為何 Claude Code 的採用曲線讓 Uber CTO「回到原點」？

2024 年 12 月，Uber 開放 5,000 名工程師使用 Anthropic 的 Claude Code。當時管理層的期待是：逐步採用、嚴格控管、緩慢釋放價值。但他媽的現實從不照劇本走。

不到兩個月——2026 年 2 月——使用率從 32% 飙升至 63%，幾乎翻倍。到 2026 年 4 月，年度 AI 預算已經顆粒無存。這不是漸進式滲透，這是「雪崩式採用」。任何做過企業軟體推廣的人都知道，5,000 人規模的組織能在兩個月內達成 63% 滲透率，代表的不是技術成功，而是——行銷、業務、產品、財務、法務，所有部門都在同時喊「我也要」。

Uber 的例子並不孤單。根據 McKinsey 2025 年全球 AI 調查，88% 的組織已在至少一個業務職能中使用 AI，但僅有約三分之一表示他們正在全企業範圍內規模化 AI。這意味著：大多數企業還卡在「局部試點」的階段，而少數先行者——如 Uber——已經撞上了「採用太快、預算太慢」的高速牆。

問題的核心在於：傳統 IT 預算編列假設的是「S 形採用曲線」，新技術需要時間滲透、組織學習曲線、與業務部門來回磨合。但 AI 編碼工具的採用邏輯完全不一樣——它沒有摩擦力，沒有培訓成本，沒有「這東西好難用」的抱怨期。工程師打開 VS Code、安裝 Extension、綁定 API Key，三秒鐘後就開始用，然後就再也回不去了。

數字會說話：從 32% 到 63% 的代價有多沈重？

讓我們把鏡頭拉近，仔細看 Uber 內部的 AI 使用數據：

• 92% 的 Uber 開發者每月使用 AI Agent
• 65-72% 的程式碼在 IDE 內由 AI 生成
• 11% 的 Pull Request 由 Agent 開立
• AI 相關成本自 2024 年以來上漲 6 倍

這組數據揭示了一個殘酷的事實：當大多數企業還在宣稱「AI 滲透率 30%」作為 KPI 成就時，Uber 已經來到了 92%。而且不是那種「偶爾用一下」的口號式採用，是每週、每天、每個 commit 背後都有 AI 参与的實質滲透。

Uber 2025 年的研發支出達到 34 億美元，但即便如此厚實的家底，依然被 AI 工具的燃料燒穿了防火牆。Praveen Neppalli Naga 的坦率發言不僅是自我檢討，更像是对整个行业的警鐘——當你的工程師團隊規模是 5,000 人，而每個人每天都在以 API 調用的方式消耗 AI 資源時，那個數字乘上來是非常嚇人的。

讓我們把視角擴大一點。2026 年全球 AI 系統支出預計突破 3,000 億美元，較 2024 年增長超過 150%。根據 IDC 的追蹤數據，這波成長的主要驅動力並非基礎模型開發，而是企業應用層的爆發——尤其是軟體開發、客戶服務、和數據分析這三個場景。

但增速背後藏著一個危險信號：許多企業的 AI 支出增長是非線性的。當你從 10% 的工程師使用 AI 工具擴展到 50% 時，成本不是線性增加 5 倍，而是可能增加 10 倍、15 倍。因為：

1. 熱門專案會出現「Token 競爭」，相同任務被重複處理
2. 低效的 Prompt 設計導致每單位輸出消耗更多 tokens
3. 缺少統一路由機制，導致簡單任務被昂貴模型處理

企業 AI 支出失控的三大結構性問題

基於 Uber 案例與業界觀察，我們可以識別出企業在 AI 支出管理上的三個根本性缺陷：

問題一：預算編列模型停留在「工具授權時代」

傳統 IT 預算思維是：「買多少席位、用多少授權、佔多少頻寬」。但 AI API 的計費邏輯完全不同——它是基於 Token 消耗的浮動成本，而且消耗量與「用戶滿意度」正相關。用戶越喜歡用，用得越多，成本越高。這種正向回饋迴路在傳統軟體授權模式中根本不存在。

