一句话看懂：Meta 宣布不再将工程师使用 AI 工具的“token 消耗量”纳入绩效评审，原因是内部流行的“tokenmaxxing”刷量行为既扭曲了激励，也让 AI 算力开支失控，预计 2026 年相关成本将逼近数十亿美元。
事件核心：发生了什么
据 The Information 获得的内部备忘录，Meta 工程负责人 Maher Saba 和 Santosh Janardhan 明确表示，AI 使用量、内部排行榜和 token 计数将不再作为工程师绩效评估的参考维度，评审标准回归工作质量、交付速度与任务复杂度。
这一调整的直接背景是 Meta 内部此前流行的“tokenmaxxing”现象：部分工程师为了在内部 AI 使用榜单上获得好看的数据，刻意大量调用大模型 API、批量生成文本或代码，制造“高效采用 AI”的假象。这种刷量行为不仅扭曲了生产力评估，还推高了推理算力成本。Meta 内部测算显示，仅内部 AI 使用一项，2026 年成本就可能达到数十亿美元。为此，Meta 计划从 2027 年起为各部门设置 AI 使用预算，并上线统一的管理仪表盘。
与此同时，Meta 正在测试新的 AI Agent 工具 Hatch，该工具可自主完成电脑操作任务。但据 WIRED 报道，内部测试遇到阻力，部分员工因隐私顾虑不愿将 Hatch 连接至个人账户。
为什么重要
Meta 的这次“纠偏”是 AI 落地过程中罕见的管理层反思案例。它揭示了一个被许多企业忽视的问题：当“AI 使用率”成为考核指标，员工会倾向于为指标而用 AI，而不是为效率而用 AI。这种激励错配不仅造成算力浪费，还可能掩盖真实的工作产出价值。
从行业角度看，Meta 此举相当于承认“token 消耗量”不是衡量 AI 生产力的可靠指标。对于正在效仿 Meta 推行内部 AI KPI 的大厂而言，这是一个值得参考的警告信号：AI 采用的考核应聚焦结果质量，而非工具调用次数。同时，Meta 计划引入算力预算制，也预示大模型推理成本正在从“技术问题”演变为“财务治理问题”，企业级 AI 采购逻辑将更加谨慎。
对用户/开发者/创作者的影响
对于普通用户和使用大模型 API 的开发者，Meta 的成本压力最终会传导至产品定价与开源策略。目前公开信息显示，Meta 尚未调整其 Llama 系列开源模型的授权或 API 价格，但如果内部推理成本持续走高，未来企业级客户的算力账单或服务条款可能出现变化。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对创作者和中小团队而言，Meta 收紧内部 AI 使用额度，并不直接影响外部工具可用性，但它间接释放了一个信号：即便是头部科技公司，也无法无限承担“免费敞开用 AI”的成本。依赖大模型做内容生成、批量处理的团队，应提前评估算力预算，避免在服务商调整配额时被动。
值得关注的后续
其一，Meta 的 AI 算力预算制将在 2027 年落地，届时是否会同步调整 Llama 模型的外部商用策略或云 API 价格，值得开发者关注。
其二，Hatch 这类可自主操作电脑的 AI Agent 若正式上线，可能面临比内部测试更严格的隐私审查，其账户连接权限设计将直接影响用户接受度。
其三，其他依赖“AI 使用量”做绩效管理的科技公司是否跟进调整考核方式，将检验行业是否能从“刷 token”回归“看产出”的理性轨道。
