过去衡量程序员工作量，看的是写了多少行代码；AI时代一来，不少公司盯上新数字：Token消耗量。每天调用多少次AI、烧掉多少Token、生成多少代码，仿佛数字越高就越"拥抱AI"。

但亚马逊最近站出来泼了一盆冷水：AI用得多，不等于活干得好。

亚马逊官方表态：看成果，别看工具用得多猛

这次调整来自亚马逊工程管理层。副总裁兼杰出工程师 Terk Terkowitz 在官方文件中透露，公司各业务部门的杰出工程师、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（SDE）的岗位指导准则。

核心议题很直接：AI正在重塑软件开发，优秀程序员的标准要不要变？亚马逊的答案是要变，但不能简单粗暴地用AI使用量来定义开发者。

Terk Terkowitz 的原话是：

"我们最高产的工程师已经证明，无论是开发者的角色定位，还是他们创造的成果，都不应该由AI的使用情况来定义。"

他还提出了一个新概念——"文艺复兴式开发者"（Renaissance Developer）：能把AI工具、人类判断力和领域专业知识结合起来，创造全新产品的工程师。说白了，AI是武器，脑子还是得自己长。

亚马逊不反AI，反的是"为用而用"

需要澄清的是，亚马逊并不反对员工用AI。相反，公司认为AI会成为未来软件工程的核心，还要求没用上AI的工程师赶紧学、赶紧融入日常工作。

真正让亚马逊警惕的是另一种趋势：把"使用AI"本身当成了工作成果。

此前，亚马逊一些团队会通过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，观察AI对开发效率的影响。这些数据确实有参考价值——积极拥抱AI的"前沿团队"（Frontier Teams），通常生产力和交付表现都更好。

但相关性不等于因果关系，更不能把观测指标直接变成绩效考核。文件警告称：

"如果把这些指标当成目标，而不是衡量工具，就可能导致负面结果，包括成本上升和复杂性增加。"

举个很现实的例子：为了刷Token消耗量而频繁调用AI，模型使用成本直线上升；为了让AI多生成代码而硬写，原本简单的系统反而变得臃肿复杂。这直接违背了亚马逊一贯强调的**"节俭"（Frugality）和"创新与简化"（Invent and Simplify）**原则。

亚马逊发言人也向媒体确认，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，也就是所谓的**"Tokenmaxxing"**。

这并非空穴来风。据《财富》杂志报道，亚马逊内部曾有一个叫 Kirorank 的非正式AI使用排行榜，部分员工为了冲排名，让AI Agent去执行毫无实际意义的任务来刷Token量。亚马逊已于今年5月关闭了这个排行榜。

【编辑观察】从"排行榜激励"到"官方喊停"，本质上是任何新技术落地都会经历的弯路：先用起来 → 盲目堆量 → 回归ROI。Token只是资源，不是战功。

AI用得少不一定是坏事，但得说清原因

此次调整并不意味着工程师可以躺平不学AI。文件明确要求：还没用的尽快开始，已经用的持续探索更好的方式。

针对管理者，亚马逊还给出了一个相当具体的观察方向——重点关注AI采用率在10%和90%附近的团队：

  • 10%低采用群体：搞清楚他们为什么没能有效用上AI，是工具不合适、任务不匹配，还是能力有短板；
  • 90%高采用群体：确认他们是否真的获得了与使用量相匹配的效率提升，而不是账单很好看、产出没动静。

文件里还有一句话值得细品：

"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。"

意思是，工程师应该记录AI帮不上忙的具体原因并分享，而不是为了显得"跟得上"而硬用。对技术负责人的要求更实在：不能光听别人讲AI，必须亲自在实际生产环境中用过，能分别举出AI有效和无效的案例，并向团队解释原因。

此外，亚马逊还发现一个容易被忽视的问题：公司规模大了，一些工程师和管理者离客户和实际业务越来越远；而真正懂产品、懂客户需求、懂业务目标的团队，往往更能把AI和智能体开发的优势发挥出来。

AI可以帮你写代码、跑任务，但哪些问题值得解决、哪些功能真正贴合客户需求，终究需要人对业务有深入理解。

微软也踩了刹车：有人一个月烧数千美元

亚马逊并不是第一家对Tokenmaxxing说不的巨头。

今年8月，微软执行副总裁 Jay Parikh 就向内部开发团队发邮件，要求理性使用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。"

微软随即调整内部AI使用指导方针，把成本更低的 GPT-5.6 设为内部默认模型，并要求各部门严格管控Token开支。据外媒报道，当时部分工程师每月光Token消耗费用就高达数百甚至数千美元。

再往前的今年6月，AWS CEO Matt Garman 也表态：企业应根据具体任务选择成本合适的模型，而不是什么任务都调用最贵的AI。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划算得多。

从"催着用"到"算账"，巨头态度变了

从微软到亚马逊，两家科技巨头接连给"疯狂烧Token"踩刹车，信号很值得琢磨。

就在不久前，他们还在鼓励员工尽可能多用AI，生怕掉队；如今Token账单越来越贵、AI生成代码越来越多，管理层开始追问一个朴素的问题：花出去的钱，究竟换来了多少实际成果？

程序员的处境也因此有点微妙：AI用得少，怕被说跟不上时代；用得多，又可能被质疑浪费Token。

说到底，Token消耗量从来都只是一个过程指标，而不是价值本身。工具再炫，能解决问题才算数。

那么问题来了——你的公司在统计Token消耗量吗？你觉得这玩意儿能反映真实效率吗？