亚马逊 MeshClaw 和 Tokenmaxxing：当 AI 使用分数变成职场压力

MeshClaw 到底是什么

多篇报道将 MeshClaw 描述为亚马逊内部 AI 产品，员工可以用它创建 AI 代理。这些代理能够连接工作软件，并替用户完成或执行任务。

这意味着 MeshClaw 不只是一个聊天机器人。它的价值不只在于生成文字，而在于能跨工作工具“动手做事”。也正因为如此，它带来的管理问题更复杂：当 AI 可以在办公软件里执行操作，管理层很容易想要衡量它的活动量；但一旦衡量指标变成目标，风险也随之出现。

员工据称在做什么

报道中的行为并不复杂：一些亚马逊员工据称在不太需要 AI 的工作上使用 MeshClaw 或相关内部 AI 工具，包括例行、琐碎或非必要任务。Retail Gazette 转述《金融时报》称，有员工表示同事使用 MeshClaw 制造不必要的 AI 活动，以增加 Token 消耗。Times Now 也报道称，员工即使不需要也会使用机器人，部分原因是想向管理者展示更高的 AI 活动。

换句话说，问题不只是“员工有没有采用 AI”。更关键的是：有些人据称不是因为 AI 能解决更难的问题才使用 AI，而是因为“使用 AI”本身变得可见、可比较、甚至可能被解读为态度。

为什么 Token 指标会诱发 Tokenmaxxing

Token 是 AI 模型处理数据的单位；在亚马逊相关报道中，Token 消耗被描述为模型处理的数据量。一篇解释文章引用 OpenAI 的粗略估算称，1 个 Token 大约对应 4 个字符，但实际切分方式会因模型和语言而异。

问题在于：Token 很容易统计，生产力却很难统计。这个落差，正是 Tokenmaxxing 出现的空间。

一篇转述《金融时报》的报道称，亚马逊曾设定目标，希望超过 80% 的开发者每周使用 AI，并通过显示 Token 消耗的排行榜追踪使用情况。另有报道称，在亚马逊设定目标并开始衡量员工使用该技术的程度后，员工感到展示高 AI 使用率的压力很大。亚马逊据称表示，这些 Token 统计不会用于绩效评分；但员工担心，管理者仍可能看到并重视这些数字。

这就是典型的指标博弈。只要 Token 数量变成可见分数，员工就可以通过更频繁地调用 AI 来提高分数，即便具体工作并不需要它。Computing UK 将 Tokenmaxxing 描述为尽可能消耗 AI Token 以证明自己在使用 AI，并警告称，把 Token 消耗当作生产力替代指标，可能落入 Goodhart’s Law 的陷阱：当一个指标变成目标，它就不再是好指标。

为什么 Meta 是有用的参照

亚马逊的报道并非孤例。它与此前关于 Meta 等公司 Token 排行榜的报道相呼应：员工会把 AI Token 使用量当成自己是 AI 高阶用户的信号。

在 Meta，有报道称一名工程师创建了内部 Token 排行榜，按 Token 使用量给员工排名，并设置了 Session Immortal、Token Legend 等身份标签。另有文章称，Meta 曾出现名为 Claudeonomics 的排行榜，按员工处理和生成的 Token 数进行排名。Gizmodo 转述《纽约时报》专栏称，包括 Meta 和 OpenAI 在内的公司员工会在内部排行榜上竞争 Token 消耗量；在 Meta 和 Shopify，AI 使用量还被描述为进入评估体系的指标之一。

这里真正重要的并不是每家公司是否使用了完全相同的系统，而是同一种激励机制可能在不同组织里反复出现：一旦原始 AI 使用量成为身份标识或管理信号，员工就可能优化使用量，而不是优化实际成果。

亚马逊面临的几个核心担忧

1. 生产力指标可能奖励“忙碌”，而不是价值

Token 消耗只能说明模型被使用过。它不能证明输出是正确的，也不能证明任务本身重要，更不能直接说明员工节省了有意义的时间。多篇报道和解释文章都提醒，基于 Token 的指标可能奖励数量而非价值，并扭曲绩效判断。

2. 不必要的 AI 活动会带来可避免的成本

如果员工为了提高 Token 数而制造不必要的 AI 活动，公司就可能为几乎不产生业务价值的模型调用付费。Retail Gazette 报道称，有员工据称通过不必要活动提高 Token 消耗。关于 Tokenmaxxing 的更广泛讨论也警告称，当 Token 使用量变成目标，浪费性的模型调用和膨胀的云成本都可能出现。

3. 即便不写进绩效，压力也可能存在

亚马逊据称表示，AI Token 统计不会用于绩效评估。但如果员工相信管理者能够看到使用面板，或者会把低使用量解读为不支持 AI 转型，激励问题就不会自动消失。报道中的担忧更偏向一种非正式信号：高 Token 使用量看起来像积极拥抱变化，低使用量则可能被视为落后。

4. AI 代理带来治理与安全问题

现有来源没有记录具体的 MeshClaw 安全事故。这里的风险更多是结构性的：MeshClaw 据称可以让 AI 代理连接工作软件，并代表用户执行任务。任何具备这种能力的系统，都需要回答权限边界、人工复核、审计日志和责任归属等问题：如果代理执行了错误操作，谁来发现、谁来负责、谁有权撤销？另有关于 AI 代理的报道指出，随着 AI 代理自主执行任务，支撑它们的计算基础设施和安全系统也会承受新的压力。

更好的 AI 采用指标应该问什么

Token 数据本身并非没有价值。它可以帮助企业做成本可视化、容量规划、内部计费和监控。真正的问题，是把 Token 消耗从后台遥测数据变成生产力或工作态度的排行榜。一篇关于这场争论的总结指出，Token 指标有助于成本分摊和成本控制，但也可能制造与产品结果不一致的社会激励。

更健康的 AI 衡量方式，应把 Token 消耗当作背景信号，而不是最终目标。更值得问的问题包括：

• AI 是否缩短了重要流程的周期？
• 经过人工审核后，输出质量是否提高？
• 缺陷率、返工率或客服升级是否下降？
• 每个被采纳结果的成本是多少？
• 安全、隐私和合规风险是否被控制？
• 员工使用 AI，是因为它真的有帮助，还是因为觉得自己被盯着？

结论

MeshClaw 的报道给企业管理 AI 转型提了个醒：问“你用了多少 AI”，远不如问“AI 改善了什么”。当排行榜和目标奖励 Token 消耗时，员工自然会找到消耗 Token 的办法。这样或许能让仪表盘更好看，却未必能让工作真正变好。