矽谷正在流行一種新的競爭方式，叫做 tokenmaxxing。工程師們爭相在社群上曬自己的 token 花費，把「燒掉越多 AI token」當成最 AI-native（AI 原生）的身份象徵。這個詞出現在內部排行榜、工作坊討論，甚至職位描述裡，正快速從科技圈的小眾文化，變成企業推動 AI 採用時的隱性參照框架。
一個月內，Meta 的 85,000 名員工共消耗了 60.2 兆個 tokens，最頂端的工程師擁有「Token Legend」頭銜，公司 CTO 公開稱讚其中一位「用 AI 花掉等同自己薪資費用」的工程師是生產力典範。另一頭，Uber 在 2026 年四月宣告已燒完全年 34 億美元的 AI 預算。
這些數字讓人印象深刻。但有一個問題沒有被回答：這些 tokens 換來了什麼？
本篇 Aiworks 將拆解 tokenmaxxing 現象的成因與數據，並說明企業在衡量 AI 效益時應該看哪些指標，而不只是 token 消耗量。
什麼是 Tokenmaxxing？
Token 是 AI 模型處理輸入與輸出的基本計量單位，也是 AI 服務的計費基礎。以 Claude 為例，每約四分之三個英文單字算作一個 token；長提示詞、多輪對話、平行 AI Agent 都會快速累積消耗量。
Tokenmaxxing 就是把「消耗越多 token」當成生產力目標，甚至將其作為員工績效的代理指標。部分公司設立 token 消耗排行榜，追蹤誰「燒」得最多；部分工程師則把 token 花費當成個人品牌的標誌，主動在社群媒體上公開展示。
Token 排行榜如何在企業內部蔓延：Meta、Microsoft、Salesforce 案例
“We’ve been tokenmaxxing longer than most people”
「我們比多數人更早開始 tokenmaxxing。」
—— Y Combinator CEO Garry Tan
“If that $500,000 engineer did not consume at least $250,000 worth of tokens, I’m going to be deeply alarmed.”
「如果一個年薪 50 萬美元的工程師消耗的 token 沒有達到 25 萬美元的等值，我會非常擔心。」
—— Nvidia CEO 黃仁勳
當組織以消耗量定義「AI 採用」，獎勵結構就會引導員工往量的方向走。
當這類聲音從產業意見領袖口中說出，「消耗多 = 生產力高」的邏輯就有了更大的正當性，企業也更容易順勢以消耗量定義 AI 採用的進度。
三家公司的做法，讓這個邏輯在組織層面具體落地。
Meta：內部排行榜「Claudeonomics」讓 85,000 名員工公開競爭，設有「Session Immortal」、「Token Legend」等稱號。排行榜造成了實質的資源浪費：有工程師讓 AI Agent 持續在迴圈中運行刷高 token 數，部分 AI 生成的程式碼甚至被指認與系統事故有關。Meta 在排行榜遭公開批評後的一天之內，將其下架。
Microsoft：自一月起運作的內部排行榜，前五名中有職等相當高的資深工程師與 VP 層級主管，而這些人過去幾乎不寫程式。一名工程師坦承，他的 tokenmaxxing 動機是「不想被視為不夠 AI-native」，做法包括用 AI 回答自己已知答案的問題、建構從未打算執行的功能原型，完成後全數丟棄。
Salesforce：設有「最低消耗門檻」，並以每 15 分鐘更新的桌面小工具顯示個人花費與當週要求。同事的消費紀錄可公開查閱，等同以透明化製造社交壓力，讓達標成為隱性義務。
三家公司的工程師，面對的是同一個問題：在組織宣示 AI 轉型方向的環境下，「用太少 AI」已成為職涯風險訊號。於是員工只能因應政策讓數字變高，不論過程是否創造了任何實質價值。
Token 用量不等於開發生產力：做了更多，留下的卻更少
“Ranking engineers by token spend is like me ranking my marketing team by who spent the most money. … Don’t mistake a high burn rate for a high success rate.”
