据美联社报道，企业对人工智能技术的“通证最大化”热潮正在达到极限，因为工作场所将人工智能投入到一切事物中，但成本却在上升，而生产力却没有类似的提升。
2026 年春季，科技行业掀起了一场关于从 OpenAI 的 ChatGPT 和 Anthropic 的 Claude 等产品中尽可能多地挤出人工智能生成的工作的炒作，现在已经转变为夏季的强烈抵制。高管、分析师和开发人员现在公开质疑最大化 AI 代币消耗是否曾经是一个合理的策略。有关人工智能业务前景的持续报道，请访问我们的最新人工智能行业报告。
时尚的兴衰
“Tokenmaxxing”指的是最大限度地利用代币——生成人工智能的构建块，对应于人工智能系统读取或写入的小文本片段。每个令牌大约代表一个单词的四分之三，人工智能提供商通常会施加使用限制，更昂贵的订阅提供更高的上限。
这一趋势是由一些最杰出的技术领导者积极推动的。 OpenAI 首席执行官 Sam Altman 在 2026 年 5 月表示，他“很高兴看到 tokenmaxxing 初创公司会发生什么，无论是他们内部的工作方式还是他们可以构建的产品。” Nvidia 首席执行官黄仁勋 (Jensen Huang) 宣称，“如果你的 50 万美元工程师没有燃烧 25 万美元的代币，那就是出了问题。” Facebook 母公司 Meta 举办了一场内部竞赛，奖励高代币使用率。
但随着成本的增加，热情逐渐减弱。穆迪评级人工智能分析主管文森特·古斯多夫（Vincent Gusdorf）表示：“随着账单开始涌入，人们意识到这些新工具相当昂贵，你需要明智地使用它们。”
“使用人工智能创建你不需要的东西非常容易，”古斯多夫补充道。
行政人员的强烈反对
这种强烈反对是由科技行业一些最有影响力的声音带头的。微软首席执行官 Satya Nadella 承认 tokenmaxxing 可能会让人上瘾，但警告说，客户实际上为 AI 支付了两次费用——首先是在代币上的支出，其次是将他们的专有数据提供给 AI 提供商。纳德拉的言论不同寻常，因为他对领先人工智能公司的数据保护保证提出了质疑，尽管他在宣传微软自己的人工智能战略。
Palantir 首席执行官亚历克斯·卡普 (Alex Karp) 更进一步，他告诉 CNBC，出现了“完全错误”。他表示，他正在传达美国企业私下“愤怒”的声音，他们对支付巨额资金购买没有创造价值的代币感到“愤怒”。
“这个国家企业的基本观点是，‘我会在代币上放松并浪费时间。我不会得到任何价值，他们会得到我的知识产权，’”卡普说。
Mozilla 的首席技术官 Raffi Krikorian 将 tokenmaxshing 比作通过代码行数衡量程序员生产力的不可信做法。 “我认为 tokenmaxxing 正在经历完全相同的模式，”他说。 “我认为这将是一个有趣的小插曲，一年后我们回顾起来都会大笑。”
大规模成本问题
在企业规模上，财务影响变得更加明显。贝恩公司管理顾问王珏表示，她公司咨询的许多大企业一直在仔细研究人工智能投资的回报。
“他们的代币成本几乎每隔一个月就会翻一番，”王说。 “假设每个开发人员每月 200 美元。将其乘以 20,000 名开发人员（这通常是我们在这些公司打交道的情况），很快就会得到一个数字，这不是任何总经理计划的一个项目。”
王指出了一种常见的误用模式：默认使用最强大且最昂贵的人工智能模型来执行不需要它们的任务。 “并不是所有东西都需要 Claude Opus 4.6，”她在谈到 Anthropic 最强大的模型之一（适合软件工程或深入研究）时说道。 “然而，你会看到如此多的公司、如此多的用户默认使用 Opus 来做所有事情，包括生成电子邮件。”
模型路由和开放权重的兴起
成本压力刺激了对人工智能“模型路由”工具的需求，这些工具可以自动将更简单的查询发送到更便宜、更高效的人工智能系统，同时为复杂任务保留强大的模型。软件开发人员 Hassan El Mghari 在初创公司 Together AI 负责开发人员体验，他表示，美国领先公司在订阅人工智能产品上花费了“荒谬的巨额资金”，这让许多公司感到震惊，这导致许多人重新考虑最大化使用方法。
El Mghari 说：“最好是让员工知道如何使用这些东西，并让他们在需要时使用人工智能，无论需要多少。”
与此同时，高代币消耗的支持者正在从中国初创公司如 Moonshot 的 Kimi 和zhipu 的 GLM 等开放权重模型中寻找新的弹药，这些模型的功能几乎可以与美国顶级模型的功能相媲美，而成本只是其一小部分。 Krikorian 承认，“这一理论有一定的有效性，这可能会进一步推动代币最大化”，但他坚持认为，更广泛的行业趋势是更加规范的使用。
企业的教训
tokenmaxxing 事件为企业在人工智能领域的发展提供了警示。虽然 OpenAI 和 Anthropic 等领先的人工智能模型开发人员从消费激增中受益，但这种经验促使许多组织采用更加衡量的方法——专注于人工智能提供可衡量回报的特定用例，而不是最大化原始使用指标。
随着最初的人工智能炒作周期让位于务实的实施，成功的公司可能是将人工智能视为精密工具而不是生硬的工具，将正确的模型与正确的任务相匹配并密切关注账单。
