外媒《Fortune》評論指出，企業內部曾風靡一時的「tokenmaxxing」正在降溫。所謂 tokenmaxxing，是將員工或團隊調用 AI 模型的 Token 數量，作為創新程度與工作效率的近似指標。但隨著帳單上升與無效調用增多，這種做法正被越來越多公司收緊。
文章提到，Meta、Amazon、OpenAI 等公司此前都曾出現正式或非正式的 Token 排行做法，鼓勵工程師比拼模型調用量。問題在於，一旦指標本身變成考核目標，就容易偏離原本目的。英國《金融時報》此前報導稱，Amazon 部分員工曾讓 AI 代理執行缺乏實際意義的任務，只為維持使用數據表現。
成本壓力開始顯現
隨著生成式 AI 在企業內部大規模鋪開，模型調用費用也快速上升。文章稱，部分公司已經開始限制員工使用第三方 AI 代理，尤其是依賴高端模型的工具。Meta 已撤下員工自發建立的 Token 排行榜；The Verge 報導稱，Microsoft 取消了多個關鍵產品部門員工的 Claude Code 訂閱。
Uber 也披露，公司在 2026 年前四個月就已用完全年 Token 預算，其中一部分支出來自 Claude Code 的高頻使用。Salesforce 首席执行官 Marc Benioff 則表示，公司今年向 Anthropic 支付的費用約為 3 億美元，並希望未來能有更智能的路由系統，將不同請求分配給成本更合適的模型。
企業更看重業務成果
文章認為，企業收緊 Token 指標，核心原因並不只是節流，更在於投入與回報之間的落差。Uber 首席運營官 Andrew Macdonald 近期表示，公司很難將部分員工效率的提升，直接對應到面向用戶的新功能交付或整體經營結果上。如果無法形成清晰的業務結果，模型成本就更難被持續證明合理。
這也是為什麼單純追蹤 Token 消耗，越來越難被視為有效的管理工具。它可以反映調用規模，卻不能說明這些調用是否真正改善了產品、流程或收入。
真正的回報來自流程重構
文章援引 Exponential View 作者 Azeem Azhar 的觀點稱，當前 AI 投入與生產率之間的錯位，更像一種新通用技術早期常見的「生產率 J 曲線」。企業在摸索階段往往先增加實驗成本，短期內卻看不到明顯收益，只有在業務流程被重新設計後，效率提升才會集中體現。
以電力改造工廠為例，企業最初僅僅更換照明或動力來源，但真正的生產率顯著提升，發生在工廠佈局和單台設備均圍繞新技術重新構建之後。對應到 AI，許多公司目前仍停留在局部試用或工具疊加階段，尚未進入更深入的流程改造。
評論認為，Token 使用量競賽之所以退潮，根本原因在於它解決的是「用了多少」，而不是「創造了什麼」。對企業而言，AI 的價值最終仍要落實到產品交付、業務模式和收入表現上，而非模型調用排行榜。