Uber AI预算四月耗尽，裁员与工具投入均难算清ROI

背景

今年四月，Uber 的 CTO 发现了一个令人震惊的现象：公司全年的 AI 工具预算，仅在四个月内就被消耗殆尽。这一事件成为了硅谷当前“token 消耗大比拼”的典型缩影。随后，Uber 的 COO Andrew Macdonald 在播客中进一步指出，目前 token 的消耗量与最终交付给用户的功能之间，并不存在明确的因果联系。

Uber 在去年底部署了 Anthropic 的 Claude Code，目前 95% 的工程师每月都在使用，70% 的代码提交来自 AI 辅助。尽管使用率惊人，但成本也极其高昂：每位工程师每月的 API 调用费用在 500 至 2000 美元之间波动，且同一用户在同一天的消耗差异可达十倍。这种不可预测的高额支出迫使 CTO 不得不重新评估预算模型，感叹原本以为充足的预算已被“吹走”。

与此同时，另一类企业选择了不同的路径：通过大规模裁员来替代人力，试图利用 AI 提高人效。然而，Gartner 今年发布的一项针对 350 家年收入超过十亿美元全球企业的调查显示，80% 的企业在部署 AI 后都进行了裁员。但数据揭示了一个反直觉的事实：裁员率与投资回报率（ROI）之间完全不存在相关性。裁员的多少并未带来业务价值的实质性提升，仅仅是让财报在短期内看起来更“漂亮”。

核心内容

1. 投入与产出的脱节：Uber 的困境 Uber 的案例揭示了当前 AI 应用中的一个核心矛盾：巨大的资金投入并未转化为可量化的业务成果。虽然 AI 极大地提高了代码生成的比例，但公司无法回答“用户体验提高了多少”或“新增了多少有用功能”这类问题。钱确实花了，代码确实写了，但两者之间缺乏清晰的因果链条。传统的 IT 预算模型基于固定席位收费，可预测性强；而 AI 工具采用按 token 计费的模式，用量波动巨大且不可控，导致年初制定的预算在年初就已失效。这就像从固定费率的健身房会员卡变成了按次计费的私教服务，用户（员工）的使用频率完全不可控，导致成本失控。

2. 裁员的悖论：信号大于实效 许多公司选择用 AI 替代人工，认为这能降低成本并提升效率。然而，Gartner 的报告指出，裁员省下的只是人工成本，并未创造新的业务价值。裁员的 ROI 本质为零。老板们之所以热衷于“AI 驱动的裁员”，本质上这是一种“信号决策”而非经营决策。

• 对投资人：释放“我们在积极应用 AI”的信号。
• 对董事会：展示“运营效率正在提升”的姿态。 这种被 Fortune 称为“AI washing”（AI 漂绿）的行为，实际上是利用 AI 作为借口进行成本削减以充利润，与 AI 是否真的能替代这些岗位无关。裁员腾出了预算，但并未带来真正的竞争力增强。

3. 财富流向：淘金热中的“卖铲人” 当企业纠结于 AI 是省钱还是花钱时，资金的实际流向非常明确：它们流向了 AI 基础设施提供商。

• 营收爆发：Anthropic 今年的年化收入已突破十亿美元，OpenAI 的收入更高。Uber 那些“飘走”的预算，直接进入了 Anthropic 等公司的账户。
• 淘金热结构：当前的 AI 市场呈现出经典的淘金热特征。真正赚钱的不是淘金者（使用 AI 的企业），而是卖铲子和牛仔裤的人（提供 API 和 token 的 AI 公司）。
• 经济循环的改变：过去，企业花在工资上的钱会留在员工手中，进而通过消费、娱乐、还房贷等方式在经济体内循环。现在，这笔钱直接流入了几家硬件密集型和融资密集型的 AI 巨头手中，转化为它们的 GPU 采购能力和下一轮融资的底气。

4. 未来的劳动力市场预测 Gartner 在报告中克制地预测，到 2028 至 2029 年，自主化业务反而可能会净增工作岗位。这暗示了当前被裁掉的员工，未来可能需要以新的角色（如“AI 协调员”或“模型运营”）被重新招聘回来，且薪资结构可能发生变化。

关键要点

• 预算模型失效：AI 工具的按 token 计费模式导致成本不可预测，传统按席位收费的 IT 预算体系无法适用于 AI 场景。
• ROI 与裁员无关：数据显示，裁员率与企业部署 AI 后的投资回报率（ROI）无相关性。裁员仅改善短期财报，不创造长期业务价值。
• AI 驱动裁员的本质：这是一种向投资人和董事会传递“效率提升”和“技术前沿”信号的策略，而非基于真实业务需求的决策，被称为“AI washing”。
• 资金单向流动：企业节省的人力成本或新增的 AI 预算，并未在企业内部循环或转化为新的业务利润，而是集中流向了少数几家 AI 基础设施公司（如 Anthropic、OpenAI）。
• 不可控的成本差异：同一员工使用同一 AI 工具，其消耗量可能存在十倍以上的差异，使得精细化管理和成本预测变得极其困难。
• 长期就业趋势：尽管短期出现裁员潮，但预测显示未来几年 AI 相关领域仍可能净增工作岗位，岗位形态将发生转变。

意义与影响

1. 企业管理范式的重构 Uber 的困境表明，企业不能简单地将 AI 视为传统软件的升级，而必须建立全新的成本管理和价值评估体系。如果无法量化 AI 对用户体验和业务增长的贡献，单纯的“使用率”指标不仅毫无意义，反而可能导致严重的财务失控。企业需要重新思考如何定义“效率”，从关注“省了多少人”转向关注“创造了多少新价值”。

2. 资本市场的信号博弈 “AI washing”现象的普遍存在，反映了资本市场对 AI 叙事的过度追捧。企业通过裁员来迎合这种叙事，导致资源错配。这种趋势可能掩盖了 AI 落地过程中的真实挑战，使得投资者难以分辨哪些公司真正通过 AI 提升了核心竞争力，哪些只是在进行财务粉饰。长期来看，随着泡沫消退，缺乏实际业务价值支撑的 AI 投入将面临更大的质疑。

3. 宏观经济结构的潜在变化 文章指出的资金流向变化具有深远的宏观意义。当企业支出从“人力工资”转向“AI 服务费”，经济循环的性质发生了改变。资金从分散的个人消费者手中，集中流向少数几家拥有巨大算力和融资能力的科技巨头。这种集中化趋势可能加剧财富分配的不均，并改变劳动力市场的供需结构。被裁员的员工若不能顺利转型为“AI 协调员”等新角色，可能面临长期的结构性失业风险。

4. 对“省钱”叙事的祛魅 大众和部分企业管理者常误以为 AI 是降低成本的万能药。然而，现实是 AI 并没有省钱，只是改变了花钱的方式——从可预测的人力成本变为不可控的算力消耗。这一认知纠偏对于企业制定长期战略至关重要。如果不认清这一本质，企业可能会在盲目追求 AI 应用的过程中，陷入“投入巨大却无回报”的陷阱，而真正的受益者始终是提供底层基础设施的 AI 公司。