Uber 燒 $3.4B 嘅教訓：你嘅 AI 投資到底有冇回報？
2015 年，Uber 創辦人 Travis Kalanick 立下宏願：2020 年前要做到無人駕駛的士大規模營運。佢哋大舉招聘 AI 研究員，收購 Otto（一間由 Google Waymo 前工程師創辦嘅自動駕駛卡車公司，作價 6.8 億美金），建立 ATG（Advanced Technologies Group）。由 2015 年到 2020 年，Uber 喺自動駕駛上累計燒咗超過 34 億美金。結局？2020 年 12 月，Uber 將 ATG 賣畀 Aurora Innovation，估值僅 40 億美金，仲要倒貼 4 億美金俾對方「接手」。34 億美金投入，最終換嚟賤賣離場。
同期間 Waymo、Cruise 持續投入，而 Uber 嘅核心業務——叫車同外賣——其實完全唔需要 Level 4 自動駕駛去支撐。呢個故事對於今日爭相投入 AI 嘅企業，係一個極具警示意義嘅案例。2023 年生成式 AI 爆紅之後，我見到無數公司 rush to adopt：請 AI 工程師、買 GPU、租 API、建立內部 AI 團隊。但核心問題係：你係咪真係知道自己做緊啲乜？你嘅 AI 投資，會唔會變成另一個 Uber ATG？
第一層 ROI：營運效率——低 hanging fruit 你先做
最直接嘅 AI ROI 來自營運效率提升。呢層嘅核心問題好簡單：AI 能否用更低成本、更快速度完成現有工作？
Uber 其實有好多靚嘅 efficiency play。用機器學習做動態定價（surge pricing）、最佳化司機派單路線、預測乘客需求熱點。呢啲 AI 應用直接對應現有業務流程，唔需要五年後先見到回報，而係每季度都可以量化——ETA 準確率提升咗幾多？司機 idle time 減少咗幾多？每張訂單配對成本降低咗幾多？呢啲全部可以落 dashboard 追蹤。
相比之下，自動駕駛係 completely different ball game。佢唔係提升現有業務效率，而係要取代現有業務模式——由有人駕駛變成無人駕駛。前者係 marginal improvement，後者係 fundamental transformation。前者嘅 ROI 可以用月、季度去計，後者嘅 ROI 以五年、十年為單位。Uber 嘅致命錯誤係將兩個層次混為一談，以為 efficiency gain 嘅 logic 可以直接 apply 到 transformational bet 上面。
對於香港及大中華區嘅創業者，我強烈建議先做 efficiency layer。用 AI 做好你現有流程中嘅重複性工作——客服 chatbot 自動處理常見查詢、文件提取同分類、銷售數據自動分析、程式碼輔助生成。呢啲項目嘅 ROI 清晰，失敗成本低，而且可以喺短時間內見到成效。你唔需要自己 train 一個 LLM，用 GPT-4o 或者 Claude API 已經可以做到 80% 嘅效果。關鍵係要先搞清楚你邊個流程最痛、最多人手、最重複，然後先 apply AI。
第二層 ROI：收入增長——要量化，唔好靠 feel
第二層 ROI 來自 AI 帶動嘅收入增長。呢層開始有啲棘手，因為收入增長嘅因果關係好難直接歸因。你點樣證明「因為引入咗 AI recommendation，所以多咗 15% 銷售」？可能個增長係嚟自季節性因素、市場推廣 campaign、或者競爭對手自己出事。
Uber ATG 喺呢層上幾乎完全失敗。佢哋估算自動駕駛可以大幅降低每程成本（唔需要司機），從而降低價格、擴大市場佔有率。呢個邏輯鏈理論上成立，但現實係：自動駕駛技術遠未成熟，安全問題層出不窮。2018 年 Uber 自駕車喺亞利桑那州撞死行人，直接令整個項目陷入危機——測試暫停、監管收緊、公眾信任崩潰。技術未到位，收入增長嘅假設就只係 PowerPoint 上嘅數字。
今日好多 AI 項目面對同一問題。Sales team 話「導入 AI 可以提升轉換率 30%」，但實際 A/B test 做完，可能只係提升 3%，甚至因為 AI 生成內容太 generic 而令用戶反感。我見過有公司用 AI 寫 marketing copy，結果轉換率仲差過人手寫——因為 AI 內容太「滑」、冇 personality、冇 brand voice。
