Uber四个月花光全年AI预算：企业正从"用得越多越好"转向"省着用"

今年4月，Uber的工程团队做了一件让财务部门冷汗直冒的事：他们把公司全年的AI预算，在四个月里花光了。Uber CTO后来对外承认，单个工程师每月在AI工具上的花费一度高达500到2000美元，公司很快上线了一道硬规定——每位工程师每月最多1500美元，覆盖Claude Code、Cursor和GitHub Copilot CLI这几款常用工具，超额需要专门申请。几乎同一时间，Walmart也在自家的AI编程平台Code Puppy上加了类似的限制。这不是个例，而是一场正在企业内部蔓延的"刹车潮"。

从"Token Maxxing"到"踩刹车"，只用了几个月

过去一年，企业内部流行一个词——"Token Maxxing"，意思是把AI的Token消耗量当成衡量员工产出和积极性的指标，鼓励大家尽可能多用。今年4月，Meta内部有员工搭了一套名为"Claudeonomics"的排行榜，追踪8.5万名员工的Token消耗，还设置了"Token传奇""会话不朽者"之类的徽章，单月消耗最高的员工用掉了2810亿个Token，全公司一个月合计跑掉了约60万亿Token。这套排行榜上线没几天就被公司悄悄关停了。几乎同期，Amazon也向工程师发出内部指引，明确要求不要"为了用AI而用AI"。

把这些事件串起来看，逻辑很清楚：当"用了多少AI"被当成"做了多少贡献"的代理指标，结果就是消耗量飙升、但产出质量未必同步提升——这和早年互联网行业曾经用"代码行数"衡量程序员效率犯过的错误，是同一种思维陷阱。

花钱最多的，往往不是工程师

更值得注意的一个细节来自Accenture内部流出的一段录音。负责智能体战略的高管在内部坦言，公司里Token消耗最猛的群体其实不是开发团队，而是非技术岗员工——他们大量用AI把PDF转换成PPT之类的日常文档处理工作。Accenture已经在筹备一款叫"Token IQ"的内部产品，专门给管理层一个仪表盘，看清楚AI预算到底花在了哪里、有没有换来对等的回报。

成本压力还在从另一个方向逼近：GitHub Copilot已经从固定订阅制转向按用量计费，对大规模工程团队来说，相当于一次性取消了"包月吃到饱"的安全感；与此同时，部分主流模型厂商也开始对智能体调用和第三方插件单独计量，按完整API费率收费。换句话说，过去那种"订阅费固定、随便造"的成本模型，正在从企业AI支出结构里消失。

一位AI自动化公司CEO把100%的业务流量从Claude切换到了DeepSeek，他后来说这"事关企业生存"——成本曲线肉眼可见地"砸到了地上"。

企业开始补的，是"AI财务"这门课

根据Futurum在2026年上半年的企业调研，按消耗量和按结果计费的定价模式合计已经超过买方偏好的一半，传统按人头订阅的模式占比已经跌到约20%左右。这是一个信号：企业正在用云计算时代摸索出的FinOps思路（把基础设施成本精细到具体业务单元）来对待AI支出——先是无序狂奔，撞上预算墙，再倒回头建立按任务的成本追踪、模型路由层和上下文压缩机制。

"模型路由"正是其中被反复提到的关键词——简单任务交给便宜模型，复杂推理才调用最贵的旗舰模型。但企业知识管理公司Glean的CEO提到，目前仍有约95%的企业AI用量跑在最贵的旗舰模型上，路由这件事说起来容易，真正落地的企业还是少数。Glean自家的平台数据显示，约七成的助手交互能自动按任务复杂度路由到合适的模型，但这需要在架构层面提前把任务分类、把模型选择规则写清楚，不是装个开关就能解决。另一项调研还指出，目前只有43%的企业有正式的AI治理政策，仅21%在智能体治理上达到成熟水平——大多数企业还没有把云计算时代那套"用量监控+预算告警+权限分级"的纪律，搬到AI工具上。

STARBOX视角：省钱不是少用AI，而是让每一份Token都花在该花的地方

Uber和Meta的故事其实戳中了一个被很多企业忽略的问题：AI落地的瓶颈，正在从"敢不敢用"转向"会不会管"。如果一套智能体系统从设计之初就没有考虑"这个任务到底需要多强的模型"，那么消耗失控只是时间问题。

在我们服务过的企业里，这件事其实可以从架构层面提前解决，而不是等预算超支后再去做事后限流。STARBOX的三层架构（组织→智能工作台→智能体）天然带着任务分级的逻辑：简单的内容生产、数据整理交给轻量模型批量处理，需要深度判断的环节才调用更强的模型，多模型路由不是一个"省钱补丁"，而是从一开始就写进系统设计里的默认规则。再加上DDABC客户旅程模型把每一次AI产出和实际业务结果挂钩，企业能清楚看到"这份Token换来了什么"，而不是只看到一张账单。

这和大厂正在做的算力路由有相似的底层逻辑，但出发点不同——大厂解决的是基础设施层的供给问题，中小企业要解决的是应用层"花得值不值"的问题。当模型价格和计费方式还在频繁变化时，把成本控制能力沉淀成组织自己的方法论，比依赖某一家模型厂商给出的临时优惠，要可靠得多。

Token Maxxing的退潮不是AI退潮的信号，恰恰相反，它说明AI已经真正进入企业的成本结构，值得被像云计算账单一样认真对待。下一个问题是：你的企业现在能说清楚，上个月的AI支出里，有多少花在了真正产生价值的环节上吗？