亚马逊这份新版指引传递的重点并不是“别用AI”，而是别把“用了多少AI”直接等同于“工作做得有多好”。指引由亚马逊工程领导层修订，9月先在内部传阅，10月27日对外发布；相关报道将其与副总裁兼杰出工程师 Terk Terkowitz 联系起来。515

为什么这些数字不适合单独当绩效目标？

Token用量、AI工具采用率，以及代码改动或评审数量，记录的主要是投入和活动，并不能直接说明软件质量、客户体验或业务价值。亚马逊在指引中称，这类指标与真正重要的结果脱节；如果把它们当成目标而非参考信号，就可能引导团队追数字，而不是解决问题。45

这并不意味着这些数据毫无用途，而是不能只凭它们判断团队表现。报道提到，相关指标应谨慎看待，并结合其他信息评估。711

“刷Token”可能带来什么问题？

“刷Token”（tokenmaxxing）指的是为了提高AI使用数据而大量调用工具，却没有充分考虑结果是否有用。若排行榜或目标奖励的是用量，员工就可能为了数字而做额外、并无必要的AI操作；这既不等于产出更好，也可能带来额外成本和复杂度。279

亚马逊云服务的相关报道也指出，Token消耗会影响生成式AI服务成本。因此，增加调用量并非没有代价；用AI是否划算，仍要看它有没有帮助完成有价值的工作。7

亚马逊仍希望员工采用AI，矛盾吗？

不一定。现有材料显示，亚马逊一方面推动AI在工程工作中的应用，另一方面提醒管理者不要把采用率本身当作成绩。报道称，管理者会关注AI采用率较高和较低的团队；较合理的理解是，这类数据可以用来了解哪里有效、哪里需要支持，而不应自动变成绩效排名。414

指引的核心，是按具体任务判断AI是否有帮助，并关注长期客户与业务结果。AI用得更多，不足以证明产出更好；反过来，某项工作没有从现有AI工具中受益，也不应仅凭使用量就判定工作做得不好。135

排行榜的教训，以及仍待核实的细节

报道提到，亚马逊在5月撤下过一个内部AI使用排行榜；相关材料称，员工曾追逐Token数量，甚至有人被报道利用不必要的任务提高数字。这类情况说明，一旦指标被当成奖励目标，就可能鼓励“看起来很忙”，却无法证明工程产出有所改善。913

不过，现有来源不足以确认提问中提到的“功能交付速度”具体表述、工程师记录并分享AI未奏效案例的要求、领导者在生产工作中使用AI的具体规定，或按采用率划分团队的确切前10%和后10%门槛。所给材料也没有充分说明其他公司设置Token上限或转向更便宜开源模型的情况，因此不宜据此作横向比较。

可以确定的结论更简洁：亚马逊希望工程师拥抱AI，但不把消耗量当成果。衡量AI的价值，最终要回到它是否真正改善了工程工作和业务结果。5611

亚马逊这份新版指引传递的重点并不是“别用AI”，而是别把“用了多少AI”直接等同于“工作做得有多好”。指引由亚马逊工程领导层修订，9月先在内部传阅，10月27日对外发布；相关报道将其与副总裁兼杰出工程师 Terk Terkowitz 联系起来。515

为什么这些数字不适合单独当绩效目标？

Token用量、AI工具采用率，以及代码改动或评审数量，记录的主要是投入和活动，并不能直接说明软件质量、客户体验或业务价值。亚马逊在指引中称，这类指标与真正重要的结果脱节；如果把它们当成目标而非参考信号，就可能引导团队追数字，而不是解决问题。45

这并不意味着这些数据毫无用途，而是不能只凭它们判断团队表现。报道提到，相关指标应谨慎看待，并结合其他信息评估。711

“刷Token”可能带来什么问题？

“刷Token”（tokenmaxxing）指的是为了提高AI使用数据而大量调用工具，却没有充分考虑结果是否有用。若排行榜或目标奖励的是用量，员工就可能为了数字而做额外、并无必要的AI操作；这既不等于产出更好，也可能带来额外成本和复杂度。279

亚马逊云服务的相关报道也指出，Token消耗会影响生成式AI服务成本。因此，增加调用量并非没有代价；用AI是否划算，仍要看它有没有帮助完成有价值的工作。7

亚马逊仍希望员工采用AI，矛盾吗？

不一定。现有材料显示，亚马逊一方面推动AI在工程工作中的应用，另一方面提醒管理者不要把采用率本身当作成绩。报道称，管理者会关注AI采用率较高和较低的团队；较合理的理解是，这类数据可以用来了解哪里有效、哪里需要支持，而不应自动变成绩效排名。414

指引的核心，是按具体任务判断AI是否有帮助，并关注长期客户与业务结果。AI用得更多，不足以证明产出更好；反过来，某项工作没有从现有AI工具中受益，也不应仅凭使用量就判定工作做得不好。135

排行榜的教训，以及仍待核实的细节

报道提到，亚马逊在5月撤下过一个内部AI使用排行榜；相关材料称，员工曾追逐Token数量，甚至有人被报道利用不必要的任务提高数字。这类情况说明，一旦指标被当成奖励目标，就可能鼓励“看起来很忙”，却无法证明工程产出有所改善。913

不过，现有来源不足以确认提问中提到的“功能交付速度”具体表述、工程师记录并分享AI未奏效案例的要求、领导者在生产工作中使用AI的具体规定，或按采用率划分团队的确切前10%和后10%门槛。所给材料也没有充分说明其他公司设置Token上限或转向更便宜开源模型的情况，因此不宜据此作横向比较。

可以确定的结论更简洁：亚马逊希望工程师拥抱AI，但不把消耗量当成果。衡量AI的价值，最终要回到它是否真正改善了工程工作和业务结果。5611