要避免呢個陷阱，你需要做三件事。第一，set clear baseline：未用 AI 之前嘅 conversion rate、customer satisfaction score、average handle time 係幾多？一定要有 historical data 做對照。第二，run controlled experiment：真係用 A/B test 去驗證 AI 嘅 marginal impact，而唔係靠 estimate 或者 gut feeling。第三，build in kill criteria：如果三個月內 ROI 未達 threshold，就果斷縮減投入。唔好因為驚「浪費咗之前嘅 investment」而繼續倒錢落海——sunk cost fallacy 係 AI 投資最大嘅殺手。
第三層 ROI：戰略護城河——真正嘅 bet-the-company 決定
最高層嘅 AI ROI 係戰略層面：呢個 AI 投資會唔會成為公司未來十年嘅競爭護城河？如果成功，你可以顛覆行業；如果失敗，你可能燒光現金兼迷失 focus。
Uber ATG 嘅戰略 reasoning 係：如果自動駕駛係運輸業嘅未來，而 Uber 冇自己嘅技術，就會被 Waymo 或者 Tesla 淘汰。所以佢哋必須 All-in。呢個 reasoning 本質上冇錯，但忽略咗一個關鍵問題：timing。自動駕駛嘅到來遠比 Uber 想像中慢。FactSet 數據顯示，2015 到 2020 年全球自動駕駛行業總共燒咗超過 200 億美金，但到 2025 年今日，真正喺公開道路大規模營運嘅 Level 4 服務仍然極有限。Timing mismatch 令 Uber 嘅戰略投資變成一場現金消耗戰。
更諷刺嘅係，Uber 最終上市之後，投資者對佢哋嘅核心業務估值遠高過 ATG。華爾街想睇嘅係叫車同外賣嘅 unit economics 改善，而唔係一個遙遙無期嘅自動駕駛夢。當 management attention 被 ATG 大量佔用，核心業務嘅創新同執行力反而被忽略。
對於今日嘅 AI 投資，戰略護城河思考同樣重要。如果你係一間金融機構，自建 LLM 係咪必要？或者用 API 接入 GPT/Claude 已經足夠？如果你係一間零售公司，你應該自己 train recommendation model，定係用 Shopify 或 Salesforce 嘅 AI 功能就算？判斷標準好簡單：呢個 AI 能力係咪你 core value proposition 嘅核心？如果係，就值得自建；如果只係 supporting function，就買 solution。Uber 嘅問題係佢哋將一個 supporting function（運輸效率提升）當成 core transformation（無人駕駛）去做，strategic misalignment 導致 34 億美金付諸流水。
你嘅 AI Investment Checklist
寫到最後，我想分享一個實用嘅五步 checklist，俾你評估自己嘅 AI 投資：
第一步：定位 ROI 層次。 你嘅 AI 項目屬於 efficiency、revenue growth 定係 strategic moat？唔同層次有唔同評估標準同上限。Efficiency 項目應該三個月內見到量化改善，strategic bet 可以俾兩三年，但要有清楚嘅 milestone。
第二步：設定 kill criteria。 如果六個月後 ROI 唔達標，你會 cut 定係繼續？如果答唔出，代表你嘅風險管理有問題。寫低 threshold，set calendar reminder 去 review，唔好等到燒咗幾百萬先嚟後悔。
第三步：Build vs Buy 分析。 呢個 AI 能力係你 core business 嘅一部分定係 commodity？唔好 reinvent the wheel。而家嘅 API 生態已經好成熟，好多時候用第三方 solution 成本更低、速度更快。
第四步：Timing 評估。 你係太早入場定係太遲？太早會燒光現金等唔到 market maturity，太遲會 miss window 俾對手建立 moat。答案取決於你嘅 cash runway 同市場成熟度。
第五步：量化 KPI。 唔好用「提升用戶體驗」呢啲 vague metric。要 set specific、measurable、time-bound 嘅 KPI，例如「六個月內將客服成本降低 25%」「三個月內將 recommendation click-through rate 提升 10%」。
Uber 燒咗 34 億美金教識我哋：AI 唔係萬能藥，而係一種工具。工具嘅價值取決於你用佢嚟解決咩問題、點樣衡量成效、同埋幾時果斷止蝕。下一次當有人同你講「我哋都要搞 AI」，你可以微笑問佢一句：「咁你個 ROI 框架喺邊？」
Vincent 係一位香港創業者兼獨立開發者，專注 AI 應用、startup 策略同科技投資。