电话会上的一个数字
2026 年 11 月 4 日，周三，Uber 的三季度财报电话会。这类场合的问答环节通常是华尔街的例行公事：增速、利润率、自动驾驶的资本开支。但这次有一个问题的答案，值得整个 agent 行业裱起来挂在墙上。
首席财务官 Balaji Krishnamurthy 在回答分析师提问时给出了一组数字：10 月里最忙的一周——万圣节当周——Uber 和 Uber Eats 一共处理了大约 3.2 亿次出行和订单。其中，由 AI 智能体（agent）下单的打车订单是 4 单。外卖好一些，大约 500 单。
4 除以 3.2 亿，约等于八千万分之一。把外卖也算上，agent 经手的交易占比是每百万单 1.6 单。
把这个数字放到它所处的时间背景里看，才有味道。这不是什么 AI 遇冷的年份——恰恰相反：个人智能体创业公司 Instinct 上一轮融资估值 100 亿美元；Meta 的 Muse 上个月刚登顶美区 App Store 免费榜，用户突破千万，官方说法是很多人在用它购物、跟商家交易；OpenAI、Anthropic、Google、xAI 全都推出了自己的智能体。DoorDash 上周的财报电话会也给出了几乎一样的读数：智能体带来的订单「只有几百笔」，绝大多数用户还是在 app 里自己下单。
供给端从未如此拥挤，需求端几乎为零。
CEO Dara Khosrowshahi 的表态倒是客气：「目前我们看到的采用情况非常、非常早期，而且相当有限。听着，我们希望未来会有更多的采用。」他还补了一句：市场上现在大约有 8 个主要 AI 助手，他预计会超过 10 个——「每一家 AI 系统公司都在和我们谈」。
每一家都在谈，用户一个都没来。这个反差就是本文想拆的东西。我的结论先放在这里：这不是模型能力问题，是一道除法题；而且答案早在财报电话会开始前，就写在 Uber 自己公布的数据里了。
一、委托的账：固定成本吃掉小额收益
为什么没人让 agent 帮忙叫车？先别急着说「模型还不够聪明」，把账算一遍。
把一件事委托给 agent，用户付出的不是零：
- 表达成本：说清楚去哪、几点、几个人、能不能拼车——来回几轮对话。
- 验证成本：agent 订完了，你得确认它订的是今晚 8 点而不是明早 8 点、是从公司出发而不是从家。
- 出错代价：一旦订错，改单、取消、赶不上后面的事，级联损失全是你的。
而收益只有一项：省下的时间。Uber 在同一份材料里给出了这项收益的确切数字——叫车的中位用时约 50 秒，惯常的外卖重购约 90 秒。
也就是说，右边这三项固定成本，要吃掉左边最多 90 秒的收益。表达加验证随随便便就超过一分钟，还没算出错的期望损失。这笔账不需要任何 AI 知识，一个会用计算器的用户就能算清：
1
2
3
4
委托净收益 = 省下的时间
− 表达成本
− 验证成本
− 出错概率 × 纠错代价
当任务只有 50 秒长，右边随便一项就能把净收益打成负数。用户没有拒绝未来，用户只是会做减法。 3.2 亿次一周的行为，就是这个减法的结果。
所以「智能体网络」的第一课很朴素：存在一个值得委托的最小任务尺寸，而它远大于多数人想象。 50 秒的事不值得托付给任何人——包括人类助理。你不会雇个秘书专门帮你按打车键。
二、500 和 4 之间，隔着的是决策负担
财报数字里最有意思的细节，是 500 和 4 之间那 125 倍的差距。同样是 agent 下单，为什么外卖比打车多两个数量级？
打车是什么动作？上车、走。几乎没有选择。外卖是什么动作？选哪家店、吃什么、要不要凑满减、预计 20 分钟还是 45 分钟送达——这是一个决策过程。agent 能省掉的从来不是「点按钮」的 10 秒，而是「做决定」的那几分钟。
Uber 自己公布的数据恰好能佐证这个判断：85% 的乘客会在下单前主动调整车型或选项；超过三分之一的外卖订单来自用户过去一年从没点过的餐厅。前者说明连打车这个「最没选择」的流程里用户都要插手，后者说明外卖流量的相当一部分发生在「发现新店」这种典型的决策环节。决策密度越高的地方，留给 agent 的缝隙越宽。
Uber 内部的两个助手把这个规律演示得更直白：Cart Assistant 被用户用来做复杂的生鲜采购，购物篮大小约是普通零售订单的 2 倍；语音助手 Ask Eats 的 beta 版处理的请求长这样——「20 分钟内能送到、15 美元以下的健康午餐」。看清楚这些任务的形状：不是「帮我叫车」，而是「帮我权衡一组带约束的选项」。任务里的决策负担越重，委托的价值越大，这是 Uber 数据里唯一呈现正相关的东西。
