Meta据报调整AI相关绩效政策，核心原因其实很直接：AI用得多，并不等于工作做得好。

2026年初，多家科技公司把AI使用情况变成了显眼的职场指标。Meta员工据报曾面临与AI使用量及“AI Native”身份有关的表述，内部Token使用排行榜也把模型调用变成了一场竞赛。由此出现了“Tokenmaxxing”——为了提高个人排名或表现评价，尽可能多地消耗AI Token。 237

如今，Meta据报已从绩效评估标准中移除AI使用量和“AI Native”身份。新的方向是，不论工作借助AI还是通过其他方式完成，都应按员工的贡献和实际结果来评价。 79

为什么Token数量不适合当绩效指标

Token是AI模型读写和处理文本时使用的基本单位。它可以帮助企业观察系统负载和成本，却很难直接衡量一名员工的工作表现。

员工可以写更多提示词、运行更长的任务，或让模型处理价值不高的工作；但这未必改善产出的质量、准确性、交付速度、系统可靠性或商业价值。当使用量与认可和考核挂钩时，指标本身就容易反客为主。行业报道显示，一些员工会通过增加AI使用量来“刷”排行榜，同时企业的推理成本快速攀升。 11116

这正是Tokenmaxxing的症结：它优化的是生产力的替代指标，而不是生产力本身。

Meta据报曾在发现成本“指数级增长”后告知员工将限制AI使用；报道也称，Meta和亚马逊都撤下了Token使用排行榜。 12 这并不意味着AI没有职场价值，而是说明仅凭原始使用量，无法证明AI创造了价值。

新的考核：从“用了多少”回到“做成了什么”

据报道，Meta的新绩效指引取消了AI使用量的考核，并要求管理者不要用Token总量或AI采用仪表盘来判断员工影响力。 79

换句话说，评估问题应从“这个人用了多少AI”，转为“这个人交付了什么成果”。

以贡献为中心的评估，可以更关注：

• 交付物的质量与正确性；
• 系统或流程的可靠性、可维护性；
• 对客户或内部团队的覆盖范围和实际效用；
• 业务或运营层面的影响；
• 判断何时适合用AI、何时不适合用AI的能力。

报道中的新措辞尤其关键：同样的成果，无论由AI辅助完成还是采用其他方式完成，都应获得认可。 79 AI仍然是可用的工具，但不应再成为绩效计分板。

为何Meta仍在测试Hatch

调整考核政策，并不等于Meta放弃推动AI采用。报道称，Meta仍在鼓励员工测试Hatch——一个更具自主性的AI智能体项目。 7

这两件事并不矛盾。与只生成文本的聊天机器人相比，能够在网站和应用中执行操作的智能体，产品风险和价值判断都更复杂。内部测试有助于Meta在更广泛发布前，检验其是否能准确完成任务、是否能妥善处理权限，以及用户体验是否值得信赖。

对Hatch这类产品，真正有意义的证据不是测试者消耗了多少Token，而是它能否在用户保持适当控制的前提下，可靠完成有价值的任务，同时避免错误、安全问题和高昂的人工监督成本。

给职场AI的一课：别把工具活跃度当成果

Meta据报的转向，也契合科技行业更广泛的变化：企业在最初鼓励员工尽可能多用AI后，开始面对更难回答的问题——这笔投入是否真的带来了可衡量的收益？多家报道提到，AI成本上升却未伴随相称的生产率增长，促使一些雇主改用额度限制、预算管理或更有选择性的部署方式。 11011

对企业而言，更合理的做法是将AI采用视为一项与结果绑定的实验：

1. 明确哪项工作应当得到改善；
2. 衡量质量、节省的时间、可靠性和成本，而非只看工具活动量；
3. 保留人类对决策和产出的责任；
4. 用适当的非AI基线比较AI辅助工作的效果；
5. 停止奖励不必要的模型调用。

AI使用数据依然有运营价值，例如容量规划和成本控制。但它无法替代对员工贡献的判断。Meta据报的政策变化，划清了这一界限：应奖励工作的影响，而不是为完成工作消耗了多少AI Token。 79

