Tokenmaxxing 已死，Tokenmaxxing 万岁
“tokenmaxxing” 指的是什么
- 把 AI token 支出当作一个可见的衡量指标和激励，有时还会和绩效评估或非正式排行榜挂钩。
- 在实践中，这往往意味着“尽可能多地使用 AI”，但并没有明确的成功标准或护栏。
公司为什么这么做（互相竞争的解释）
- 慈善的看法：这是一种粗暴但有意为之的方式，目的是在大型组织中强迫广泛进行 AI 试验，因为自下而上的采用速度太慢。
- 不那么慈善的看法：典型的炒作 / FOMO，照搬竞争对手和分析师幻灯片，却几乎不了解 AI 或 ROI。
- 也有人把原因归于顾问和供应商大力兜售 AI 的变革性（巨大的利润提升、成本削减），推动高管先批量购买 token，然后再倒逼使用。
范围与后果
- 有人说，严格的 tokenmaxxing 只占少数公司；也有人声称，多家大公司每季度在 token 上烧掉数十亿美元。
- 据报道的影响包括：浪费金钱、不断循环消耗 token 的无意义操作，甚至裁员，或以“token 支出表现不佳”为理由施压。
- 也有人报告预算适中且严格控费，即使没有排行榜，tokenmax 焦虑也在社交层面蔓延开来。
员工体验与文化
- 许多工程师反感 AI 指令，把它们看作赶时髦式的微观管理，或无视其专业能力的羞辱仪式。
- 一些人觉得这侵蚀了他们的地位和自主权，把权力转向了 PM 和高管；另一些人则有意识地退出 AI，并打算离开这个行业。
- 也有一部分人表示真心兴奋，称重度使用 AI 大幅提升了产出，并让自己成为内部的“AI 领导者”。
生产力与“累积正确性”
- 一个显著的说法是：更新的 agent 和多 agent 系统表现出“累积正确性”，也就是更多 token 通常意味着更好的结果。
- 许多评论者强烈反对这一点，把它比作崇拜代码行数，或者“木屑越多 = 家具越多”，并要求拿出真实证据。
- 实际体验差异很大：有人即使在昂贵套餐上也会碰到限制，并声称收益巨大；另一些人几乎不用 token，也看不到什么好处。
替代方案与指标
- 建议更好的做法包括：
- 指定特定的人/团队去试验并反馈。
- 衡量业务结果、质量和 bug，而不是原始 token 数。
- 允许人们“自由试验”，但不要按 token 燃烧量评分。
- tokenmaxxing 被广泛批评为教科书式的 Goodhart 定律失败：一旦指标成了目标，人们优化的就会是 token，而不是价值。
更广泛的模式
- 许多人把 tokenmaxxing 看作又一轮炒作浪潮（继区块链、元宇宙、大数据、云之后），由金融市场和管理层的从众行为推动。
- 也有人强调，大公司经常把现金烧在可疑项目上，这挑战了“企业资本主义总是高效”的观念。