一句话看懂：Meta 正在调整内部员工考核指标，不再过度强调“AI 驱动影响”和 token 使用量，转而鼓励团队使用自研 AI Agent“Hatch”。这说明 Meta 开始从追求 AI 调用规模，转向关注 AI 是否真正解决实际工作问题。
事件核心：发生了什么
据 Wired 援引知情人士消息，Meta 近期修改了内部员工绩效评估中的部分措辞，淡化了此前对“AI-driven impact”和 token 使用量的强调。此前，Meta 内部曾出现“tokenmaxxing”现象——即员工为了在考核中体现 AI 参与度，倾向于尽可能多地调用大模型接口、堆高 token 消耗量。
调整之后，Meta 更倾向于引导员工在实际业务中优先使用内部 AI Agent“Hatch”，而非单纯追求生成式 AI 的调用数据。公开信息显示，Hatch 是 Meta 内部开发的智能体工具，用于协助完成编码、文档处理或跨部门数据查询等工作。具体的考核权重变化和覆盖团队范围，目前公开信息尚未披露。
为什么重要
这一调整反映出 Meta 对内部 AI 应用策略的一次务实修正。“tokenmaxxing”本质上是考核机制与真实效率脱节的产物：当 token 消耗量成为衡量标准时，员工自然会倾向于过度调用 AI，而非追求产出质量。Meta 此举说明，即便是头部 AI 基础设施投入方，也开始警惕“为 AI 而 AI”的形式主义内耗。
对于拥有自研大模型和云算力的公司而言，Meta 的转向具有行业风向标意义。它提醒其他企业：AI 大模型和 Agent 的落地价值不能以 API 调用次数、token 消耗量这类过程指标为核心，而应聚焦于终端业务成果。这对当前围绕“Agent 用量激增”的估值逻辑提出了一个反向校准信号。
对用户/开发者/创作者的影响
对于企业采购方和 AI 应用开发者而言，Meta 内部考核口径的变化是一个值得留意的管理样本。它提示企业在引入 AI Agent、大模型 API 时，应当建立与业务产出直接挂钩的效果评估体系，而不是以生成量、推理调用量作为关键绩效指标。
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。
对开发者来说，如果 Meta 将 Hatch 的工具链逐渐外部化或开放接口，未来可能为企业级用户提供一种更强调任务完成度的 Agent 交互范式。不过，目前 Hatch 仍属于内部工具，对外开放的时间表和商业模式尚无公开信息。
值得关注的后续
后续可以观察三个方向：第一，Meta 是否会将“减少 token 形式主义”的考核原则写入官方对外文档，或者影响 Llama 模型的企业服务策略；第二，Hatch 是否会逐步整合进 Meta 面向外部开发者的 Agent 生态；第三，其他依赖大模型调用计费的云服务商是否会调整计费或评估方式，以响应企业客户对“有效调用”的关注。
来源：Techmeme
