LinkedIn 联合创始人 Hoffman 为“tokenmaxxing”概念背书：追踪 AI 消耗量能否衡量生产力？
Meta 内部“tokenmaxxing”仪表盘泄漏事件发生数日后， LinkedIn 联合创始人、知名风险投资人 Reid Hoffman 在 Semafor 世界经济峰会上公开发声，明确表态支持这一在硅谷引发热议的做法。
“tokenmaxxing”直译为“Token 最大化”，核心逻辑是：在企业内部控制台记录每位员工调用 AI 服务时消耗的 Token 数量，通过消耗量评估员工对 AI 工具的接纳程度。其中“maxxing”是 Gen Z 的网络用语，意为“将某事优化到极致”，与此前出现的“looksmaxxing （外表优化）”、“sleepmaxxing （睡眠优化）”属于同一造词惯例。
Hoffman 在峰会发言时并未使用这一网络俚语，但他明确表达了对追踪员工 token 消耗这一做法的认可。按照他的说法，企业应当鼓励各层级、各职能的员工积极接触并实验 AI 工具，而跟踪 token 使用量是观察这一过程的有效仪表盘指标。“这并不意味着它能完美反映生产力，但确实可以作为一个参考——看看人们在实际工作中究竟消耗了多少 token 。”
他同时指出，用量高并不直接等同于效率高。部分员工可能出于探索或随机尝试的目的消耗大量 Token ，企业在追踪数据的同时，也需要关注这些 Token 被用于完成什么类型的任务。 Hoffman 将这种实验性消耗视为学习闭环的一部分，他形容道：“部分尝试最终会失败，这很正常。关键在于这个循环本身，你需要让尽可能多的人在不同岗位上同时、广泛地使用 AI 。”
除却对 Token 追踪指标的支持， Hoffman 还分享了更系统的 AI 落地建议。他主张 AI 应当嵌入组织的全链条，而非仅限于特定部门或团队。在此基础上，他建议企业建立定期的交流机制，每周安排小组碰头会，分享个人与团队在 AI 应用方面的新尝试与收获。他描述了理想的状态：“每周可以组织一次小范围交流，不必所有人都参与，但应该有小团队坐下来聊聊，这周我们尝试用 AI 做了什么新事？无论是为了个人效率、团队协作还是公司层面的运作，有什么经验和发现？”按照他的预期，这类持续性的分享能够快速识别出真正产生价值的 AI 应用场景。
围绕 Token 用量指标有效性的争论尚未平息。部分 Tech 从业者指出，以 Token 消耗量排行衡量员工绩效存在明显漏洞。这与根据个人支出金额评判商业能力并无本质差异，并非真正衡量产出的指标。支持一方则认为，在 AI 早期渗透阶段，消耗量至少反映了员工的学习意愿与适应速度，是组织判断 AI 落地深度的重要参考。
Meta 此前悄然上线的内部 leaderboard 正是这一思路的极端实践：公司曾将各部门员工的 AI 使用量排名公示，试图以此激励内部竞争。然而消息流出后引发舆论争议， Meta 最终关闭了该功能。此次事件也让外界得以窥见头部科技公司在 AI 采纳评估方式上的内部探索。
创艺洞察
Reid Hoffman 为“tokenmaxxing”背书，本质上是在为一种过渡期的组织评估逻辑辩护：在一个工具价值尚未被充分验证、新技术采纳率参差不齐的阶段，用消耗量代替产出量作为智能体使用指标，是务实之举。这一逻辑的脆弱性在于，它默认“用”是“好”的前提，但当员工学会高效使用 AI 后， Token 消耗量反而可能下降。换言之，这一指标的黄金窗口极为有限。它测量的是学习曲线的起点，而非熟练阶段的成绩单。
更值得玩味的是 Hofffman 话语中暗含的组织哲学：他强调“wide variety of people using it collectively and simultaneously”，这与硅谷主流的“明星员工”叙事相悖，指向的是一种分散式的、集体的 AI 适应策略。在这一框架下，衡量成功的标准不是谁率先精通 AI ，而是组织整体何时形成足够广度的 AI 使用习惯。这或许是更接近企业 AI 落地真实路径的思路：它慢，但更稳。
