年薪一半都花在 Token 上……結果呢？
Uber 四個月燒完一年預算後發生的事
前言
今年三月，黃仁勳在 NVIDIA GTC 舞台上說了這樣的話。“一個年薪五十萬美元的開發者，如果年底只用了五千美元的 Token，我會瘋掉的。“至少要用到二十五萬美元，也就是年薪的一半。不用 Token 就等於「想用紙筆來設計半導體」，他甚至加了這麼一個比喻。
三個月後的這週，最忠實執行這條建議的企業發生了意料之外的事。Uber 對 AI 編碼工具設定了每人每月 1,500 美元的用量上限。這是在四個月內耗盡全年 AI 預算後做出的決定。**先說結論，「用了多少 Token」已經是一個過時的提問了。**下一局遊戲是「為了什麼而用」以及「如何證明效果」。
🎯 黃仁勳的 Token 教義
今年 GTC 上，黃仁勳提出的公式很簡單：「Token 用得越多，開發者就越有生產力。」
換成具體數字就是這樣。年薪五十萬美元（約七億韓元）的工程師，每年 Token1 預算至少要二十五萬美元（約 3.5 億韓元）。換算成每月大約兩萬美元，韓幣 2,800 萬的水平。他更進一步，甚至建議把 Token 預算當作一種福利疊加在薪資之上。在基本薪資之外額外撥付相當於一半薪資的 Token 預算，讓工程師的生產力提升十倍。
必須理解這句話背後的脈絡。NVIDIA 的商業模式本身就是一座「生產 Token 的工廠」。黃仁勳親自在 GTC 上提出了 “Revenue = Tokens per Watt × Available Gigawatts” 這個公式。Token 消耗量越大，GPU 需求就越高，NVIDIA 的營收就越高。對黃仁勳來說，Token 就是產品。
但對 Uber、Walmart 這類企業來說，Token 更接近原材料。不是產品，而是成本。Constellation Research 的 Larry Dignan 說得很精準：
「JPMorgan 賣的是金融服務，Walmart 賣的是零售，GM 賣的是汽車。這些公司的 CIO 想要的是更低的推理成本、更好的 ROI，以及一個明確的答案——AI 投資什麼時候能回本。」
賣 Token 的人和買 Token 的人，最適策略完全相反。但黃仁勳的這個宣言在整個矽谷催生了一種文化，也就是所謂的 ‘Token 極大化’（Tokenmaxxing）2。一種「Token 消耗量最大化就是生產力」的信念。有些企業甚至為每位開發者建立了 Token 用量排行榜，引發內部競爭。Meta 也被報導過用內部儀表板對員工的 Token 消耗量進行排名。
🔥 Uber 的實驗，以及四個月的結算
Uber 是 Token 極大化最忠實的實踐者。
2025 年 12 月，Uber 向約 5,000 名工程師部署了 Anthropic 的 Claude Code3，同時也引入了 Cursor4。完全照著黃仁勳的劇本來，建立了內部排行榜，以排名方式展示員工的 Token 用量。如果只看數字，結果是大獲成功。
到今年二月，用量翻了一倍，95% 的工程師每月都在使用 AI 工具。70% 的程式碼提交已轉為 AI 驅動，AI 功能使用率從二月的 32% 急升至三月的 84%。CEO Dara Khosrowshahi 上個月宣布「約 10% 的程式碼由 AI 代理自主編寫並提交」。法律團隊和行銷團隊的 AI 使用也在快速增長。所謂「AI 原生」公司，就是這樣誕生的。
問題在四月爆發了。全年 AI 預算在四個月內全部耗盡。CTO Pravin Nigam 本人也承認了這件事。每位工程師的月度 API 費用從 500 美元到 2,000 美元不等，乘以 5,000 人，每月蒸發數百萬美元。Uber 的研發支出 2025 年為 34 億美元（同比增長 9%），而 2026 年第一季就達到了 9.5 億美元（同比增長 17%）。
CTO 說「必須從頭重新設計（back to the drawing board）」。而根據本週彭博社的報導，Uber 針對代理式編碼5工具，引入了每人每工具每月 1,500 美元的用量上限。由於是各工具獨立計限，Claude Code 可以用 1,500 美元、Cursor 也可以用 1,500 美元，但與黃仁勳提出的每月約兩萬美元願景相比，只有 7.5% 的水平。
但真正的炸彈不是成本。COO Andrew McDonald 上個月在 Rapid Response 播客中說了這段話：
「我知道 AI 使用指標正在天文數字般地改善。但要將每一個數字與『我們實際上為消費者創造了 25% 更有用的功能』之間劃上等號，非常困難。」
**95% 的工程師在用、70% 的程式碼由 AI 編寫，卻無法證明這些對客戶帶來了什麼價值——這是一句坦白。**這段發言後，Uber 股價下跌了 2.9%。
📐 缺失的拼圖：測量是下一局遊戲
這不只是 Uber 的問題。
Walmart 本週將內部 AI 代理「Code Puppy」的 Token 用量改為按員工配給制。 Amazon 曾運營內部 AI 使用排行榜，但發現員工只爭 Token 消耗量而忽視實際工作績效後，直接拆除了排行榜。 還有一家未公開名稱的企業，因為根本沒有設定支出上限，一個月產生了五億美元（約 7,000 億韓元）的 AI Token 費用，也被報導出來了。
從規模上就能理解為什麼會發生這樣的事。根據 Menlo Ventures 的分析，企業各部門的 AI 支出中 55% 集中在編碼工具上。從 2024 年的 5.5 億美元到 2025 年的 40 億美元，一年內增長了七倍。Gartner 預測 2026 年 AI 代理軟體支出將達到 2,070 億美元，同比增長 139%。
