优步AI叫车一周仅4笔：AI智能体碰壁的背后

优步最新一次财报电话会议上的一个数字，让人对当下最热的AI话题感到意外。

公司披露，2026年10月最后一周，优步平台总共完成了约3．2亿笔订单——这个数字包含了网约车出行、餐饮外卖以及其他本地生活服务的全部交易量。而在同一时段，通过AI智能体产生的外卖订单仅有约500笔，至于网约车订单更是低至仅4笔。

DoorDash的情况同样冰冷。截至同场财报会召开之时，其面向消费者的AI智能体收到的订单累计也仅停留在“几百笔”的级别。在全球每年数百亿笔配送需求的庞大基数面前，这几百笔更像是一个处于实验室测试阶段的微小零头。

当OpenAI季度营收突破百亿美元、Anthropic启动近900亿美元级别IPO路演的时候，这些送餐和打车平台上的前沿AI应用数据却显得极其微不足道。差距根本不在百分比波动层面，而在于绝对数量级的巨大落差。

优步管理层在财报会上没有掩饰这种尴尬，对外承认相关业务“没多少人用”。在充满技术乐观主义的资本市场上，这种对落后现状的坦率其实相当罕见——绝大多数科技公司往往会选择性地模糊低增长甚至停滞业务的具体数据。但当冰冷的数字本身摆在面前时，任何修饰都失去了意义。

关键的问题并不是这些AI功能本身的代码写得够不够优美，而是：为什么普通大众不愿意将点餐和叫车这两件相对标准化的任务，放心地交给AI代理去自主完成。

两大鸿沟：精准度焦虑与支付防线

先把这组数据的分布拆解来看。500笔外卖订单分摊到优步服务覆盖的全球每一个活跃城市，平均每天每座城市可能只有几笔。至于那区区4笔网约车订单——这个数字在实际商业运营中几乎可以忽略不计。它反映的不是用户群体的习惯差异或地域偏好，而是一个更为底层的心理防御机制在起作用：人们在涉及实际资金流向的关键决策点上，对让渡控制权抱有本能的抗拒。

外卖和打车理论上是最适合作为AI Agent切入的高频刚需场景。用户只需告诉机器一句指令，比如“我要去机场接人”或者“给我送一份加辣的披萨”，系统理论上就能自动完成搜索比价、下单支付和全程追踪。但在真实实践中，这一步始终跨不出去。原因主要来自两个相互交织的鸿沟。

第一层鸿沟是准确性带来的试错成本。大型语言模型在处理文本和信息检索方面已经展现出卓越的能力，但在理解人类模糊需求时依然会产生令人困惑的偏差。你说希望食物“稍微少一点辣度”，AI算法端可能直接将其解析为“完全不辣的清淡口味”，然后端上来一碗不符合预期的汤。对于随意浏览资讯或者查找天气的轻量级交互，这种误差完全可以被用户容忍；但对于每一次都伴随着真金白银消耗的实际消费行为，哪怕只有一次执行失误，也会直接转化为额外的时间损耗和经济损失。

第二层鸿沟是支付权限的信任壁垒。据《商业内幕》援引行业内部消息指出，大量消费者对“AI擅自操控信用卡信息”存有强烈的疑虑。这已经不是一种抽象的技术探讨，而是切切实实的财务安全焦虑——把一个绑定了日常消费流水的支付接口权限，交付给一个运行黑盒、不完全透明的自动化算法，其心理阻力远远大于直接面对一个真人骑手或司机。

这两个问题构成了互为因果的死结。因为用得实在太少，产品端就缺乏足够规模的大样本真实反馈来迭代模型；而越是没有经过充分验证的成熟经验展示出来，就越难说服新用户放下戒备迈出第一步。

巨头的战略不甘心与投入产出悖论

尽管眼前的落地成绩单异常苍白，两家行业巨头显然并没有打算立刻停止这笔投入。

优步正在持续升级其自有App内部的AI助手模块，试图通过更加无缝的产品端融合来提升交互体验，逐步培养用户的肌肉记忆。与此同时，DoorDash则在尝试另一套完全不同的打法——测试一种文字结合语音的直连下单系统。这意味着用户甚至不需要打开特定应用程序的界面，就可以通过纯自然语言完成整个购物流程。从缩短交互路径的设计思路上看，这确实是一次极具野心的简化尝试。

这种在数据低迷期依然不甘放弃的背后，潜伏着两种截然不同的商业逻辑。

首先是防御性的战略卡位。如果在未来三到五年的时间窗口内，基于大模型的智能体确实演变成了下一代主要的流量分发入口和交易操作系统，那么在现阶段放弃研发就等于主动放弃了底层基础设施的控制权。无论目前的具体订单量多么稀少，维持研发团队运转和产品线的持续推进，本质上都是为了防止被新的生态规则边缘化。

其次是硬件推理成本的结构性下降。随着云端算力集群的不断扩张和模型架构的持续优化，AI代理每次执行任务的边际成本正在呈现出指数级的跌落趋势。眼下阻碍这项技术大规模推广的客观因素早已不是芯片算力的瓶颈，而是如何跨越市场认知教育和信任建立的时间成本问题。

但这种长期主义策略同时也带来了极为刺眼的现实矛盾：研发投入与商业化变现之间极度的比例失衡。数亿美元的研发预算和上百名顶尖工程师的精力，最终只是支撑起了一桩每周几百笔交易的边缘业务。华尔街的分析师们很难在短期内为这种投入产出比写出合理的估值模型。资本市场对此的态度往往取决于企业能否讲好这段“沉默期”的战略价值故事。

技术指数爆发与应用线性渗透的错位

从这个具体的商业案例中可以提炼出一个清晰的产业结论：人工智能技术在零售消费场景面临的最大瓶颈，从来都不是基础模型的智力天花板，而是建立社会级信任所必需的漫长周期。

当前的大语言模型能够瞬间写完一段复杂的代码，能够推演极高难度的数学公式，也能够辅助医生进行疑难杂症的初步诊断——但是如果你让它代替你决定今晚晚餐吃什么并且替你刷一张信用卡，绝大多数普通人仍然会选择亲自走进厨房或者翻开外卖软件。这个由潜意识构筑的心理防线，并不会单纯因为底层参数变得更多或者响应速度变快就自动融化消失。

要真正打通这道防线，行业普遍认为需要经历三个不可跳跃的演进阶段。第一阶段必须引入人工监督混合模式（human－in－the－loop），让用户在有真人兜底的兜底安全感下开始接触自动化流程；第二阶段需要在小额度的试错场景中不断积累正面履约记录，建立起具体的口碑背书；只有等到这两个阶段完成，才可能真正过渡到完全无人值守的自主运营模式。

从目前的实际布局看，Uber和DoorDash依然处于非常艰难的第一阶段向第二阶段跨越的过程中。

接下来的观察重点应当聚焦在几个具有实质意义的微观指标上：是否有某家细分领域的企业在某个垂直品类中率先实现万笔级别的周均AI订单处理量；是否有保险公司介入推出专项赔付机制以降低单次操作失误带来的消费者损失焦虑；以及新型多模态交互设备是否能在物理维度彻底解决误识别的操作顽疾。

这些具体指标的演变节奏，才是决定AI智能体究竟是在雷声大雨点小地消耗热情，还是悄然重塑我们下一代生活方式的真正分水岭。