根據各主要 Claude API 計價模式，Anthropic 的 Haiku 模型約每百萬 Token 收費 0.25 美元，而旗艦 Opus 模型則高達 15 美元。同一個除錯任務，選用錯誤的模型層級，單次成本差異可達 60 倍。但大多數工程師根本不知道自己在用哪個模型、等效多少成本——反正點一下就出結果，這筆帳最後會出現在誰的部門？

問題二：缺乏「任務複雜度」與「模型選型」的對應機制

當企業沒有建立明確的任務分級路由機制時，工程師默認會用最貴、最強的模型處理所有請求——因為「最好」的誘惑太強了。修一個變數命名用 Opus，寫一條註解用 Sonnet，翻譯一段文件還是 Opus。這種「用牛刀殺雞」的行為在個人使用場景無傷大雅，但在 5,000 名工程師的規模上，每個人每天多浪費 10 美元的 token 成本，一天下來就是 50,000 美元，一個月下來是 150 萬美元。

這就是為什麼「Token 成本優化」在 2026 年成為企業 AI 基礎設施團隊的首要 KPI。根據業界觀察，平均每位開發者每天在 AI 編碼工具上的支出約為 6 美元，但這個數字在沒有成本治理的情況下可以輕易飙升至 20-30 美元。

問題三：治理框架落後於技術採用速度

Uber 的案例中最值得注意的一點是：從 CTO 公開承認「預算爆了」到組織採取應對措施，中間有明確的時間差。這個時間差暴露了企業在 AI 治理上的結構性落後——技術團隊以光速採用，財務和採購團隊還在用季度預算會議的節奏在反應。

根據 Forbes 引用 McKinsey 的數據，僅有約 10% 的企業職能目前使用 AI Agent。這意味著大多數企業的 AI 治理框架還處在「嬰兒學步」階段。當這些企業決定擴大部署時，他們很可能會遭遇和 Uber 相同的預算衝擊。

工程師必讀：Token 成本優化的實戰心法

如果你是在企業內部推動 AI 工具的技術負責人，或者你自己就是每天與 AI coding assistant 為伍的工程師，以下是幾個經過驗證的成本優化策略：

策略一：Prompt 快取（Prompt Caching）

大多數 AI 編碼工具的 API 計費是「輸入 tokens + 輸出 tokens」。但 Anthropic 在 2025 年底引入的 Prompt 快取機制允許系統緩存重複出現的上下文（如代碼庫結構、框架規範、測試環境設定），從而減少每次請求的輸入 tokens 量。根據實測，對於大型代碼庫的維護場景，Prompt 快取可以節省 30-50% 的輸入成本。

策略二：實施「成本可見性」儀表板

工程師不優化他們看不到的東西。如果你的團隊沒有辦法實時看到每人、每專案、每週的 AI 消耗量，那麼「成本控制」就是一句空話。建議在工程師的 IDE 內整合成本追蹤外掛，讓每次 API 調用的等效成本在回應產生的就直接顯示。這種「即時反饋」的心理效應比任何事後審計都有效。

策略三：建立「AI 預算配額」制度

不要再把 AI 工具當成「免費且無限量」的資源。借鑒雲端運算的成熟經驗，為每個團隊、每個專案設定 AI Token 配額。當配額即將耗盡時，系統自動發出預警，團隊需要主動申請增加配額並說明理由。這種機制不僅控制成本，更重要的是——它強迫組織正視 AI 消耗的規模。

策略四：混合使用開源模型

不是所有任務都需要 Claude Sonnet 或 GPT-5 等旗艦模型。對於簡單的代碼補全、文檔生成、語法檢查等場景，本地部署的開源模型（如 CodeLlama、DeepSeek-Coder）可以提供 80% 的效果、10% 的成本。關鍵是建立清晰的任務分流邏輯，讓合適的任務流向合適的模型。

