亚马逊员工搞Tokenmaxxing——当AI落地变成一场表演
亚马逊员工搞"Tokenmaxxing"——当 AI 落地变成一场表演
亚马逊的内部 AI 工具 MeshClaw，本意是帮员工自动处理日常任务。结果有些人在用它刷 AI 使用量——生成大量 Token，但产出为零。
前几天，英国《金融时报》报道了一个有意思的现象：亚马逊员工在搞 "tokenmaxxing"——就是把超长的文档塞给 AI 处理，制造大量 Token 消耗，但根本不看 AI 的输出。这么做的目的？提升自己在内部 AI 使用排行榜上的排名。
这不仅仅是一个新流行词。它暴露了一个深层问题：AI 落地成了表演。
发生了什么
亚马逊内部开发了一个 AI 智能体工具叫 MeshClaw（灵感来自开源项目 OpenClaw），可以处理邮件、部署代码、操作 Slack。公司层面的数据显示有成千上万的员工每天都在用。
但有些员工发现了捷径：刷 AI 使用量最快的方式不是产出价值，而是最大化 Token 数量。塞一份 50 页的文档进去让 AI 处理，你的使用数据就暴涨。至于你最后用没用那个摘要——那是另一回事。
据报道，亚马逊和 Meta 的员工都这么干过，以至于管理层现在明确被禁止用 Token 数量来考核绩效。
为什么这不仅仅是亚马逊的问题
把 AI 落地当成一个需要最大化的指标，而不是需要整合的能力——这是"tokenmaxxing"现象的本质原因。
跟以前那些经典剧场一个套路：
- 半夜提交代码显得很忙
- 把 Slack 状态挂成在线其实在玩手机
- 开会时人在场就算参与了
当你衡量的是输入（消耗了多少 Token、发了多少），而不是产出（完成了什么实际效果），那大家自然会冲着指标去优化。
三层 AI 表演
第一层：员工层面 制造工作量但没有实际价值。Tokenmaxxing 就是 AI 版本的"假装在干活"。
真正的解法： 衡量结果而不是使用量。任务完成了吗？效果更好吗？省下来的时间用在哪？
第二层：管理者层面 亚马逊曾经公示团队 AI 使用统计数据。当你的组长能看到你 Token 数跟同事的对比，理性的选择就是刷量——而不是更有效地使用 AI。
真正的解法： 取消排行榜，取消公开 AI 使用数据。换成实际节省时间的具体案例。
第三层：公司层面 从上到下的"用 AI"指令——不管什么 AI，现在就上——制造了畸形的激励。这就是之前我们聊过的 AI 精神病症候群：公司在没理解问题之前先上了解决方案。
真正的解法： 从问题出发，而不是从工具出发。"我们工作流最大的瓶颈是什么？" 而不是"怎么把 AI Token 消耗量提升 200%？"
真正的 AI 生产力长什么样
结合昨天那篇 AI 不会让你更快 文章，逻辑已经很清楚了：AI 只有在解决真正的瓶颈时才有用。
不用刷数据也能产生价值的真实案例：
- 用 Claude 或 ChatGPT 梳理模糊的需求定义——写代码之前先搞清楚要写什么
- 用 GitHub Copilot 生成样板代码——前提是你已经知道要写成什么样
- 用 Perplexity 做多源研究整合——需要交叉验证的场景
- 用 AI 写文档——因为"写文档"本身就是瓶颈，不是因为公司逼你用 AI
每个案例的共同点：先找到瓶颈，再选工。而不是反过来。
安全层面的担忧
除了刷数据，还有更严肃的问题。多位亚马逊员工对授权 AI 智能体替自己操作表达了担忧。一位员工告诉《金融时报》：
"默认的安全策略让我害怕。它要是什么都自己干，我真不敢想。"
这确实是"In AI"叙事里经常被忽略的问题。一个能访问邮件、代码部署和 Slack 的 AI 智能体，一旦出错就是批量灾难。笑到最后的公司不是部署智能体最多的，而是部署得最安全的。
总结
"Tokenmaxxing" 对所有从上到下推进 AI 落地的公司都是一个警示信号。
如果你的员工在刷数据，说明：
- 他们没觉得这 AI 工具有实际价值
- 考核的标准本身有问题
- 公司文化鼓励"看起来高效"而不是"真的高效"
解药不是更 AI，而是搞清楚为什么 AI 没帮上忙——然后先解决那个问题。
想找真正能提升效率的 AI 工具？来 觅·Mee 浏览 190+ 精选 AI 工具，按分类整理，含真实应用场景。