Reid Hoffman 谈“tokenmaxxing”之争：追踪AI代币使用是衡量采用率的有效指标，但需结合上下文
在 Meta 关闭其内部 tokenmaxxing 仪表板后，LinkedIn 联合创始人兼风险投资家 Reid Hoffman 公开支持这一在硅谷掀起热潮的概念。AI 代币是 AI 模型处理提示和生成响应时处理的小块数据，也是衡量 AI 使用量和确定服务成本的单位。许多公司开始内部追踪哪些员工使用最多代币，以此作为理解哪些员工更积极拥抱 AI 工具的代表指标。这个概念被称为 tokenmaxxing，其中“maxxing”是 Gen Z 俚语，意为优化某事，类似于“looksmaxxing”或“sleepmaxxing”。
然而，科技公司的工程师们一直在争论这一指标是否可作为工作场所生产力的可行衡量标准，因为它类似于根据谁花钱更多来排名。Hoffman 在本周 Semafor 世界经济峰会的采访中，为采用 AI 的公司提供了建议，表示他对此做法持积极看法。尽管他没有使用 Gen Z 俚语来指代这一指标，但他确实表示追踪员工代币使用量是个好主意。
Hoffman 在活动中说：“你应该让所有不同职能的人真正参与和实验 [AI]。这里有一个好的仪表板可以查看——并不意味着它是生产力的完美例子，但人们在这样做时实际使用了多少代币？”他进一步解释，有些人可能使用大量代币，但以更随机或探索性的方式，这就是为什么你需要将追踪 tokenmaxxing 实践与理解人们使用代币做什么结合起来。
Hoffman 补充道：“其中一些实验会失败——这没关系。但正是在这个循环中，你希望各种各样的人基本上集体、同时使用它。”他还分享了其他建议给试图制定 AI 策略的公司，建议 AI 应嵌入整个组织，并建议定期检查以分享有效经验。
AI 代币与 tokenmaxxing 的兴起
AI 代币作为衡量 AI 使用的基本单位，正成为企业评估 AI 采用率的关键指标。随着 AI 服务成本的增加，公司自然关注代币消耗，以优化资源分配和推动创新。tokenmaxxing 概念的流行反映了硅谷对量化 AI 影响的渴望，但这也引发了关于其作为生产力指标的争议。
Hoffman 的观点：平衡追踪与上下文
Hoffman 强调，追踪代币使用量是评估 AI 采用率的有效起点，但不应孤立看待。他建议公司结合上下文分析代币使用模式，区分实验性探索和实际应用。这种平衡方法有助于避免将代币使用量误读为直接生产力指标，从而更全面地理解 AI 在组织中的价值。
行业背景与未来展望
在 AI 快速发展的背景下，企业正寻求有效策略来整合 AI 技术。Hoffman 的建议突出了实验和协作的重要性，鼓励广泛参与和知识共享。随着更多公司采用类似 tokenmaxxing 的指标，行业可能需要开发更精细的评估框架，以准确衡量 AI 的实际影响和投资回报。
总之，tokenmaxxing 作为新兴概念，提供了洞察 AI 采用率的窗口，但需谨慎应用以避免误导。Hoffman 的见解提醒我们，在追求量化指标的同时，不应忽视创新过程中的探索和失败的价值。
