的高大上名字吗？”
▲ 网友神回复：“哥们儿重新发明了当学徒，并把它叫做智能体小队 💀”
但正是这种看似“最笨”的贴身肉搏，在短短两个月内席卷了 Uber 的 16 个业务职能部门，并交出了一份近乎科幻的成绩单：
- 全球 150 个城市的资本配置计算
：耗时从 15 小时 → 压缩至 30 分钟； - 跨国财务节奏（Pacing）分析报告
：耗时从 2 整天 → 压缩至 10 分钟； - 全球营销网页合规与质检
：耗时从 2 周 → 压缩至 50 分钟； - 客服复杂流程搭建
：原本多达 9000 个纯人工配置流程，全面进化为智能体自助自动化！
穿透本质：AI 红利来自“重构流水线”
Uber 的这套打法，不仅自救成功，更为整个科技圈上了一堂极其深刻的认知课。
为什么单兵作战的 AI 聊天工具只能带来几秒钟的偷懒，而下沉到业务一线的智能体小队却能带来数十倍的效率跃升？
1. 自动化单元必须覆盖“整条工作流”
过去很多企业理解的 AI，是让员工用 ChatGPT “润色一段话”、“写一个函数”，这只是在加速单个微小任务，前后依然充斥着繁琐的审批、跨部门邮件沟通和格式转换。
而当王牌工程师深入业务后，他们做的是围绕 AI 从头重新设计整条业务流水线：直接砍掉无意义的中间审批、淘汰掉昂贵的遗留第三方软件、消除跨系统人工搬运数据。整条业务链条被打通了，速度自然从“以天计”变成了“以分钟计”。
2. 最顶级的商业机会，永远藏在“未经文档化的默会知识”里
几张完美的流程图远不足以支撑企业后台运转，老员工脑子里还有无数“没写进手册的特例处理与潜规则”。
硅谷此前流行所谓的 FDE（前向部署工程师），把工程师派驻到大客户现场做交付；而 Uber 的做法被业界戏称为 RDE（后向部署工程师），让技术大牛钻进自己公司的后台机舱，坐在财务法务旁边，把那些沉睡在业务深处的暗知识，彻底翻译成能自主运行的智能体代码。
算力狂欢谢幕，逐笔审计的时代到来了
从春季的“Token 预算烧穿恐慌”，到夏季的“智能体小队下沉突围”，Uber 经历的这场过山车，正是整个人工智能行业走向成熟的缩影。
盲目消耗 Token、在控制台里自我感动的“Tokenmaxxing 时代”正在彻底终结。
取而代之的，是极其严苛的精细化治理与 ROI 算账时代：
简单的总结会议，必须从最贵的前沿大模型自动降级路由到轻量廉价模型； 每一笔算力开销，都必须能清晰追踪到它到底优化了哪个业务环节、省下了多少工时、拉动了多少增量； AI 不再是中央实验室里的演示玩具，它必须成为深入企业毛细血管的超级管道工。
那些最终能跨越 AI 泡沫周期的企业，往往是最先俯下身子，把技术杠杆结结实实压进业务泥土里的实干家。
