Uber 表示，在今年前几个月就耗尽 2026 年全部人工智能预算后，公司已经找到一种更可持续的 AI 部署方式。

Uber 首席技术官 Praveen Neppalli Naga 在今年早些时候接受 The Information 采访时承认，在公司鼓励员工尽可能广泛地使用 AI 工具——尤其是 Anthropic 的 Claude Code，一款帮助工程师编写、调试和审查软件的 AI 编码助手——之后，他在支出分配上“重新回到起点”进行审视。Uber 甚至还建立了内部“leaderboards”，按软件工程师使用 AI 工具的情况进行排名。

这一推动反映出一种更广泛的企业趋势，即 “tokenmaxxing”：公司通过激励员工在工作场景中使用 AI，随后又在发现投资回报不足以证明加速支出合理时收缩力度。该词源自 tokens——大型语言模型处理的文本基本单位，也是服务商计费的单位——因此原始 token 消耗可粗略作为 AI 支出的代理指标。Uber 也未能例外，但 Naga 表示，公司如今已经形成了更高效的部署模式。

“我们正在看到一些关于 AI 成本的非常有趣的趋势，” Naga 周三在一则 X 帖子中写道。“我认为这也是一个信号，表明我们正接近所谓 tokenmaxxing 时代的尾声。”

Naga 解释说，Uber 将使用前沿 AI 工具的员工数量增加了四倍，从而压低了每个 token 的成本。公司之所以能做到这一点，是因为改进了 prompt 缓存，调整了默认模型设置，对新模型进行了以效率为重点的评估，并让工程师能够按小时查看自己的 AI 使用情况和成本。

“Naga 继续写道：“你可能会预期，随着采用速度加快，成本也会上升。我们看到的恰恰相反。并不是因为我们限制了访问，而是因为我们把效率视为一个工程问题，而不是预算问题。”

AI 回报的压力上升

企业要证明其大规模 AI 投资能够带来回报，压力正在加大。上个月，Deutsche Bank Research Institute 宏观与主题研究全球主管 Jim Reid 警告称，AI 生产率提升仍需多年才能显现。

在 2023 年至 2026 年第一季度之间，Magnificent Seven 的利润率从 15% 扩大到 25%，而 S&P 500 其余成分股同期利润率仅增长 10%，这表明 AI 投资的广泛回报主要仍局限于直接相关的科技板块之外。

截至 5 月，Uber 仍在努力释放 AI 所承诺的创新。

“这种联系还不存在，”Uber 总裁兼首席运营官 Andrew Macdonald 当时在 Rapid Response 播客中接受采访时表示。“也许从隐含层面看，确实有更多内容正在被交付，但很难把这些统计数据与‘好吧，我们现在实际上正在生产大约 25% 更多有用的消费者功能’之间建立起直接联系。”

Jevons 悖论的威胁

即便 Uber 正在寻找降低每个 token 成本、使其 AI 使用更可持续的策略，它仍面临经济学家长期警示的一种风险：Jevons 悖论，即对某种资源的总支出会在单位成本下降时反而上升。

这一现象以 19 世纪经济学家 William Stanley Jevons 命名；他在 1865 年观察到，尽管 Watt 蒸汽机提高了煤炭使用效率，煤炭消费却出现激增。如今，同样的动态正在 AI 领域上演。

根据 Silicon Data Token Expenditure Index，自 2023 年以来，单个 token 的价格已下跌 90% 以上，但大语言模型支出自去年年底以来却翻了一倍。

Apollo 首席经济学家 Torsten Slok 在最近的一篇博客文章中写道：“随着 tokens 变得更便宜，公司并不会少花钱，而是会运行更多 AI agents，自动化更多工作流，并生成更多代码，从而在单位智能成本崩塌的同时推高总支出。”

Bain & Co. 于 6 月发布的一份简报印证了 Slok 的说法。报告发现，从 2024 年 12 月到 2025 年，token 成本减半，但在同一时期，随着公司升级 AI 工具，消耗的 tokens 增加了 450%。

Naga 方面指出，公司在 token 支出上正转向“质量优先于数量”的理念，但并未说明 Uber 今年以来使用的算力是更多还是更少。

“这就是企业级应用 AI 的未来，”他总结道。“下一阶段，无论我们如何称呼它，都不会由谁花费最多 tokens 来定义，而是由人们如何尽可能高效地使用它们来定义。”

本文最初发表于 Fortune.com。