四个月，一年的钱烧光了
科技巨头的AI焦虑，今年有了最直观的标尺。
打车平台Uber，四个月就花掉了2026年全年的AI预算。
钱去哪了？不是买显卡，也不是建数据中心。而是付给了像Claude Code、Cursor这样的AI编程助手，让它们疯狂地“吃”掉令牌（Token）。
面对失控的账单，Uber的回应简单粗暴：给所有员工，每项AI编程工具，每月设下1500美元的硬性额度上限。用超了，自己想办法。
1500美元，一个精心计算的数字
这个数字看似随意，实则暗藏玄机。
我们来算笔账。假设一个工程师活跃使用两款AI工具，月支出上限是3000美元。一年下来，就是3.6万美元。
而在美国，Uber软件工程师的年薪中位数是多少？33万美元。
这意味着，公司为每位工程师准备的AI“燃料费”，已经达到了其人力成本的11%。这不再是一项零散的IT开销，而是一项需要被严格纳入人力资源战略的核心成本。
说实话，这个比例高得有点吓人。它清晰地告诉市场：AI编程助手，已经不是锦上添花的玩具，而是与程序员薪酬深度绑定的生产资料。
个人玩家 vs. 企业巨头，一道残酷的成本鸿沟
这里有个扎心的对比。
文章作者Simon Willison提到，他个人使用Anthropic和OpenAI的服务，每月账单大约1000美元。但因为他享有个人订阅者的“慷慨补贴计划”，实际只需支付100美元。
如果他在Uber工作呢？按照新政策，他每个月还能有500美元的额度结余。
但企业没有这种“补贴计划”。它们必须为每一分钱的API调用支付全价。个人用户的“性价比”，是大公司买不到的奢侈品。评论区一针见血：这就像多层级的营销生意，“钻石”们通过兜售梦想赚钱，而底层用户承担着高昂的真实成本。
限制，是为了看见真正的价值
最有意思的一条评论，来自一位匿名工程师：
“这1500美元的数字本身没那么重要。重要的是，他们终于触碰到了天花板。我聊过的大多数工程团队，根本不知道每个开发者的AI支出是多少，因为那都淹没在庞大的云账单里了。”
设定一个硬性上限，强制引发了两个至关重要的对话：
- 哪些工作流真正值得调用昂贵的API，而哪些可以用本地模型？
- 这些疯狂的支出，到底产出了多少可衡量的生产力提升？
没有这个反馈循环，一切就只是一场“看谁烧令牌更快”的无聊竞赛。Uber的禁令，意外地成了行业的一根探针，逼着大家去思考：我们到底在用AI优化什么？
开源与本地化，是出路还是幻想？
评论区里，“中国开源模型”和“本地部署”的呼声很高。很多人质疑：为什么大公司不自建服务器，跑像DeepSeek这样的开源模型？
有人尝试后觉得，顶级闭源模型（如Claude Opus、Gemini Pro）确实更好，但“好”的程度，是否足以支撑10倍乃至百倍的价格差？
这引出了更深层的担忧：锁定风险。一位用户坦言，他已经在Claude里积累了大量项目“知识”，如果未来Claude在性价比上失去优势，他将被深度绑定，迁移成本巨大。
当工具与记忆深度耦合，选择变得不再纯粹。这是所有依赖AI编程的开发者，都在悄悄评估的暗礁。
写在最后：狂热的中场，理性的入场
Uber的1500美元限额，像给一场狂热的派对按下了静音键。
它宣告了AI工具“跑马圈地”、“比拼用量”的野蛮生长期暂时告一段落。企业开始回归财务的冷酷逻辑，追问每一个Token的价值。
当潮水退去，我们才会知道，哪些公司真的在用AI造出了更快的马车，而哪些公司只是享受了烧钱的快感。
个人觉得，这场AI军备竞赛，最终会比拼的不是谁买的“子弹”多，而是谁的“枪法”更准。那么，问题来了：你的团队，是正在享受这场盛宴，还是已经到了该冷静算账的时候？
【锐评】：当AI编程的月账单开始与程序员年薪相提并论，科技行业终于要面对那个最原始的问题：这玩意儿，到底省了谁的钱？
参考链接：
https://simonwillison.net/2026/Jun/3/uber-caps-usage/