微软勒紧AI裤腰带：设token预算，换便宜模型
当硅谷大厂还在鼓励员工通过AI工具刷token提升绩效时，微软已经率先给AI用量踩下了刹车。
根据内部邮件披露的信息，从2026年7月开始，微软将为所有业务部门设定AI Token预算目标，同时将内部默认使用的AI模型切换为GPT-5.6，核心原因是该模型的使用成本更低。微软执行副总裁Jay Parikh在内部邮件中明确表态：Tokenmaxxing不是我们优化的目标。
根据Parikh发布的内部邮件和更新后的Copilot使用指南，这次的AI成本管控新政主要包含三个核心内容：
第一，设立明确的AI token预算框架，各业务部门将获得对应的token使用额度，目前具体的预算数值尚未对外公布；
第二，开放个人token支出查询渠道，员工可以随时查看自己的AI使用成本，内部数据显示，多数工程师每月的token花费在几百到几千美元之间；
第三，调整内部默认AI模型，将原本的备选模型替换为GPT-5.6，微软方面表示该模型相比其他同类型产品拥有更优的性价比。
除此之外，微软还透露后续将根据监控数据进一步收紧AI使用限制，Parikh在邮件中要求员工，在借助GitHub Copilot提升工作效率的同时，必须主动意识到自身的token消耗情况，像管理其他关键企业资源一样管控AI使用成本。
其实这项政策并非凭空出现，早在今年6月，微软CEO纳德拉就在一期播客节目中就提到，微软内部存在大量Tokenmaxxing现象，他自己也承认有过疯狂刷token的经历，但作为企业管理者，他清醒地认识到：生产率提升的边际收益，必须匹配token的边际成本。
纳德拉指出，并非所有任务都需要调用最强、最贵的前沿AI模型，更长的推理时长、更饱满的上下文窗口、更多的Agent启动数量，并不等同于最终的工作成果更好。仅仅两个月后，这位CEO的判断就从播客言论落地成了正式的内部管理政策。
不过微软的这项新政引发了不少员工的不满，有员工公开质疑：作为一家在AI领域重金投入、补贴海量推理资源的公司，微软居然开始引导员工节省AI使用成本？如果连微软这样的AI基础设施提供商都要担忧AI使用负担，那采购这些AI服务的普通企业又该如何应对？
Tokenmaxxing这个概念兴起不过短短几个月，它由token和maxxing（意为“刷到极致”）组合而成，和当下流行的gymmaxxing（极致健身）、looksmaxxing（外貌改造）属于同一套互联网造词逻辑，但它并非形容自我提升，而是一种扭曲的绩效激励——将AI token的使用量直接等同于员工的工作贡献。
今年3月，Meta、OpenAI等科技公司的员工就已经开始在内部排行榜上比拼token消耗量，不少企业还将更高的token预算作为工程师的福利，鼓励员工同时启动多个AI Agent，尽可能将更多工作交给AI处理。
到了今年5月，这股刷token的风潮蔓延到了亚马逊。当时亚马逊内部推出了名为KiroRank的排行榜，按照员工在自家AI开发平台Kiro上的AI使用量进行打分，公司的初衷是鼓励工程师更多地使用AI工具提升效率，用得越多排名越高。但很快出现了离谱的刷榜现象：部分员工为了提升使用量，让AI Agent执行毫无必要甚至价值极低的任务，导致token消耗大幅增加，但实际的代码产出并没有同步增长。
仅仅一个月后，KiroRank排行榜就被紧急关停，亚马逊高级副总裁Dave Treadwell专门提醒全体员工：请不要为了使用AI而使用AI。
但类似的token刷量竞赛已经在硅谷迅速蔓延：OpenAI一名员工在一周内处理了2100亿tokens，这个数量足够将整个维基百科填满33遍；Shopify和Meta直接将AI使用情况纳入员工绩效考核体系，奖励重度使用AI的员工，批评几乎不使用AI工具的员工；Meta内部甚至出现了员工自建的Claudeonomics排行榜，统计公司8.5万多名员工的AI使用情况，不仅列出token消耗最高的250名员工，还颁发了“Token Legend”“Cache Wizard”等虚拟称号，俨然形成了一套token版的竞技生态。
英伟达CEO黄仁勋也在这波风潮中起到了推波助澜的作用。今年3月，他在《All-In Podcast》播客中公开表示：如果一个年薪50万美元的工程师每年消耗的token不到25万美元，我会深感担忧。同年在GTC 2026大会上，黄仁勋再次表态，愿意在工程师几十万美元的年薪之外，再提供相当于一半年薪的token预算，他认为这些token投入可以将工程师的能力放大10倍。不过作为AI基础设施的提供商，黄仁勋的表态也带有明显的商业立场。
但随着时间推移，大厂们逐渐发现Tokenmaxxing带来的问题远超预期。正如那句老话所说，“激励什么就得到什么”，过度激励token用量最终催生了token泡沫。
据行业媒体报道，Atlassian的月度AI支出在不到一年内增长至原来的三倍，超过1500万美元，公司随后被迫设置支出限额，要求员工严格控制模型使用成本；Uber的情况更为夸张，到2026年4月，整个公司就烧光了全年的AI编程预算，而Cursor提供的AI编程服务报价也上涨至此前的4到5倍，随后Uber紧急规定，每名员工使用每一种Agent编程工具的月度支出不得超过1500美元。
包括亚马逊、Adobe、Atlassian、花旗在内的多家科技和金融企业，都开始收紧员工近乎无限制的AI使用权限，各家公司的共同解法高度一致：简单任务不再默认调用最强模型，能降级就降级。花旗曾要求员工按照任务难度选择对应模型，禁止所有任务都使用最昂贵的版本，部分高成本模型甚至一度被暂停访问；Adobe也取消了员工对Claude的无限使用权限。
而token泡沫带来的还不只是成本问题，多名开发者反馈，长期过度依赖AI工具后，自身的编程能力正在出现退化：有人发现自己越来越难以独立判断一段代码的正确性，还有人担忧，当成百上千名工程师同时提交大量AI生成的代码时，根本没有人有能力逐行检查其中的安全隐患和质量问题。
既然不再以token消耗量作为考核标准，企业和管理者们开始转向关注什么？答案是工作成果本身。比如Meta从今年开始，将“AI驱动的影响”列为员工的核心工作要求，不再强调员工消耗了多少token，而是重点考察员工能否利用AI工具产生实际的业务价值。
当然，这套新的考核指标同样可能被形式化甚至滥用，但相比单纯的token排行榜，它至少更贴近工作的本质：你到底做成了什么？在这波从拼token用量到看实际成果的行业转向中，微软甚至算得上是最后一批跟进的大厂。
其实硅谷的企业如果想要解决AI使用成本过高的问题，还有更经济的选择。相比GPT-5.6、Fable 5这类价格高昂的模型，来自东方的DeepSeek系列模型拥有更具竞争力的性价比，完全可以让企业不用在短短4个月内就烧完全年的AI预算。有业内人士调侃，美国的程序员如果想要控制成本，直接使用DeepSeek V4 Flash就足够满足需求，既能完成工作，又能大幅降低企业的AI投入负担。