Meta据报调整AI相关绩效政策，核心原因其实很直接：AI用得多，并不等于工作做得好。

2026年初，多家科技公司把AI使用情况变成了显眼的职场指标。Meta员工据报曾面临与AI使用量及“AI Native”身份有关的表述，内部Token使用排行榜也把模型调用变成了一场竞赛。由此出现了“Tokenmaxxing”——为了提高个人排名或表现评价，尽可能多地消耗AI Token。 237

如今，Meta据报已从绩效评估标准中移除AI使用量和“AI Native”身份。新的方向是，不论工作借助AI还是通过其他方式完成，都应按员工的贡献和实际结果来评价。 79

为什么Token数量不适合当绩效指标

Token是AI模型读写和处理文本时使用的基本单位。它可以帮助企业观察系统负载和成本，却很难直接衡量一名员工的工作表现。

员工可以写更多提示词、运行更长的任务，或让模型处理价值不高的工作；但这未必改善产出的质量、准确性、交付速度、系统可靠性或商业价值。当使用量与认可和考核挂钩时，指标本身就容易反客为主。行业报道显示，一些员工会通过增加AI使用量来“刷”排行榜，同时企业的推理成本快速攀升。 11116

这正是Tokenmaxxing的症结：它优化的是生产力的替代指标，而不是生产力本身。

Meta据报曾在发现成本“指数级增长”后告知员工将限制AI使用；报道也称，Meta和亚马逊都撤下了Token使用排行榜。 12 这并不意味着AI没有职场价值，而是说明仅凭原始使用量，无法证明AI创造了价值。

新的考核：从“用了多少”回到“做成了什么”

据报道，Meta的新绩效指引取消了AI使用量的考核，并要求管理者不要用Token总量或AI采用仪表盘来判断员工影响力。 79

换句话说，评估问题应从“这个人用了多少AI”，转为“这个人交付了什么成果”。

以贡献为中心的评估，可以更关注：

• 交付物的质量与正确性；
• 系统或流程的可靠性、可维护性；
• 对客户或内部团队的覆盖范围和实际效用；
• 业务或运营层面的影响；
• 判断何时适合用AI、何时不适合用AI的能力。

报道中的新措辞尤其关键：同样的成果，无论由AI辅助完成还是采用其他方式完成，都应获得认可。 79 AI仍然是可用的工具，但不应再成为绩效计分板。

为何Meta仍在测试Hatch

调整考核政策，并不等于Meta放弃推动AI采用。报道称，Meta仍在鼓励员工测试Hatch——一个更具自主性的AI智能体项目。 7

这两件事并不矛盾。与只生成文本的聊天机器人相比，能够在网站和应用中执行操作的智能体，产品风险和价值判断都更复杂。内部测试有助于Meta在更广泛发布前，检验其是否能准确完成任务、是否能妥善处理权限，以及用户体验是否值得信赖。

对Hatch这类产品，真正有意义的证据不是测试者消耗了多少Token，而是它能否在用户保持适当控制的前提下，可靠完成有价值的任务，同时避免错误、安全问题和高昂的人工监督成本。

给职场AI的一课：别把工具活跃度当成果

Meta据报的转向，也契合科技行业更广泛的变化：企业在最初鼓励员工尽可能多用AI后，开始面对更难回答的问题——这笔投入是否真的带来了可衡量的收益？多家报道提到，AI成本上升却未伴随相称的生产率增长，促使一些雇主改用额度限制、预算管理或更有选择性的部署方式。 11011

对企业而言，更合理的做法是将AI采用视为一项与结果绑定的实验：

1. 明确哪项工作应当得到改善；
2. 衡量质量、节省的时间、可靠性和成本，而非只看工具活动量；
3. 保留人类对决策和产出的责任；
4. 用适当的非AI基线比较AI辅助工作的效果；
5. 停止奖励不必要的模型调用。

AI使用数据依然有运营价值，例如容量规划和成本控制。但它无法替代对员工贡献的判断。Meta据报的政策变化，划清了这一界限：应奖励工作的影响，而不是为完成工作消耗了多少AI Token。 79