看到Uber CTO汇报预算4个月烧完的消息，我并不意外。核心数据是：95%工程师每月使用AI编程工具，这远超行业平均的60-70%渗透率。关键在于，Uber的预算结构暴露了一个深层问题——他们将AI工具视为“可扩展资源”而非“效率杠杆”，导致用量激增时成本线性爆炸。从个人经验看，我曾主导过类似工具选型，发现很多团队忽略了两个关键点：一是token消耗的边际收益递减，二是代码补全与审查的ROI差异巨大。Uber案例本质上是“先铺量，后优化”的管理惯性。
我质疑的是：预算失控是否源于缺乏细粒度的成本监控？例如，是否区分了“原型验证”与“生产级代码”的AI使用场景？这里抛两个问题：第一，你的团队有没有设置AI工具的单用户配额或成本上限？第二，当AI生成代码占比超过30%时，代码审查的复杂度是否真的被降低？
从行业视野看，这预示着AI工具将从“全员开放”转向“精细运营”。未来，CTO需要像管理云计算资源一样管理AI预算——按项目分级、按代码类型计费。2025年，我预测会出现“AI代码审计官”这类岗位，专门负责平衡效率提升与成本控制。否则，Uber的尴尬会成为更多大厂的新常态。