在 AI 浪潮里，最激进的公司已经开始把员工用了多少 tokens 写进绩效参考。这场关于"数字化身"的辩论，正把硅谷一分为二。
一、Meta 的 leaderboard 泄露，引爆了一场风暴
事情的起因是 Meta 内部一个叫 "tokenmaxxing" 的排行榜被媒体捅了出来。这个 dashboard 追踪的是员工使用 AI 工具时消耗的 token 数量，并据此进行排名。消息一出，工程师们在社交媒体上炸开了锅。
有人觉得这是在鼓励无效刷量——就像用"谁花钱多"来评判购物能力一样荒谬；也有人认为，在 AI 转型的关键期，token 使用量恰恰是拥抱新技术意愿的晴雨表。
Meta 的反应很快：在舆论发酵几天后，公司关停了内部的 tokenmaxxing dashboard。但争议并没有因此平息，反而引来了更多大佬下场表态。
二、Reid Hoffman 的立场：追踪 token usage 是对的
LinkedIn 联合创始人、硅谷最具影响力的投资人之一 Reid Hoffman，在 Semafor 世界经济峰会上明确表达了对 tokenmaxxing 的支持。他没有用那些 Z 世代黑话，但核心观点很清楚：
"你应该让各个职能的人都去真正接触和实验 AI。有一个不错的 dashboard 值得关注——它当然不是生产力的完美指标，但……人们在实际工作中消耗了多少 token？"
Hoffman 进一步解释，有些人用得多可能是随机探索，有些则是高质量产出。所以关键在于：把 token 使用量和使用场景结合起来看。
"有些实验会失败，这没问题。但正是在这个循环里，你需要各种各样的人同时使用它。"
三、tokenmaxxing 到底是什么？
如果你还不熟悉这个术语，简单科普一下：
| 术语 | 含义 | 类比 |
|---|---|---|
| Token | AI 模型处理的最小数据单元，也是计费单位 | 类似"字/词"的计量单位 |
| Tokenmaxxing | 尽可能多地使用 AI tokens，以展示对技术的拥抱 | 类似 looksmaxxing（颜值管理）、sleepmaxxing（睡眠优化） |
| Leaderboard | 公司内部按 token 消耗量排名员工 | 一种数字化"考勤" |
对于 AI 服务提供商来说，token 就是钱。员工用得越多，公司在这块的支出就越高。但支持者认为，这笔"学费"是值得的——它买的是整个组织的 AI 熟练度。
四、反对者的声音：这是错误的激励
批评者主要有两个论点：
第一，token 量不等于产出质量。 有人可以用 10 万个 token 做出 brilliant 的方案，也可能用同样的 token 数写出一大段废话。把排行榜和任何形式的绩效挂钩，很容易催生"为了刷量而刷量"的行为。
第二，这会让内向或不擅长"秀存在感"的员工处于劣势。 不是所有高效使用 AI 的人都会产生大量 token 消耗。有些人擅长精准 prompt，一击即中；有些人习惯在本地模型上反复调试。这些"低调高效"的风格在 tokenmaxxing 排行榜上是看不到的。
五、Hoffman 给企业的三条建议
抛开 tokenmaxxing 的争议，Hoffman 对企业 AI 转型提出了更系统的建议，这些观点比单纯的"追不追踪 token"更有参考价值：
1. 把 AI 嵌入整个组织
不是让某个"AI 部门"去探索，而是让每个职能、每个层级的人都参与进来。AI 的价值只有在规模化使用时才会显现。
2. 每周做一次"AI 复盘"
Hoffman 建议公司建立定期的 check-in 机制，让员工分享：这周我尝试了哪些新的 AI 用法？哪些对个人效率提升最大？哪些值得团队复制？
3. 容忍失败，鼓励实验
"你会发现，有些事情的效果真的令人惊叹。"Hoffman 说。企业的文化氛围应该允许员工在 AI 应用上试错，而不是一失败就被问责。
六、tokenmaxxing 会成新常态吗？
Meta 关停了 leaderboard，但这不代表 tokenmaxxing 的概念会消失。恰恰相反，随着企业对 AI 投入的加大，如何量化员工的 AI 采用率将变成一个越来越现实的命题。
token 消耗量只是其中一个维度，而且显然是最粗糙的维度。未来可能会出现更精细的指标：比如"AI 辅助产出的代码提交占比"、"AI 生成内容被二次采用的比例"、"用 AI 解决问题的平均时长缩短率"等等。
但在这些更科学的指标出现之前，tokenmaxxing 或许就是很多企业能抓到的最现成的一根稻草。它的争议性在于：它测量的是投入，而不是回报。
七、写在最后
Reid Hoffman 的站台，让 tokenmaxxing 从一个硅谷内部的梗，变成了值得严肃讨论的管理命题。无论你是支持者还是反对者，有一个共识正在形成：在 AI 时代，"用不用"和"用得多不多"确实会越来越影响一个人的职场竞争力。只是，这个竞争力的衡量标准，显然还需要更多迭代。
对普通职场人来说，与其纠结公司有没有 token 排行榜，不如先问问自己：这周，我真的用 AI 解决了什么问题吗？