硅谷打工人整顿大厂！让 AI 疯狂摸鱼：用 AI 真的比人省钱？

📌 一句话摘要

本文通过亚马逊、Meta、微软、Uber 等硅谷大厂的案例，揭示了以 AI 使用量（Token 消耗）作为 KPI 所引发的「Tokenmaxxing」浪费现象，并指出当前 AI 成本远高于人力成本，衡量指标的错误比技术本身更值得警惕。

📝 详细摘要

文章以亚马逊关闭「Kiro Rank」AI 使用排行榜为引子，系统梳理了 Meta、微软、Salesforce、Uber 等硅谷大厂在推行 AI 工具过程中遭遇的困境。核心矛盾在于：管理层将「AI 使用量」作为考核指标，导致一线工程师为了刷数据而大量浪费 Token，例如让 AI 执行无意义的任务、生成一次性代码等，最终推高了 AI 账单却未带来实际生产力提升。文章引用了 Uber 四个月烧光全年 AI 预算、Meta 员工 30 天消耗 60.2 万亿 Token 等具体数据，并引入「杰文斯悖论」解释 AI 效率提升反而导致总成本暴增的现象。同时，文章以 Shopify 的「使用仪表盘」和「断路器」机制作为正面案例，说明关注产出质量而非消耗量才是正确路径。最后，文章将「Tokenmaxxing」类比为过去「代码行数」考核的翻版，指出其本质是激励扭曲，并强调当前 AI 的成本结构尚未达到「比人便宜」的拐点。

💡 主要观点

- 以 AI 使用量（Token 消耗）作为 KPI 会引发严重的浪费行为。 亚马逊、Meta、微软等大厂设立 AI 使用排行榜后，员工为了刷数据而让 AI 执行无意义任务，导致 Token 大量浪费，实际产出却未增加，形成「Tokenmaxxing」现象。

当前 AI 的边际成本远高于人力成本，尚未达到「比人便宜」的拐点。 Uber 四个月烧光全年 AI 预算，英伟达副总裁承认其团队 AI 计算成本已超过员工工资总和，重度使用 AI 的团队总拥有成本比纯人类团队高出 12% 以上。

「杰文斯悖论」在 AI 时代重现：效率提升导致使用量暴增，总成本不降反升。 虽然 Token 单价持续下降，但人均使用量的增长远超降价速度，尤其是 AI 智能体完成一个任务所需的 Token 是普通问答的 1000 倍，导致总成本失控。

正确的衡量指标应关注产出质量而非消耗量。 Shopify 将排行榜改为「使用仪表盘」，并引入「断路器」机制，关注 Token 单价最高的开发者（往往在做最有深度的活），而非消耗总量，从而实现了真正的效率提升。

💬 文章金句

- 不是 AI 没用，而是指标错了。一旦'用了多少'变成目标，KPI 就一定变漂亮，账单也一定变贵。

• AI 本应替代人力或降低人力成本，结果它变成了一个比人类员工还贵的'超级员工'。
• 真正用好 AI 的团队，从来不是盯着 token 数干活。他们想的是怎么用 AI 省掉低价值劳动，而不是怎么让仪表盘上的数字更漂亮。
• 如果 AI 比雇你还贵，之前的恐慌是不是过头了？
• tokenmaxxing 对 AI 厂商是好事，对其他所有人都是坏事。

📊 文章信息

AI 初评：86

来源：网易科技

作者：网易科技

分类：商业科技

语言：中文

阅读时间：20 分钟

字数：4937

标签： AI 成本, Tokenmaxxing, 大厂管理, KPI 陷阱, 杰文斯悖论

阅读完整文章