錢在大量湧入。但衡量效果的基礎設施並沒有跟上。
CloudBees 今年發布的「程式碼豐饒時代（Code Abundance）」報告清楚地展示了這個落差。83% 的企業領導者自評「我們已經為 AI 導入做好了準備」。但同時，81% 的人表示「AI 生成程式碼導致的生產環境問題增加了」。自信與現實之間的差距就是這麼大。
開發者生產力基準研究也得出了相同的結論。過去使用的指標——每週 PR6 數量、程式碼行數、提交次數等——在 2026 年已經不再可靠了。因為 AI 在膨脹程式碼體量。你知道量增加了，但用現有的儀表板無法知道價值是否也增加了。AI 編碼工具既帶來了真正的生產力提升，也製造了生產力提升的幻覺。而核心問題是，現有指標無法區分這兩者。
奧茲的視角
老實說，從聽到黃仁勳的 Token 教義開始，我就預感到會發生這樣的事。
在制定技術策略的過程中，我觀察到一個模式。新工具出現時，企業總是走「熱切導入 → 成本衝擊 → 才開始衡量 ROI」這條路。CRM 是這樣，雲端是這樣，現在 AI 編碼工具也在走同樣的路。每次都是測量排在最後。
這次測量特別困難，有結構性的原因。編寫程式碼只是軟體開發管線中的一個環節。即使 AI 讓編碼環節快了十倍，如果瓶頸在設計或測試上，整體速度也不會改變。這與製造業的「限制理論」7 是同一個原理。而且，Token 用得多代表 AI 用得「多」，不代表用得「好」。就像通話次數和簽約率是不同的指標一樣。
不過，要否定 AI 編碼工具本身的價值也說不過去。Uber 也不是停止使用，而是設了上限。Token 極大化的終點不是 AI 工具時代的終點，而是測量時代的開始。
結語
黃仁勳說「多用」（起），Uber 忠實執行後四個月燒完了全年預算（承）。企業們現在意識到的是，真正的競爭力不是 Token 用量，而是證明 AI 與業務成果之間關聯的能力（轉）。比導入速度更重要的，是測量設計（合）。
各位訂閱者的組織中，你們是如何衡量 AI 工具效果的？有沒有正在經歷「Token 極大化」？歡迎在留言區分享討論。
參考資料 & 延伸閱讀
核心來源
- Bloomberg, “Uber Caps Usage of AI Tools Like Claude Code to Manage Costs”, 2026.6.2. : 本通訊的起點。涵蓋了 Uber 引入每月 1,500 美元上限的決定及其背景。
- Fortune, “Uber burned through its entire 2026 AI budget in four months. Now its COO is questioning whether it’s worth it”, 2026.5.26. : COO Andrew McDonald 關於「AI 指標與消費者功能之間的關聯」的原始發言出處。
- Tom’s Hardware, “Jensen Huang says Nvidia engineers should use AI tokens worth half their annual salary”, 2026.3.23. : GTC 2026 主題演講中黃仁勳的 Token 教義完整發言。與 All-In Podcast 集數相關聯。
背景知識
- SaaStr, “55% of All Departmental AI Spend Is Now on Coding. And It’s Not Slowing Down”, 基於 Menlo Ventures 分析. : 以數據展示企業 AI 支出 55% 集中在編碼工具的現狀。
- CloudBees, “The 2026 State of Code Abundance Report”, 2026.5. : 呈現「AI 準備度自信 83% vs 生產環境問題增加 81%」這一矛盾數據的報告。
- Rob Manson, “Jensen’s not telling the whole story about AI Tokenomics”, Medium, 2026.4.18. : 結構性分析「賣 Token 方 vs 買 Token 方」視角差異的文章。
각주
-
Token：AI 處理文字時使用的基本單位。大約相當於韓文一個字、英文 0.75 個單詞。AI 服務費用通常以 Token 消耗量為基準計費。 ↩
-
Token 極大化（Tokenmaxxing）：指企業中極力提升 AI Token 使用量的文化，為新造詞。在「用得越多越有生產力」的假設下，部分企業甚至運營了用量排行榜。 ↩
-
Claude Code：Anthropic 開發的代理式編碼工具。不僅提供程式碼建議，還能在終端機中自主編寫、修改、執行程式碼。 ↩
-
Cursor：將 AI 直接整合到程式碼編輯器中的開發工具。基於 VS Code 開發，AI 可以以整個檔案為單位進行程式碼分析和修改。 ↩
-
代理式編碼（Agentic Coding）：AI 不僅僅是建議一行程式碼，而是能自主規劃並執行多步驟任務的編碼方式。包括檔案建立、測試執行、錯誤修復等都能自主完成。 ↩
-
PR（Pull Request）：開發者將自己編寫的程式碼提交給團隊審查的流程。程式碼合併到主專案前需經過同儕審查的過程。 ↩
-
限制理論（Theory of Constraints）：系統整體績效由最慢的瓶頸環節決定的理論。即使只加快某個環節，如果其他環節受阻，整體速度也不會改變。 ↩
