当一家科技巨头在一年内豪掷 34 亿美元用于研发，却在上线 AI 编码工具短短数月后被迫宣布预算见底，这一现象足以引发整个行业对 AI 预算治理的深刻反思。2026 年 4 月，Uber 首席技术官 Praveen Neppalli Naga 公开承认，公司已耗尽 2026 年的计划 AI 预算，不得不再度 “回到画板” 重新规划支出方向。这一事件不仅暴露了消费级 AI 工具定价模型与企业级成本管理之间的深层矛盾，更揭示了企业在快速拥抱 AI 能力时往往忽视的治理结构性缺陷。
消费级定价与企业级预算的根本冲突
Uber 在 AI 采用上的激进策略值得深入审视。据公开信息显示，Uber 不仅大规模向工程师推广 Anthropic 的 Claude Code 和 Cursor 等 AI 编码助手，甚至在内部建立基于使用量的排行榜，以此激励工具采纳。这种自上而下的推动确实带来了显著成效 —— 目前约 11% 的 Uber 线上后端代码更新由 AI 系统完成，覆盖从匹配算法到定价策略的各个环节。然而，这种采用模式恰好踩中了消费级 AI 工具最核心的定价陷阱：按使用量计费的模式在个体开发者手中或许是可控的成本，但当数千名工程师同时高频使用顶级模型时，成本便呈指数级膨胀。
问题的根源在于计量维度的失配。大多数 AI 编码工具的定价基于 token 消耗、API 调用次数或计算时长，这些指标与企业传统 IT 预算的年度编制逻辑存在根本性差异。企业通常以部门、人员或项目为单元进行预算分配，而 AI 工具的费用却高度依赖实际使用行为，且存在显著的波动性。一名工程师在调试复杂问题时可能在一小时内消耗相当于整月配额的费用，而这种消耗难以在年初准确预测。Uber 的案例表明，即便拥有 34 亿美元的研发预算池，在缺乏精细化成本计量和动态调控机制的情况下，快速扩张的 AI 使用量可以轻易突破任何静态预算框架。
企业内部 AI 治理的结构性缺陷
更深层的问题在于 Uber 乃至多数企业在 AI 引入初期往往缺乏成熟的治理框架。治理结构缺失首先体现在责任边界的模糊上。当 AI 工具由工程师自发或半自发地采用时，成本责任往往悬空 —— 工具采购可能由技术团队发起，但费用却计入整体研发预算，缺乏明确的成本中心归属。这种模糊性导致决策者无法准确评估每项 AI 能力的真实投入产出比，也无法对超支行为进行有效的事前约束。
其次是监控体系的滞后性。传统软件采购通常伴随明确的使用许可数和固定费用，而 AI 工具的动态计费特性要求企业建立实时的消耗监控仪表盘。然而，许多企业在这方面的投入严重不足，往往直到季度结算时才发现成本大幅超支。Uber 的案例中，公司在 Claude Code 使用量自去年底急剧攀升时未能及时建立有效的消耗预警机制，导致成本在数月内快速累积最终失控。
第三个结构性缺陷是工具组合策略的缺位。Uber 在 AI 栈扩展上的计划 —— 从 Claude Code 到 Cursor 再到即将测试的 OpenAI Codex—— 反映了典型的 “堆叠式” 采纳路径。然而，这种缺乏统一规划的工具组合往往导致多供应商竞争和成本分散，缺乏基于单位效益的横向比较框架，企业难以判断究竟哪种工具组合最具成本效益。
可落地的工程化治理参数与监控清单
面对上述结构性缺陷，企业需要建立一套完整的 AI 预算治理体系。以下是核心的工程化参数与监控要点。
在预算编制层面，建议采用动态弹性预算而非静态年度预算。具体做法是将 AI 工具支出分为固定成本和变动成本两部分，其中基础设施和基础模型订阅归入固定预算，而 API 调用和增量计算资源则按照预估使用量的 1.5 至 2 倍设置变动预算区间。同时，按月度而非年度进行预算复核，以便及时调整资源配置。
在消耗监控层面，关键指标包括每工程师平均 token 消耗量、日 / 周 / 月消耗增长率曲线、峰值时段的单位成本变化。建议设置三级告警阈值：消耗达到月度预算 50% 时触发黄色预警，80% 时触发橙色预警并自动限制新用户接入，超过 95% 时触发红色预警并暂停非关键场景的 API 调用。这些阈值应根据实际业务优先级进行差异化配置，例如核心交易系统的 AI 功能应始终保持绿灯状态。
在成本分摊层面，建议为每个主要工程团队或项目设置独立的成本中心，通过内部转账机制将 AI 工具消耗计入各团队的研发成本。这一机制能够将 AI 使用的隐形成本显性化，倒逼团队自发优化工具使用效率。同时，应定期公布各团队的单位产能成本（例如每千行 AI 辅助代码的成本），形成健康的内部竞争氛围。
在工具组合优化层面，建议建立季度性的工具效益评估框架，综合考量代码采纳率、返工率、工程师满意度以及实际成本支出。对于使用量持续低迷或成本效益不佳的工具，应设定明确的淘汰或缩减阈值。此外，与供应商进行企业级用量合约谈判往往能够获得显著的价格优惠，通常批量采购的折扣区间在 15% 至 30% 之间。
结语
Uber 的案例并非个例，而是整个科技行业在 AI 大规模商用化进程中共同面临的治理挑战的缩影。当 AI 从实验性工具演变为核心生产力引擎时，企业必须超越 “买就完事” 的采购思维，建立与 AI 动态消耗特性相匹配的预算治理框架。这不仅是成本控制的技术问题，更是组织架构、决策流程和文化理念的系统性变革。那些能够率先建立精细化 AI 治理体系的企业，将在效率与成本之间找到真正的平衡点，而非像 Uber 一样在 34 亿美元的投入后被迫 “回到画板”。
资料来源：本文核心事实基于 Benzinga 报道的 Uber CTO Praveen Neppalli Naga 关于 AI 预算耗尽的公开表述，以及 The Information 关于 Uber AI 采用现状的分析。