Uber 年花 $3.4B 嘅 AI 教訓：CFO 點先會滿意？

tags:

ai-roi
enterprise-ai
indie-hacking
cost-optimization
ai-strategy cover_image: ”../../assets/heroes/uber-3-4b-ai-cfo.jpg” draft: false lang: zh-Hant

2025 年 Uber 嘅 AI 預算突破 $3.4B——比全球超過一半嘅國家嘅國防預算仲要高。但內部流出嘅 memo 顯示，CFO 嘅問題得一個：「呢筆錢令我哋每程車賺多咗幾毫子？」

呢個問題，正正擊中咗成個行業嘅死穴：AI 嘅價值，究竟點樣量度？

AI 嘅「成本陷阱」：你以為係投資，其實係開銷

Uber 嘅 AI 開支大概分成三舊：

核心模型訓練（~$1.8B）：用嚟改善 ETA 預測、動態定價、路線優化
邊緣推理（~$1.2B）：每程車背後嘅即時運算成本
實驗團隊（~$0.4B）：探索緊嘅新應用，例如自動駕駛輔助

問題在於，第一同第二項嘅開支係固定嘅，但收益係遞減嘅。你將 ETA 準確度由 85% 提高到 95%，客戶體驗的確好咗；但由 95% 提高到 96%，你要花多一倍嘅算力。邊際效益暴跌。

CFO 見到嘅係：推理成本同業務量成正比，但收益唔係線性嘅。每多接一張單，你嘅 AI 成本就上升，但每張單嘅利潤率反而被蠶食。

呢個就係我成日講嘅「一人公司 AI 陷阱」版本 2.0——大公司版。你以為 AI 係槓桿，但如果你唔識量度 ROI，佢就變成咗成本黑洞。

CFO 真正想要嘅 ROI 框架（唔係嗰啲 bullshit metric）

我見過太多 startup 同企業講「我哋 AI 團隊有 50 人，我哋好 serious」。CFO 聽完只會諗：咁你 produce 咗乜？

真正嘅 AI ROI 框架應該分三層：

Layer 1：成本替代（-30% 到 -50%）

呢個係最快見到效果嘅層面。Uber 用 AI 取代咗部分客服同路線規劃嘅人手，每年慳咗 ~$600M。你嘅 AI project 如果六個月內睇唔到成本下降，直接 kill 咗佢。

Layer 2：收入增量（+5% 到 +15%）

Uber 嘅動態定價模型令每程車收入提高 ~8%。呢個係 CFO 願意繼續燒錢嘅理由。關鍵係要 set 一個 counterfactual——冇 AI 嘅情況下 revenue 會係幾多？呢個先係真正嘅 increment。

Layer 3：新業務創造（純粹嘅 upside）

Uber Direct、Uber Freight——呢啲由 AI 能力衍生嘅新業務線。CFO 會容忍呢 part 頭三年冇 profit，因為佢係 option value。但條數要清楚分開計，唔可以同 core business 嘅 AI 開支撈埋一齊。

大多數公司嘅錯誤係：將三層嘅 cost 堆埋一齊，然後同 CFO 講「AI 好重要㗎」。CFO 見到嘅只係一個不斷擴大嘅成本池。

一人公司嘅 AI 副業思路：避開 Uber 式陷阱

Uber 嘅教訓對 indie developer 同 side project 創業者有乜啟示？

1. 先做 Layer 1，再做 Layer 3

唔好一開波就諗「我要用 AI 顛覆 xxx 行業」。先諗：有冇啲重複性工作可以用 AI 取代？例如你寫 code，用 AI 做 code review 或者 document generation。呢啲係直接嘅成本替代——即係你嘅時間成本。

2. 推理成本要 cap

Uber 嘅邊緣推理成本隨業務量線性上升。一人公司嘅解決方法：用 caching、batch processing、local model。永遠唔好俾一個單一客戶嘅請求 trigger 多次 API call。我見過有人嘅 side project 一個月賺 $200，但 OpenAI API bill $350——呢啲叫做「做義工俾 AI company」。

3. 一人公司最大嘅 AI advantage：決策速度

Uber 要 $3.4B 先做到嘅事，你用一個 GPT-4 subscription + 一個 weekend 可能就做到 80%。唔好等完美模型，先出一個 MVP，睇下有冇人願意俾錢。

我而家用 AI 做嘅 side projects 全部有呢個原則：六個月內要見到正現金流，否則 kill。呢個先係真正嘅 indie hacker mindset。

SaaS 訂閱定 AI API billing：邊個先係真正嘅 business model？

好多人問我：「AI 產品點定價？」我話：你唔係賣 AI，你係賣 outcome。

Uber 唔會同你講「呢程車入面包含咗 $0.47 嘅 AI 推理成本」。你嘅產品都一樣——用戶唔 care 你用咗幾多 token，佢 care 嘅係問題解決咗未。

定價策略得兩種：

Flat SaaS：你承擔 AI cost 波動嘅風險，但用戶體驗最好（適合工具類產品）
Usage-based：複雜性高，但 margin 可控（適合高價值用例）

我嘅建議：初期行 flat rate，因為用戶轉換成本低。當你嘅 user base 夠大，先改用 usage-based tier 嚟 cap 自己嘅風險。

結尾：CFO 唔係你嘅敵人

最後一個 insight：CFO 唔係 anti-AI，佢係 anti-bullshit。

如果你可以清清楚楚咁拆到條數——呢 part 係 cost saving、呢 part 係 revenue growth、呢 part 係 option value——CFO 會係你最大嘅 ally。

Uber $3.4B 嘅教訓唔係「唔好投資 AI」，而係你要知道每一毫子去咗邊，同埋每一毫子帶嚟幾多回報。

做 AI 最忌「因為人哋有所以我都要有」。先搞清楚你嘅 ROI 框架，先好開 budget。呢個態度，無論你係 Uber 嘅 VP of Engineering，定係一個 bedroom founder，都一樣適用。