「按 token 消耗量排名工程師，就像我按誰花最多錢來排名行銷團隊一樣。別把高燒錢率誤認為高成功率。」
—— Linear COO Cristina Cordova
這和過去用程式碼行數衡量工程師產出是同一個邏輯，差別只是換了計量單位。這個做法早已在軟體產業被否定，現在它穿著 AI 的外衣重新登場。以下四份獨立數據從不同角度說明了同一件事。
Faros AI：交付量提升，品質指標同步惡化
AI 加速了部分工作，但下游品質指標同步惡化：
| 每位開發者的 bug 數量 | +54% |
| PR（Pull Request）審查時間 | +5 倍 |
| 未經審查即合入主線的 PR | +31% |
| 程式碼被刪除或重寫率 | +861% |
AI 加快了「做事」的速度，但留下的東西遠少於看起來的量。
Jellyfish：花費高 319 倍，產出只多 2 倍
比較 token 花費前 20% 與後 20% 的工程師：
| 群體 | 每季 token 成本 | 平均 PR 產出 | 每個 PR 的 token 成本 |
| 後 20%（最低使用） | $3 | 11 件 | $0.28 |
| 前 20%（最高使用） | $1,822 | 23 件 | $89.32 |
成本相差 319 倍，換來的是大約 2 倍的產出。Jellyfish 用火箭燃料作類比：要飛得更快是可以的，但需要指數倍的資源，而不是線性倍。
Waydev：表面接受率 80%，實際程式碼留存率不到 30%
- 工程師回報的程式碼接受率：80% 至 90%
- 計入後續修改後，真正留存的程式碼：10% 至 30%
工程師看到的接受率，和程式碼真正活過後續迭代的比例，之間有將近四倍的落差。
GitClear：高度 AI 使用者的程式碼 Churn 率是非使用者的 9.4 倍
GitClear 的研究標題直接點出了問題核心：「AI 程式碼工具吸引了頂尖人才——但它創造了頂尖人才嗎？」
透過 2,172 個開發者週的數據（整合自 Cursor、GitHub Copilot 和 Claude Code 的 API），GitClear 發現高度 AI 使用者在部分產出指標上達到非使用者的 4 倍到 10 倍。但報告刻意留下了一個警示：這不一定是 AI 工具讓人變得更好，更可能的解釋是，原本就是高產能的工程師選擇了最大化地使用工具。在負面指標上，高度使用者的程式碼被刪除或重寫率是非使用者的 9.4 倍，超過 AI 工具所帶來的生產力提升幅度的兩倍以上。
這四份資料指向同一個結論：token 消耗量衡量的是「做了多少事」，不是「留下了多少價值」。如果評估 AI 效益時只參考使用量、覆蓋率和 token 數，無法回答 AI 是否真的帶來了改變，只說明了 AI 工具有在被使用。
企業如何正確衡量 AI 效益？三個層次的自我檢視
Level 1：AI 工具是否真的進入日常工作？
確認 AI 工具是否真的進入日常工作，而不只是安裝了但閒置。
- 實際使用 AI 的員工比例是多少？有帳號不等於有在用。
- AI 是偶爾嘗試，還是固定用於特定任務？
- AI 被應用在幾種不同的工作情境，還是只集中在少數人或少數任務上？
Level 2：AI 使用是否改變了實際工作結果？
確認 AI 的使用有沒有實際改變工作結果，而不只是製造了更多輸出。
- 完成同一類任務的平均時間，使用前後有沒有縮短？
- 相同人力下，每週或每月的交付量有沒有增加？
- 需要返工、補問或糾錯的比例有沒有下降？
Level 3：效益能否在組織層面持續與複製？
確認效益不是個人的偶發現象，而是可以在組織層面被複製與維持。
- 有效的 AI 使用方式有沒有被收斂成標準做法，還是停留在各自摸索？
- 正向效益有沒有擴散到不同部門或不同任務類型？
- 少了 AI 工具，哪些流程會明顯卡住？這個問題的答案範圍，反映的是效益真正滲透到工作中的深度。
Aiworks 洞察：把採用率當成轉型進度，是企業 AI 導入最常見的誤判
當組織開始感受到「AI 轉型壓力」，最常出現的反應是向上回報採用率、向外比較 token 消耗、向內推工具覆蓋率。這些數字容易拿，也容易向決策層交代。但它們測量的都是投入，不是影響。用投入量來填補對成效的焦慮，本質上是把「有在做」當成「有在進步」的替代品。
Tokenmaxxing 只是這個邏輯最極端的版本。更普遍的版本是：把採用率當成轉型進度，把工具覆蓋當成能力建立，把員工有在用 AI 當成組織已經在從 AI 受益。
真正值得問的問題，不是「我們用了多少」，而是「用了之後，工作結果有沒有不一樣」。這個轉換聽起來簡單，但在組織裡實際執行，需要有人願意放棄容易交代的數字，改去追蹤比較難收集、也比較難解釋的改變。AI 成熟度不是靠投入堆出來的，它是在一次次問「這有沒有真的帶來影響」的過程中逐漸建立的。
📩 想為你的組織打造 AI 協作能力？
Aiworks 提供企業內訓、客製化培訓與實作工作坊，協助各產業團隊規劃生成式 AI 的導入與應用策略。
▼ 聯絡我們｜規劃你的 AI 實戰課程，讓轉型真正落地 ▼
（若表單未正常顯示，請點擊此連結進入表單填寫頁面）
推薦延伸閱讀
▶︎ Agent 時代的新型資安威脅：Prompt Injection 如何讓 AI 工具變成攻擊者的入口
▶︎ 2026 AI 指數報告關鍵洞察：Agentic AI 已成新基準，企業三道缺口同步擴大
▶︎ AI 同事正式上線！ChatGPT Workspace Agents 功能解析與企業導入建議
▶︎ 被取代、被重組，還是因 AI 擴張？OpenAI 最新報告的 6 個關鍵發現
▶︎ 2026 Anthropic 經濟指數報告解析：AI 如何重塑知識工作與企業專業價值
參考來源
- ‘Tokenmaxxing’ has techies debating if leaderboards tracking AI token use are a good idea｜Business Insider
- The Pulse: ‘Tokenmaxxing’ as a weird new trend｜The Pragmatic Engineer
- Tokenmaxxing isn’t an AI strategy｜The Register
- Tokenmaxxing’ is making developers less productive than they think｜TechCrunch
- Tokenmaxxing: Why AI token consumption isn’t engineering productivity｜Faros AI
- Is ‘tokenmaxxing’ cost effective? New data from Jellyfish explains.｜Jellyfish
- AI Coding Tools Attract Top Performers – But Do They Create Them?｜GitClear