效率悖論：Uber 對激增的AI支出發出警示
企業界對人工智慧（Artificial Intelligence，AI）的快速整合已達到一個關鍵的轉折點。過去兩年，產業共識被一種「不惜代價投入」的心態所定義，這是因為擔心錯失大型語言模型（LLMs）所帶來的變革潛力。然而，隨著超高速成長的論述逐漸回歸常態，企業領導者正將重點轉向財務責任。最近，長期以來以數據驅動物流而聞名的 Uber，對激增的 企業級 AI 成本提出了日益強烈的質疑，凸顯了實驗性部署與實際投資回報之間的鴻溝。
這場對話的核心在於創新與即時盈虧影響之間的張力。雖然像 Claude Code 這樣整合了 AI 的工具承諾將徹底改變軟體開發生命週期並提高開發人員生產力，但與這些模型相關的企業規模成本已不再被視為「研發實驗」而被吸收。
企業級 AI 部署的經濟現實
在近期的投資者交流中，Uber 高管坦率地談到了他們基礎設施投資的現實。該公司歷史上依賴機器學習來進行定價演算法和路徑最佳化，現在正經歷向 生成式 AI（Generative AI） 轉型的昂貴過程。
問題不在於工具缺乏效用，而在於回報的可預測性。當高效能模型擴展到數千名員工和數百萬次運算請求時，營運支出（OpEx）便會膨脹。Uber 的領導層指出，雖然工程師在加速程式碼生成和文件編寫的工具中找到了真正的價值，但「單位生產力成本」卻缺乏資深高管所要求的明確下降趨勢。
AI 整合的比較成本指標
| AI 整合類別 | 預期效益 | 主要成本驅動因素 |
|---|---|---|
| 開發輔助 | 提高產出速度 | API 使用費與 Token 費用 |
| 客戶支援 | 減少工單量 | 微調與潛在延遲 |
| 數據分析 | 更好的決策 | 運算資源獲取 |
評估像 Claude Code 這類工具
提到 Claude Code——一種旨在直接協助開發人員進行終端操作的專業工具——為當前的企業困境提供了一個案例研究。一方面，它代表了自主或半自主開發的潛力；另一方面，它引入了對依賴按使用量計費的昂貴外部 API 提供商的依賴。
對於 Uber 來說，問題在於開發人員使用 Claude Code 所節省的時間是否被訂閱和使用成本所抵銷。如果 AI 工具在效率上僅提供了輕微的提升，卻讓企業付出了高昂的代價，那麼對商業而言，淨價值就是負面的。這種心態的轉變意味著 AI 專案負責人現在必須透過嚴格的財務指標來證明其價值，而不是僅僅強調技術的新穎性。
向務實創新轉型
Uber 並非唯一面臨這種反思的公司。科技產業內部正在出現一種更廣泛的趨勢，利害關係人正要求更清晰地呈現 AI 支出 如何转化为利潤率。2023 年初那種「非理性的繁榮」正在被一種更加紀律化的 企業級 AI 策略所取代。
展望未來，我們預期市場將分裂為兩種截然不同的營運策略：
- 務實路線： 企業將越來越青睞更小、特定領域的模型，這些模型託管和維護成本更低，並逐漸拋棄「一體適用」的巨型 LLMs。
- 量化路線： 投資將僅批准那些對營收有明確定義、可衡量影響，或能直接削減營運成本的 AI 專案。
策略展望：超越炒作週期
對於像 Uber 這樣的公司而言，前進的道路涉及對其 AI 技術堆疊進行嚴格的內部稽核。挑戰依然在於如何在保持處於領先地位的必要性（以防競爭對手獲得優勢）與過度在未經證實的生成式工作流程上透支資產負債表的風險之間取得平衡。
隨著產業成熟，焦點將不可避免地從「誰使用的 AI 最多」轉向「誰使用 AI 最有效率」。對於軟體和物流業而言，這意味著每一筆花費的 Token 都必須有可證明的生產力提升作為支持。盲目投資 生成式 AI 的時代即將結束；取而代之的是，「AI 會計」時代已正式開啟。
透過要求回報透明化，Uber 正成為市場上的風向標。它對 AI 成本的公開質疑發揮了必要的現實檢驗作用，提醒企業領導人，歸根結底，人工智慧只是支持業務的工具，而非業務本身。
