“Tokenmaxxing”正在成为硅谷企业AI治理中的新热词。随着越来越多公司将生成式人工智能纳入日常工作流，如何衡量员工对AI工具的使用程度、使用效果以及由此带来的生产力变化，成为管理层面临的一道新题。近期，LinkedIn联合创始人、知名投资人Reid Hoffman（里德·霍夫曼）公开表示，追踪AI token使用量可以作为企业适应AI浪潮的一项关键参考指标，尽管这一指标本身并不完美。
这场争议之所以迅速升温，与Meta此前被曝光的内部AI使用排行榜有关。据报道，Meta曾设置一套依据员工AI token消耗量进行排名的内部仪表盘，但该系统随后被关闭。事件公开后，围绕“是否应以token消耗衡量AI采用程度”的讨论迅速扩散，也让“Tokenmaxxing”从公司内部术语演变为更广泛的产业议题。
什么是“Tokenmaxxing”
在大语言模型体系中，token是模型处理文本的基本单位，既可用于衡量输入输出规模，也常被用作计费基础。员工每次向AI工具发出指令、让系统生成回复，都会消耗一定数量的token。于是，一些企业开始统计团队或个人的token使用总量，并将其视为员工参与AI实践、拥抱新工具的重要信号。
“Tokenmaxxing”这一说法借用了流行语“maxxing”的表达方式，意指将某项指标推向极致。在企业语境里，它指向一种管理倾向：通过提升员工AI token使用量，推动组织更快适应AI技术。
支持者认为，在缺乏更成熟衡量标准的情况下，token使用数据至少提供了一个可量化、可跟踪、可比较的起点。它能够帮助企业识别哪些团队率先尝试AI，哪些岗位对新工具接受度更高，也可为预算安排和资源分配提供基础数据。
霍夫曼：有价值，但不能迷信
在Semafor举办的世界经济峰会上，霍夫曼对这一做法给出了相对审慎的支持态度。他强调，企业应该推动各个职能部门都积极接触并尝试AI工具，而追踪token使用量可以成为仪表盘中的一项有用指标。换言之，霍夫曼并不否认token数据的现实意义，但同时指出，原始数据必须结合具体场景进行解读。
在他看来，较高的token消耗量有时意味着团队正在开展有价值的创新，也可能只是低效率的反复试错，甚至是缺乏明确目标的随机探索。也正因此，霍夫曼并未将token使用量视为单一绩效标准，而是更倾向于把它作为观察企业AI采用情况的“温度计”。
除了指标层面的讨论，他还提出更完整的组织建议：企业应把AI战略嵌入各个部门的工作流程，并通过定期复盘、经验分享和失败案例交流，形成持续学习机制。对管理层而言，真正重要的不是谁“刷”了更多token，而是谁把AI真正转化为了效率提升和业务改进。
Meta事件折射AI管理难题
Meta的案例之所以引发关注，正在于它暴露了企业推动AI落地时的典型矛盾。一方面，排行榜和量化指标确实可能刺激员工更积极地尝试新工具；但另一方面，过度依赖此类指标，也可能制造扭曲激励，让员工为了冲高排名而进行表面化、低质量甚至浪费资源的AI互动。
批评者指出，token使用量更像“投入量”，而非“价值量”。例如，一名软件工程师在调试复杂代码时可能需要消耗大量token；而另一名战略岗位员工只用少量token就可能完成高影响力的分析或决策支持。如果仅以消耗规模排序，不同岗位之间将难以进行公平比较，最终反而削弱管理指标的有效性。
此外，这类追踪机制也引出员工隐私与监控边界问题。企业在统计AI使用行为时，若缺乏清晰透明的规则，可能让内部团队对数据用途、考核方式和监督尺度产生担忧。这意味着，AI治理不仅是技术部署问题，也是组织信任问题。
从“用多少”走向“用得好”
围绕“Tokenmaxxing”的争论，本质上延续了知识工作长期存在的生产力衡量难题：容易统计的，并不一定是最有价值的；最有价值的，往往又不易量化。在AI时代，这一矛盾被进一步放大。token数据提供了一个清晰可见的数字，却未必能直接映射创造力、决策质量和业务成果。
因此，更可行的路径或许不是放弃追踪，而是采用更综合的评估框架。例如，将token使用量与项目结果、团队反馈、实验成功率等指标结合；为员工提供低成本试验环境，避免将探索成本直接转化为绩效压力；同时建立明确的AI使用政策，平衡创新鼓励与资源约束。
从市场影响看，这场讨论也反映出AI基础设施和企业软件赛道的一个重要趋势：未来企业客户不仅关注模型性能，也越来越重视使用分析、成本可视化、组织级管理面板等能力。对AI服务商、SaaS平台以及相关数据治理厂商而言，谁能帮助企业更科学地理解“AI投入与产出”的关系，谁就更有机会在下一阶段竞争中占据优势。
总体来看，霍夫曼的表态并非为“刷token”背书，而是为企业提供一种更务实的观察视角：在AI普及初期，组织需要数据来理解员工是否真正开始使用新工具，但也必须警惕把简单指标误当成最终答案。真正决定企业竞争力的，不是AI用了多少，而是AI是否被明智地使用。从这个意义上说，“Tokenmaxxing”引发的争议，或许正是企业迈向成熟AI治理之前必须经历的一次集体校准。