顺着这条线还能推出一个对平台意味深长的结论：agent 真正的地址空间是决策，不是交易。 交易执行这个环节，API 化毫无护城河——哪家平台都能做，做了也不值钱。Khosrowshahi 显然想明白了这一点，所以他对第三方 agent 开出的条件是三个：不损害客户体验、经济上可持续、不侵蚀用户与 Uber 的直接关系。翻译过来就是：欢迎来给我带量，但用户关系是我的，你别碰。
三、谈判桌的两边，都坐着没有用户的一方
再回到「每一家 AI 系统公司都在和我们谈」这句话。谈的是什么？不是订单——订单一共 504 单，没什么可谈的。谈的是分发入口。
8 个助手要变成 10 个以上，每个都想成为用户生活的默认界面。对 Uber 来说，拒绝的代价是可能被绕过；接受的条件是保住直接关系。别忘了 Uber 的底牌：Uber One 会员约 5500 万，占出行加外卖总交易额的一半以上。直接客户关系是这家公司的核心资产，而 agent 天生想插在中间。这不是技术集成问题，是渠道权力的谈判。
还有一层常常被忽略：Uber 的姿态之所以能这么从容，是因为它根本不缺量。三季度总行程 41 亿次，同比增长 16%；月活跃消费者 2.15 亿，增长 14%。「净新增需求」的表态更像一种得体的观望——锦上添花可以，雪中送炭谈不上。
于是「智能体网络」在 2026 年 11 月的真实结构是这样的：平台担心被绕过，助手公司担心没场景，双方都急需这场谈判，唯独用户从头到尾不在桌上。 用户不需要谈判，用户只需要做一个 50 秒的减法，然后继续用 app。所谓 agentic web，目前更像一场 B2B 的军备条约，条约的标的物——用户的委托意愿——还没有出现在战场上。
四、给做 Agent 的人三个过滤器
这套账不只属于 Uber。你手上的 agent 产品，无论面向消费者还是面向内部流程，都过得了同三道筛子：
1. 任务时长。 人做这件事要多久？90 秒以下的不用考虑，省不出委托的成本。有意义的是小时级任务——这也解释了为什么真正被重度使用的 agent 场景是编码：让一个 agent 在仓库里泡几个小时，省下的时间量级才配得上信任成本。
2. 决策密度。 选项多、维度多、信息不对称的任务才有「省脑子」的价值。反例是打车，正例是「在预算和送达时间的约束下选一家店」。如果你的产品宣传语是「一句话帮你完成下单」，先问一句：下单前的决定，用户愿意交出来吗？
3. 验证成本。 这是最容易被忽略的一项。编码 agent 成立还有一半原因在这里：测试和编译是近乎免费的验证器，失败了大不了 git reset，纠错代价趋近于零。而 agent 订错一辆车，发现、改单、错过行程，纠错的总成本可能超过任务本身。错误期望损失 = 出错概率 × 纠错代价，这一项在真实世界里经常是三个过滤器里最大的一项。
三个都过的任务，值得做 agent；只过第一项的，做个快捷按钮就够了。
至于怎么用：下次需求评审，把「人做这件事要几分钟」拍在桌上。低于 90 秒的，这个需求不需要一个智能体，需要的是一个更好的 UI。
结语：这 4 单本身
最后说说那 4 单打车订单。
它们不是丑闻。在一个所有玩家都在路演「智能体将代办一切」的年份里，这 4 单是全行业目前最诚实的一组读数：真实用户、真实钱包、真实的委托行为，发生在外部条件最有利的场景（平台已经接好了 API，助手公司挤破了门）——然后总量是 4。
模型再强，这道除法的分母不变。3.2 亿不会因为你多发一个版本就变小，唯一能变的是分子：找到那些本来就值得托付十分钟以上的事，把决策、时长、验证三道筛子都过一遍。
什么时候「智能体订了多少单」不再需要 CEO 在电话会上替它圆场，什么时候智能体网络才算真的上线了。在那之前，护城河只有 50 秒宽——但一条 50 秒宽的护城河，眼下确实拦住了所有人。
参考与延伸
- Uber Q3 2026 财报电话会（2026-11-04），CFO Balaji Krishnamurthy 与 CEO Dara Khosrowshahi 发言
- TechCrunch 报道（2026-11-04）：Uber says AI agents booked just four rides during Halloween week
- Unite.AI 对该电话会的分析：https://www.unite.ai/uber-says-ai-agents-booked-just-four-rides-during-halloween-week/
- DoorDash Q3 财报电话会关于智能体订单的表述（TechCrunch 转述）
说明：4 单与 500 单为高管电话会口头披露的当周数字，官方未给出统计口径；Instinct 的 100 亿美元估值与 Muse 的用户数为 TechCrunch 报道转述，非本文独立核实。