“以前催着用AI，现在嫌Token烧太多”，亚马逊给程序员「泼冷水」：别把Token消耗量当成绩

过去，程序员撰写代码的行数曾是衡量其工作量的重要标准。如今，随着AI编程工具的广泛应用，部分企业开始关注一个新指标：Token消耗量。

每天调用AI的次数、消耗的Token数量、生成的代码量——这些数据似乎正成为衡量程序员是否积极利用AI的新标尺。不过，亚马逊近日公开表示，反对这种趋势：不要过度追求Token消耗量，AI使用频繁并不等同于工作质量高。

最近，亚马逊发布了一份面向软件工程师的指导文件，明确指出，公司希望开发者更注重AI带来的实际价值，而不是为了追求使用数据而盲目消耗Token。

亚马逊工程管理层推动了此次调整。公司副总裁、杰出工程师Terk Terkowitz在官方文件中提到，来自各业务部门的杰出工程师和资深首席工程师等技术负责人，近期共同修订了软件开发工程师的岗位指导准则。

他们讨论的核心问题是：AI正深刻改变软件开发，那么优秀程序员的标准是否也要随之调整？亚马逊认为，答案是肯定的，但不能仅凭AI使用量来评价开发者。Terk Terkowitz表示：

“我们最高效的工程师已经证明，无论是开发者的角色定位，还是他们取得的成果，都不应通过AI使用情况来定义。”

他还提出了一个新概念：“文艺复兴式开发者”（Renaissance Developer），指的是能将AI工具、人类判断力和领域专业知识相结合，创造出全新产品的工程师。

需要明确的是：亚马逊并非反对员工使用AI。 相反，公司认为AI将成为未来软件工程的核心，并鼓励尚未使用AI的工程师尽快学习，将其融入日常工作——真正让亚马逊担忧的是另一种趋势：将使用AI本身视为工作成果。

过去，亚马逊的一些团队通过Token消耗量、AI工具采用率、代码变更数量、代码审查次数等指标，来评估AI对开发效率的影响。这些数据确实具有一定参考价值。亚马逊发现，积极拥抱AI的“前沿团队”（Frontier Teams），通常能实现更高的生产力和更佳的交付表现。

但问题在于，相关性并不等同于因果关系，更不能直接将这些数字转化为绩效目标。亚马逊在文件中警告：

“如果将这些指标当作目标，而非衡量工具，可能导致负面结果，包括成本上升和复杂性增加。”

例如，为了提高Token消耗量而频繁调用AI，会增加模型使用成本；如果一味追求生成更多代码，也可能让原本简单的系统变得复杂。这与亚马逊一贯强调的“节俭”（Frugality）和“创新与简化”（Invent and Simplify）原则相悖。

一位亚马逊发言人也向媒体证实，发布这份文件的目的之一，就是劝阻工程师盲目追求Token消耗量，即所谓的“Tokenmaxxing”。

实际上，亚马逊此前就遇到过类似问题：据《财富》杂志报道，亚马逊内部曾出现一个名为Kirorank的非正式AI使用排行榜。一些员工为了提升排名，会让AI Agent执行无实际意义的任务，以增加Token消耗量。亚马逊已于今年5月关闭了这一排行榜。

AI使用较少也不一定是坏事，但必须说明原因

不过，对于此次调整，亚马逊也强调：这并不意味着工程师可以不再学习AI。 官方文件明确要求：尚未使用AI的员工应尽快开始学习，已经使用AI的员工则需持续探索更优的工作方式。

对于公司管理者，亚马逊提出了一个具体要求：重点观察AI采用率在10%和90%附近的团队。

• 前者代表AI使用程度较低的群体，要了解他们为何没有有效采用AI；
• 后者则是AI使用程度较高的团队，要确认他们是否真正实现了与使用量相匹配的效率提升。

文件中还有一句话：“如果你当前的工作无法从现有AI工具中获益，这是一项发现，而不是一次失败。”亚马逊认为，工程师应记录AI无法提供帮助的具体原因，与同事和管理者分享，而不要为了使用AI而强行使用。

对于技术负责人，亚马逊的要求更加具体：不能仅听他人介绍AI，必须亲自在实际生产工作中使用过这些工具，能分别举出AI发挥作用和没有发挥作用的案例，并向团队解释原因。

此外，亚马逊还发现一个问题：随着公司规模扩大，一些工程师和管理者逐渐远离了客户和实际业务；而那些更了解产品、客户需求和业务目标的团队，往往更能发挥AI和智能体开发的优势。

因此，亚马逊希望工程师不仅会写代码、调用AI，还要清楚自己正在解决什么问题：“毕竟，AI可以帮助工程师编写代码、完成任务，但要判断哪些问题值得解决、哪些功能真正符合客户需求，还是需要工程师对产品和业务有深入理解。”

微软也对“烧Token”喊停：有人一个月花掉数千美元

经常关注这个圈子的读者可能知道，亚马逊并非首家对Tokenmaxxing提出质疑的科技巨头。

今年8月，微软执行副总裁Jay Parikh就曾向内部开发团队发出邮件，要求工程师更加理性地使用AI：“Tokenmaxxing不是我们追求的目标……我希望所有人都专注于创造能真正推动客户和业务发展的成果，让每个Token创造更大的价值。”

为此，微软立即调整了内部AI使用指导方针，将成本更低的GPT-5.6设为内部默认模型，并要求各部门更加严格地管理Token开支——据外媒报道，当时微软的一些工程师，每月仅Token消耗费用就达到数百甚至数千美元。

再往前看，今年6月，AWS CEO Matt Garman也表示，企业可根据具体任务选择成本合适的模型，而不是无论什么任务都调用最昂贵的AI。对于一些日常开发任务，能力“足够好”、价格更低的开放权重模型，可能比顶级闭源模型更划算。

从微软到亚马逊，两家科技巨头接连给“疯狂烧Token”的风气踩下刹车，多少有些耐人寻味。

毕竟，就在不久前，他们还在鼓励员工尽可能多地使用AI，生怕谁没跟上这波技术浪潮。如今，当Token账单越来越贵、AI生成的代码越来越多，管理层又开始追问：花出去的钱，究竟换来了多少实际成果？

对于程序员来说，这或许也是一个有些矛盾的处境：AI用得少，可能被认为跟不上时代；AI用得多，又可能被质疑是在浪费Token。 那么，你所在的公司是否也在统计员工的Token消耗量？你认为这能真正反映程序员的工作效率吗？