Uber 燒 25 億學到嘅教訓：AI 軍備競賽唔會令你贏

每個 startup 創辦人都應該問自己一條問題

Uber 喺 AI 相關項目上燒咗超過 25 億美金。佢哋建立咗內部 ML 平台、聘請咗數百個 AI 科學家、推出咗自動駕駛同多項 AI 驅動功能。結果呢？利潤率冇明顯改善，市場份額冇顯著提升，反而成本結構變得更重。

呢個唔係 Uber 獨有嘅故事。2024 至 2026 年，我見到超過 200 間 startup 喺「AI 轉型」嘅名義下燒光資金。佢哋嘅共同特徵係：冇問清楚自己一個核心問題——「呢個 AI investment 究竟係創造增量利潤，定係純粹軍備競賽？」

答案決定生死。

四步判斷框架：點樣決定你應唔應該投資 AI

我同幾個香港嘅 startup founder 傾過，發現一個共通困境：唔投資 AI 驚落後，投資又驚燒錢。我喺過去兩年整理咗一個四步框架，幫自己同其他創辦人做判斷。

第一步：定義「贏」嘅具體指標。 唔好講「提升效率」呢啲廢話。你要講清楚：「每月節省 200 個工程師工時」或者「客服成本降低 40%」。Uber 嘅問題正正係佢哋從來冇 define 到具體嘅 ROI 指標，純粹係「我哋都要有 AI」。

第二步：判斷呢個問題係「搜尋問題」定「判斷問題」。 搜尋問題（Search Problem）係有明確答案嘅——例如「呢張相入面有冇紅綠燈」，呢種場景 AI 有極高 ROI。判斷問題（Judgment Problem）涉及模糊邊界同權衡——例如「呢個司機應唔應該被暫停服務」，呢種場景 AI 嘅邊際效益好快遞減。Uber 將太多資源放喺判斷問題上，回報遠低預期。

第三步：計算「如果錯咗嘅成本」。 AI 嘅錯誤成本經常被低估。Uber 嘅自動駕駛項目入面，每一次錯誤判斷都可能涉及安全風險同法律責任。對 startup 嚟講，AI 推薦系統推薦錯產品可能只係損失一個 sale，但 AI 審批系統審錯就可能係合規災難。

第四步：問自己——冇 AI 嘅版本係咪真係差好遠？ 我成日見到 startup 用 AI 做一個用簡單規則引擎已經夠好嘅功能。如果一條 SQL query 或者 20 行 if-else 做到八成效果，你唔需要一個 LLM。Uber 早期嘅成功根本同 AI 無關，而係出色嘅 marketplace design 同 operational execution。

呢個框架唔係叫人唔用 AI，而係叫人用得聰明。每一次決定「做 AI」之前，強制自己行一次呢四步，你會發現好多項目根本唔值得做。

增量利潤 vs 軍備競賽：點解 GPU 多唔代表贏

AI 軍備競賽嘅本質係「你買 1000 張 H100，我買 2000 張 B200」。呢種競爭嘅終局只有一個：利潤被硬件成本同能源成本侵蝕到 zero。呢個就係典型嘅「紅皇后效應」——你要跑得越快，只係為咗停留在同一位置。

反而，真正創造價值嘅係「增量利潤思維」。唔係問「我哋有幾多 GPU」，而係問「每一個 GPU 嘅投入，帶來幾多額外利潤？」

我有一個做 SaaS 嘅朋友，佢嘅 startup 用嘅 AI 基礎設施費用每月唔夠 500 美金——只係用 GPT-4 API 做咗幾個 automation workflow。但呢 500 美金幫佢慳咗每個月 300 個鐘嘅手動工作。呢個就係增量利潤。佢嘅競爭對手用咗 5 萬美金一個月去 fine-tune 自家模型，結果 performance 差唔多，但成本差 100 倍。

Uber 犯嘅正正係呢個錯誤：佢哋想 build 自家嘅 AI 基礎設施，但其實好多問題用現成 API 已經夠好。當你 focus 喺「我都要有 AI infrastructure」而唔係「我要用 AI 解決具體問題」，你就已經輸咗。

香港 startup 嘅優勢係乜？我哋資源有限，冇辦法參加 GPU 軍備競賽。但正正因為咁，我哋被迫思考「邊度可以創造真正嘅增量利潤」。呢個 constraint 其實係 blessing in disguise。

AI Agent 嘅 ROI 陷阱：自動化唔一定係好事

2025 年下半年開始，AI Agent 成為創業圈最熱嘅話題。每個人都想整一個 AI Agent 去「取代人類」。但我見到嘅 reality 係：大部分 AI Agent 項目嘅 ROI 係負數。

點解？因為要整一個真正可靠嘅 AI Agent，你需要：

第一，建立 evaluation pipeline。冇 eval 嘅 agent 就係黑盒。你要 define 乜嘢叫「成功完成任務」，要做 ground truth dataset，要定期跑 regression test。呢件事本身就係一個 full-time job。

第二，handle edge cases。AI Agent 喺 80% 嘅場景做得好好，但剩低嗰 20% 可以毀滅你嘅用戶體驗。Uber 嘅客服 AI Agent 早期就試過因為誤判用戶意圖，俾咗完全錯誤嘅退款決定，最後要 human agent 花更多時間去補镬。

第三，maintenance cost 被嚴重低估。LLM 會更新、prompt 會 drift、用戶行為會變。一個 AI Agent 唔係「寫完就走得」，而係一個持續營運嘅產品。

真正嘅教訓係：唔好為咗自動化而自動化。你要先問：「呢個流程值唔值得自動化？」如果一個人類做緊嘅工作每個月只係用 10 個鐘，你整一個 AI Agent 去取代佢嘅成本可能係 100 個鐘嘅開發時間加每個月 50 個鐘嘅 maintenance。呢條數點計都唔抵。

Uber 喺呢方面嘅經驗話俾我哋知：AI 嘅最佳應用唔係取代人類，而係 augment 人類。Uber 司機 App 入面嘅路線建議、動態定價呢類 AI feature 係有價值嘅，因為佢哋 assist 決策而唔係 replace 決策。

俾香港創業者嘅三個行動點

講咗咁多理論，我想俾三個具體建議。

第一：用「四步框架」篩選你嘅下一個 AI project。 強制自己同團隊行一次四步判斷。如果任何一步嘅答案係含糊嘅，暫停個 project。寧願 miss 一個機會，都好過投咗六個月時間落一個注定失敗嘅項目。

第二：專注於「低成本高效益」嘅 AI 應用。 唔好 fine-tune 模型住。先用 API、用現成工具、用最簡單嘅方式驗證 ROI。當你證明咗一個 specific use case 有正 ROI，先再諗應唔應該 invest more。Uber 嘅教訓就係：佢哋一開始就 invest heavy，結果連個 use case 係咪 work 都未證明到。

第三：衡量你自己嘅「AI 健康指數」。 唔係睇你有幾多 GPU 或者 AI 工程師，而係睇「每個員工用 AI 慳咗幾多時間」同「AI 相關開支嘅 ROI 係咪正數」。呢兩個指標比任何 fancy metric 都重要。

香港 startup 嘅生存之道從來都唔係鬥大，而係鬥聰明。Uber 用 25 億美金買到嘅教訓係：AI 軍備競賽唔會令你贏，增量利潤思維先係真正嘅護城河。

唔好問「我哋有冇 AI」，要問「我哋嘅 AI 帶嚟幾多真金白銀嘅回報」。呢個思維轉變，可能係你今年最重要嘅商業決定。