2026 年後的企業 AI 策略該怎麼佈局？

Uber CTO 的坦白為整個產業提供了一個重要的觀察窗口：AI 工具的價值創造潛力是真實且巨大的，但這個價值有前提——組織必須建立與技術採用速度匹配的治理能力。否則，你只是在用更高的效率燃燒更多的鈔票。

根據 McKinsey 的分析，AI 採用者中僅有三分之一達到了「企業級規模化」，而這些頂級玩家的共同特點是：他們在擴大採用的同時，已經同步建立了成本治理、效能衡量、和持續優化的內部機制。他們不是先採用再治理，而是「採用即治理」。

展望 2026 年下半年及更遠的未來，企業在 AI 支出策略上需要關注幾個關鍵趨勢：

• AI Agent 經濟的爆發：當前 10% 的企業職能使用 AI Agent，預計 2027 年將攀升至 40% 以上。這代表更複雜的自動化鏈路，但也代表更難以預測的成本結構。
• 模型市場的多元化：從單一旗艦模型壟斷到「模型組合」策略的轉變，企業將更需要智能路由和成本優化的中間層技術。
• AI 支出的財務透明化：CFO 和 CTO 之間關於 AI 成本的對話將從「這是多少」進化到「這值不值」。ROI 衡量框架將成為剛需。

最後，我想留下一個核心洞察給認真看到這裡的讀者：Uber 的案例不是失敗，它是成功過頭的代價。當你的工具太有效率，讓所有人都無法不使用它的時候，你的舊有管理框架就會被撐破。問題從來不是「要不要用 AI」，而是「用多快的速度部署 AI，同時建設与之匹配的治理能力」。

2026 年不會是 AI 採用放緩的一年，恰恰相反——它將是大多數企業第一次真正感受到「AI 成本重量級」的元年。如果你現在沒有開始建立治理框架，等到 2027 年你可能會發現自己也在「回到原點」的隊伍中排隊。

常見問題 FAQ

Uber CTO 說 Claude Code 燒穿預算是什麼意思？

2026 年初，Uber 的 CTO Praveen Neppalli Naga 公開表示，Anthropic 的 Claude Code 工具在短短幾個月內就消耗了該公司全年的 AI 編碼工具預算。起因是 Uber 開放 5,000 名工程師使用 Claude Code後，採用率在短時間內從 32% 飙升至 63% 以上，導致 API 呼叫量遠超預期。

企業應該如何控制 AI 編碼工具的成本？

主要策略包括：實施「模型路由層」根據任務複雜度自動分流至不同價位的模型（如 Haiku/Sonnet/Opus）；建立 Token 配額制度讓團隊自覺控制消耗；部署 Prompt 快取減少重複上下文傳輸；以及整合成本可見性儀表板讓工程師即時了解每次操作的代價。

2026 年企業 AI 支出的整體趨勢如何？

根據 McKinsey 2025 年調查，88% 的組織已在至少一個業務職能中使用 AI。IDC 預測 2026 年全球 AI 系統支出將突破 3,000 億美元。企業 AI 相關成本自 2024 年以來已成長 6 倍，但僅有約三分之一的公司達到了真正的企業級規模化部署。

參考資料與延伸閱讀

本篇文章的數據與案例來源於以下權威機構的公開報告與新聞報導：

• The Information: Uber CTO Shows How Claude Code Can Blow Up AI Budgets
• McKinsey & Company: The State of AI — Global Survey 2025
• Pragmatic Engineer: How Uber Uses AI for Development
• Forbes: Roughly 10% Of Enterprise Functions Use AI Agents, McKinsey Finds
• Medha Cloud: 67 AI Adoption Statistics for 2026
• Anthropic Claude Plans & Pricing Official Page

想深入了解如何為你的組織建立永續的 AI 支出治理框架？歡迎聯繫 siuleeboss 團隊，我們提供企業級 AI 策略顧問服務，協助你在效率提升與成本控制之間找到最佳平衡點。

立即開始你的 AI 治理之旅 →