The AI ROI Crisis: Why Uber is Questioning the Cost of Tokens

AI 投資的蜜月期正迎來殘酷的現實：資產負債表。最近，Uber 的總裁發出訊號，表示 AI 支出正變得「更難以證明其合理性」，這引發了關於企業在追求生產力而消耗數十億個 token 的實際投資報酬率 (ROI) 的更廣泛討論。

在過去一年中，敘事主導權一直被指數級開發者生產力提升和乏味任務自動化的承諾所佔據。然而，隨著最初的炒作平息，公司開始詢問這些投資在季度業績中如何體現，以及「感覺」更有生產力是否能轉化為切實的業務價值。

The Productivity Paradox

工程組織中 AI 支出的主要驅動力之一是 AI 編碼助手 (AI coding assistants) 的整合。目標很簡單：寫更多代碼，更快。但正如許多行業觀察家所指出的，在成熟的軟體組織中，代碼生產本身很少是真正的瓶頸。

The Bottleneck Shift

增加生成的代碼量並不一定會增加功能交付的速率。正如 Hacker News 上的社群討論所提到的，瓶頸往往會從寫代碼轉移到審查代碼 (reviewing it)。

"This doesn't account for the fact that review is still a bottleneck, engineers understand much less of the code they're shipping and there'll likely be tech debt they'll have to unwind in the future."

當 AI 生成大量代碼時，人類審查者的認知負荷會增加。如果工程師正在交付他們並不完全理解的代碼，組織不僅是在累積技術債，還是在累積不可見的技術債，這可能需要數年才能顯現。

The "Tokenmaxxing" Trap

目前存在一種「tokenmaxxing」的趨勢，即目標變成了 AI 利用率的純粹數量。這往往導致激勵措施的誤置。當工程師被鼓勵或以其 AI 工具的使用量來衡量時，焦點會從解決核心問題轉移到最大化工具的輸出量。

這種現象反映了 Goodhart's Law：當一個指標變成目標時，它就不再是一個好的指標。如果 token 消耗量成為生產力的代理指標，公司最終支付的是活動量而非結果。

Comparing AI to the Cloud Revolution

為了理解目前的 AI 泡沫，一些分析師將其與 AWS 和公有雲的崛起相比。雖然兩者都代表了基礎設施的根本性轉變，但經濟軌跡卻顯著不同。

在 AWS 於 2019 年底達到 400 億美元的年化運行率時，公有雲已經促進了全新軟體類別 (SaaS 和 PaaS) 的創建，並使 Uber 和 Airbnb 等公司的規模化成為可能。相比之下，AI 編碼工具的淨影響仍然模糊不清。雖然它們可能會加速「迭代迴圈」，但目前尚不清楚它們是在創造新的價值類別，還是僅僅是在加速生產用戶可能實際上並不想要的的功能。

Strategic Risks of Cutting AI Spend

雖然追求 ROI 是必要的，但有人警告，不加區別地削減 AI 預算可能會產生新的脆弱性，特別是在安全領域。

工程團隊面臨來自兩個主要來源的脅威：內部業務需求和外部安全威脅者。雖然業務需求可以由管理層控制，但國家級威脅者和網絡犯罪分子使用 AI 來自動化攻擊，而完全不考慮股東價值或預算限制。在對手持續擴大其 AI 驅動的攻擊規模時，減少防禦端的 AI 能力，可能會讓組織暴露在危險之中。

The Path Forward: Creativity over Consumption

從對 AI 支出的批判中浮現出的共識是，人類仍然是創意與架構監督的核心組成部分。危險源於公司將支出優先考慮於 token 消耗，而非投資於人類人才。

正如一位觀察家所指出的，如果一個 LLM 在整天不斷地寫代碼，開發者可能不再專注於核心問題本身。AI 的真正價值在於增強人類專家——而不是用高容量的生成式 token 流來取代解決問題的創意過程。