一天烧几亿 Token,然后呢?
近期,硅谷科技圈兴起了一种被称为“Tokenmaxxing”(Token最大化)的现象。部分工程师和企业开始将AI Token的消耗量作为衡量工作价值和AI使用深度的核心指标。从Meta内部曝光的员工排行榜,到OpenAI的高消耗竞赛,这种以消耗论英雄的风气正在演变为一种新的办公室政治。然而,将中间过程指标作为考核目标,往往会导致管理目标的异化。
01现象:从内部竞赛到排行榜文化
这一现象的典型代表是Meta内部被曝光的“Claudeonomics”排行榜。该系统覆盖了8.5万名员工,统计了30天内的Token总消耗量,数据超过60万亿。排名第一的员工个人消耗量达2810亿Token,并拥有“Token Legend”等称号。为了提升排名,有员工甚至让AI Agent空转数小时执行无效的“研究任务”。在消息泄露后,Meta关闭了该排行榜。类似的情况也出现在OpenAI,甚至有高管公开呼吁为工程师设定年度Token预算。
02争议:Token消耗等于生产力吗?
关于“Token最大化”的阵营分析
支持方:技术管理层与厂商
认为高Token消耗代表了对AI工具的深度使用,是推动转型的必要手段。
- 英伟达CEO黄仁勋提出,工程师应拥有相当于底薪一半的Token预算。
- Shopify CEO设定AI使用量门槛,未达标者面临离职风险。
- 将Token消耗视为“AI普及度”和“数字化投入”的可量化代理指标。
反对方:效率追求者与学者
认为缺乏产出的消耗属于资源浪费,触犯了管理学中的古德哈特定律。
- 沃顿商学院教授指出,这是典型的“奖励A行为却期望B结果”。
- Token消耗极易通过空转Agent、下达无意义指令等方式进行刷量。
- 如同用代码行数考核程序员,不仅无效,还会催生大量垃圾数据。
从管理学角度看,这一现象符合古德哈特定律:当一个指标成为目标,它就不再是一个好指标。Token消耗量与实际生产力之间并没有必然的因果联系。相比于编写复杂的操作系统内核,一个实习生可以通过简单的并行脚本让AI进行无意义计算,从而在消耗量上轻易超越顶尖工程师。这种考核方式忽略了产出的实际质量,仅关注了过程中的投入成本。
03动因:卖铲子的人鼓励挖坑
在鼓励高Token消耗的背后,存在着明显的利益驱动。AI厂商和云服务商是这一趋势的直接受益者。数据表明,企业Token支出近期出现了数倍增长。对于卖铲子的人而言,鼓励用户多挖坑——甚至为了挖坑而挖坑——符合商业逻辑。每一个被消耗的Token都对应着真实的GPU算力和电力成本,如果没有转化为实际价值,这仅仅是能源的无效损耗。这种表演性消费在一定程度上也放大了市场对AI需求的泡沫信号。
04破局:回归产出导向
| 对比维度 | Tokenmaxxing(刷量模式) | 价值导向(实战模式) |
|---|---|---|
| 核心驱动力 | 排行榜竞争与KPI考核 | 解决具体问题与交付成果 |
| 典型行为 | Agent空转、生成无用代码、无意义研究 | 代码修复、文档翻译、扩展收录 |
| 结果验证 | Token计数器数值 | 可用代码行数、文档PV、Star数量 |
| 实际效益 | 产生大量垃圾数据,浪费算力与电力 | 生成可用的工具与知识资产 |
两种AI使用模式的对比
AI使用的真正价值应体现在明确的、可验证的交付物上。无论是修复开源项目、翻译技术文档,还是整理生态资源,这些工作都有清晰的产出标准。个体在使用AI时天然遵循产出导向,因为结果无法欺骗自己。而组织由于管理上的惰性,往往倾向于依赖易于量化的中间指标。未来,随着AI应用的深入,衡量标准必将从“烧了多少Token”回归到“用Token做了什么”。
当前文章无评论,是时候发表评论了