Uber部署AI编程工具Claude Code后，工程师使用率高达95%，70%代码由AI生成，导致预算超支。文章指出，传统预算模型失效，AI使用无上限引发成本失控。企业面临新挑战：如何控制AI使用量，避免浪费。文章强调AI成功带来管理新问题，企业需重新规划AI预算。

2025 年 12 月，Uber 给工程师们部署了 Claude Code。这不是什么大事，硅谷的科技公司，几乎每个季度都会往工程师的工具链里塞进新东西，更何况还是 AI，降本增效的武器。

四个月后，Uber 的 CTO Praveen Neppalli Naga 向管理层汇报了一个令人尴尬的情况：公司为 2026 年全年准备的 AI 工具预算，已经在今年的前四个月，全部花完了。

这数字不对劲

Uber 内部的数据是这样的：95% 的工程师每个月都在用 AI 编程工具。

这个数字本身就很离谱：企业软件的行业平均采用率大约在 20%到 40%之间。大多数工具真正的命运是 IT 部门发一封邮件，少数尝鲜者试用几天，然后它就安静地躺在某个被遗忘的浏览器标签页里，直到下一次资产清点。作为参考：微软花了三年时间才让 Teams 的日活突破公司员工总数的一半。

Uber 的 AI 编程工具做到 95%，只花了四个月，这不太对劲吧。

更关键的数字是第二个：70%的提交代码由 AI 生成。也就是说，在 Uber 的代码仓库里，每十行新代码中有七行是 AI 写的，工程师只负责审核、修改、提交。

Uber 西雅图办公室. 图片来自：GeekWire

第三个数字试图解释了钱去了哪里：每位工程师每月的 AI 工具成本在 500 到 2000 美元之间。按 Uber 大约 6000 名工程师粗算，即使取中位数 1000 美元，每月就是 600 万美元，四个月就是 2400 万。而 Uber 2025 年全年的研发支出是 34 亿美元，同比涨了 9%，AI 已经是最大的增量推手。

一位 Hacker News 上的工程师对照了自己的情况，去算这些数字：到底怎么能用到这个量级的？

他的困惑代表了整个行业的困惑，倒不是质疑 AI 有没有用，而是用到这个量级，就应该算算 ROI 了吧。

不是采购失败，是预测模型失败

传统的企业 IT 预算建立在一个基本假设上：工具的使用量是可预测的。你知道公司有多少人，知道每人每月大概用多少云存储、多少 SaaS 席位、多少 API 调用次数，算一下就能算出年度预算，误差也有，但通常可以控制在 10%到 20%以内。

AI 编程工具打破了这个假设，原因很简单：传统工具的使用量有天花板。一个工程师一天最多写那么多代码，一个设计师一天最多出那么多稿，但 AI 工具的使用量没有天花板。

你让它写一个函数，发现效果不错，那就再写十个。写完十个发现还能重构，就让它把整个模块重构一遍。重构完发现测试也能写，那就把单元测试全补上。

每一步都是合理的，每一步都在创造价值，但每一步也都在烧 token。

一位技术博主在分析 Uber 案例时写道：这是一家市值超过 1000 亿美元的公司，有成熟的财务团队，有完善的预算审批流程，预测模型照样偏差了三倍。那么，每一个比他们小的团队都会以同样的方式——或许是更惨烈的方式——崩溃。

当好用变成一种负债

反而呢，这让人想起了那句扎心冷笑话：AI没有铺开，是因为现阶段它的费用比人贵。

这句话乍看像是在说 AI 太贵，但细思它说的其实是另一件事：在某些场景下，一个工程师加上 AI 工具的综合成本，已经超过了直接多雇一个初级工程师的成本，初级员工的就业率侧面反映了一定问题。

这不是 AI 的失败，恰恰相反，这是 AI 成功得太彻底的结果。

早两年，科技行业关于 AI 的叙事一直是「AI 还不够好」，模型会幻觉，代码会出错，上下文窗口太短，无法理解复杂的业务逻辑……即便到了今天，这些批评依然部分成立。

但 Uber 的故事揭示了硬币的另一面：当 AI 跨过「够用」的门槛之后，企业面对的不再是「要不要用」的问题，而是「怎么控制用量」的问题。

前者是一种战略决策，很显然，现在已经没有犹豫的空间了，开团秒跟吧。

而后者，则是一种全新的管理挑战。历史上，企业软件的主要矛盾一直是「推广」，花了大价钱弄出来的系统没人用，是 CIO 们的噩梦。所有的培训、激励、考核机制都在解决同一个问题：让员工多用一点。

现在 AI 的使用门槛不断降低，使用本身不需要培训，不需要激励，不需要任何推广手段，工程师自己就会用到停不下来，就促生了新的管理面向。

更大的问题

Uber 不是唯一一个遇到这个问题的公司。在 Reddit 和 Hacker News 上，关于 AI 工具成本失控的讨论在过去几个月密集出现。很多公司的情况和 Uber 类似：预算是按保守估计做的，实际使用量远超预期。

Axios 报道中有一个更惊人的视角。一位 Nvidia 深度学习部门的 VP 说：我团队的算力成本已经远远超过了员工工资。

英伟达深度学习部门 VP Bryan Catanzaro

围绕这个现象，硅谷发明了tokenmaxxing，它模仿了健身圈的「maxxing」构词法，意思是不计成本地大量消耗 AI token，把 token 消耗量当成一种生产力指标，甚至一种身份标签。「你这个月烧了多少 token」正在变成工程师之间的社交货币，就像前几年他们比较谁的 GitHub commit 更多一样。

在过去，一个科技公司最大的成本是人，现在最大的成本可能是喂养 AI 的 token。这不是一个简单的成本结构变化，它会重塑整个行业对「一个工程师值多少钱」的定义。

如果一个高级工程师每月的 AI 工具成本是 2000 美元，一年就是 2.4 万美元，这已经接近一些国家初级开发者的全年工资。如果 AI 让这个高级工程师的产出翻了三倍，那这 2.4 万花得值。但如果 AI 只是多生成了很多不必要的代码，或者让工程师养成了「先让 AI 跑一跑」的习惯而不是自己思考，那这 2.4 万，称得上是某种浪费。

Ainvest 的一篇分析指出，这种行为创造了一个奇怪的利益冲突：AI 厂商希望企业烧更多 token，因为他们按用量收费。企业希望控制成本，但又不想限制工程师的生产力。与此同时，工程师觉得自己在创造价值，不理解为什么要限制工具的使用，三方的激励完全错位。

一些公司已经开始采取措施。设置每月用量上限、要求先写需求文档再调用 AI、用更轻量的模型处理简单任务。但这些场景吧，想象一下多少有点荒诞，你花钱买了一个提升效率的工具，然后又花精力限制大家使用它。

谁来买单？

Uber 的 CTO 说公司需要「回到白板前面」重新规划 AI 预算，潜台词是，「我们之前画的那个模型估算错了」。

过去两年，关于 AI 的争论一直围绕着「AI 能不能取代人类」，但 Uber 的故事提供了一个更现实、也更紧迫的问题：当 AI 足够好用的时候，谁来为这个「好用」买单？

工程师不会买单，因为他们觉得自己在提高效率。管理层不会买单，因为他们已经享受了 70%的代码由 AI 生成的红利。AI 厂商更不会买单，因为按量计费是他们的商业模式。

最后，大概率只有财务继续头疼，该怎么面对下一轮股东大会时更刁钻的提问。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】