事件
Uber 在 2026 年上半年向員工推行「AI 無限使用政策」，鼓勵全公司員工盡可能利用大語言模型進行工作自動化、提高生產力。一開始的理由很合理：AI 成本持續下降，Uber 想要加速數位轉型、提升競爭力。然而，短短四個月內，公司的 AI 消費成本就超出全年預算，被迫急速剎車、對員工的 API 調用設立上限。
為什麼會發生這件事
這看起來像個 AI 成本失控的故事，其實是經濟學裡最經典的「道德風險（moral hazard）」教科書案例。
道德風險的三層結構：
1. 成本與決策者脫離：當員工使用 AI 時，成本由公司承擔、而不是從員工薪資扣除。員工沒有直接感受到「花錢」的痛楚。
2. 激勵結構錯誤：管理層告訴員工「盡量用、沒有上限」，等於移除了所有成本信號。理性的員工會問自己：「為什麼不用？反正免費。」
3. 邊際成本 vs 邊際效益的扭曲：對員工而言，使用 AI 的邊際成本為零（因為他們不付錢），但邊際效益是正的（節省時間、提高產出）。只要效益 > 0，就應該用、而且用得愈多愈好。用來寫摘要、用來寫郵件、用來腦力激盪……只要想得到的工作都能丟給 AI。
對比有限預算的世界： 如果 Uber 一開始就告訴每位員工「妳的 AI 預算是每月 $50、自己決定怎麼花」，行為會完全不同。員工會權衡：「寫這份報告真的需要用 AI 嗎？還是我手寫更划算？」這時候邊際成本才會進入決策。
這背後的經濟學原理
Kenneth Arrow 在 1963 年的論文《Uncertainty and the Welfare Economics of Medical Care》 首次系統化地描述道德風險：當代理人（agent，員工）的行為由委託人（principal，公司）買單時，代理人就沒有誘因節制自己的消耗。
更廣義地說，這是資訊不對稱下的委託人-代理人問題（Principal-Agent Problem）的一個特例：
- **委託人**（Uber 管理層）想要：員工高效使用 AI，整體提高產能
- **代理人**（員工）面臨的激勵是：既然免費、為什麼不用？
- **結果**：過度消耗（over-consumption）
這個問題在醫療保險、公司餐廳、企業通訊費上反覆出現。只要費用與使用者脫離，就會有人利用漏洞。
為什麼企業一開始不知道會這樣
Uber 的決策邏輯在表面上是理性的：
1. 成本在下降：OpenAI API、Claude 的推理成本在去年跌了 50-70%，按 token 計價幾乎可以忽略不計 2. 生產力收益似乎無限：早期使用者報告 AI 能節省 30-50% 的重複工作時間 3. 競爭壓力：如果不激進推廣 AI，員工會感到被落後的公司邊緣化
但管理層低估了一個數量級的問題：當成本「接近於零」時，零仍然是有限的。無限使用的總成本 = 員工數 × 使用頻率 × 邊際成本，而使用頻率在零成本下會爆炸增長。
按 Uber 的員工規模（約 10 萬人全球），如果每人平均每月增加 1000 次 API 調用（寫郵件、會議紀錄、程式碼複查……），月成本就會從 $10 萬跳到 $100 萬+。
如何修正道德風險
Uber 後來的解決方案——設立個人額度上限——正是經濟學教科書的標準答案。其他常見做法包括：
1. 成本分攤：部分 AI 成本直接從部門預算扣除，讓經理有動機控制團隊使用 2. 分級制度：高價值用途（客服、產品決策）無限額，低價值用途（內部備忘）受限 3. 使用成本透明化：員工看得見每次調用的成本，光是「看見」就會改變行為 4. 拍賣機制：員工每月獲得 AI 代幣（token），可以交易、可以節省、可以超支（付費）