Meta 據報調整 AI 績效政策，背後其實是很典型的管理問題：用得多，不代表做得好。

2026 年初，多家科技公司曾把 AI 使用情況變成職場上看得見的指標。Meta 員工據報面臨與 AI 使用量及「AI Native」身分有關的要求，內部的 token 使用排行榜更讓模型消耗演變成競賽。於是出現了「tokenmaxxing」：為提高排名或自身評價，盡可能增加 AI token 的用量。237

如今，Meta 據報已把 AI 使用量與「AI Native」狀態移出績效評估準則。新方向是評量員工的貢獻與成果，不論成果是否藉助 AI 達成。79

為什麼 token 數不適合當績效指標？

Token 是 AI 模型讀取或生成文字時所處理的基本單位。它可用於衡量系統需求與成本，卻很難用來衡量員工表現。

員工可以寫更多提示詞、執行更長的任務，或把模型用在低價值工作上，卻未必改善成果的品質、可靠性、交付速度或商業價值。一旦使用量與認可或考核掛鉤，指標本身就會變成追逐目標。業界報導指出，有人會刻意拉高 AI 使用量以操弄排名，而企業的推論成本也快速增加。11116

這正是 tokenmaxxing 的根本問題：它最佳化的是生產力的替代指標，而不是真正的生產力。

Meta 據報曾在成本「指數性增加」後告知員工將限制 AI 使用；報導也指 Meta 與 Amazon 已撤下 token 使用排行榜。12 這不代表 AI 在工作上沒有價值，而是單憑原始消耗量無法證明其價值。

新的考核方式：從「用了多少」回到「交付了什麼」

據報導，Meta 的新指引不再把 AI 使用量列入考核，並要求管理者不要以 token 總數或 AI 採用儀表板判斷影響力。79

實務上，這等於把績效問題從「這個人用了多少 AI？」改成「這個人完成了什麼？」

以貢獻為核心的評估，可聚焦於：

• 交付成果的品質與正確性；
• 系統或流程的可靠性與可維護性；
• 對客戶或內部團隊的可用性與影響範圍；
• 業務或營運上的實質效果；
• 判斷何時該用 AI、何時不該用的專業判斷。

新措辭的關鍵在於：同樣的成果，無論由 AI 協助或以其他方式完成，都應獲得同等認可。79 AI 仍是工具，但不再被當成計分板。

為何 Meta 仍要員工測試 Hatch？

改變考核政策，並不必然等於 Meta 在 AI 導入上退縮。Meta 據報仍鼓勵員工測試 Hatch——一個更具自主性的 AI 代理人專案。7

這兩件事並不矛盾。能跨網站與應用程式執行操作的代理人，和只產生文字回覆的聊天機器人，是截然不同的產品。內部測試可在更廣泛推出前，檢驗代理人是否能準確完成任務、妥善處理權限，以及提供值得信任的使用體驗。

對 Hatch 這類產品，有意義的證據不是測試者用了多少 token，而是代理人能否在保有適當使用者控制的前提下，穩定完成有價值的任務，且不造成錯誤、資安風險或高昂的人工監督成本。

對職場 AI 的更大啟示

Meta 的轉向，反映整個業界正在面對同一個問題：最初鼓勵員工大量使用 AI 的企業，現在必須回答一個更難的問題——這些支出是否帶來可量化的成效？報導顯示，AI 成本持續上升，生產力卻未必同步增加，促使部分雇主改採用量上限、預算控管或更精準的部署方式。11011

對企業而言，較合理的做法是把 AI 導入視為以成果驗證的實驗：

1. 先定義哪些工作預期會改善。
2. 衡量品質、節省時間、可靠性與成本，而不只是工具活動量。
3. 對決策與最終產出保留人類責任。
4. 以合適的非 AI 基準，比較 AI 輔助工作的成果。
5. 移除鼓勵不必要模型使用的獎勵機制。

AI 使用資料仍有營運價值，特別是在容量規劃與成本控管上；但它不能取代對員工貢獻的評估。Meta 據報的政策調整，正是承認這個差異：該獎勵的是工作影響力，而不是為了完成工作所消耗的 AI token 數量。79

Meta 據報調整 AI 績效政策，背後其實是很典型的管理問題：用得多，不代表做得好。

2026 年初，多家科技公司曾把 AI 使用情況變成職場上看得見的指標。Meta 員工據報面臨與 AI 使用量及「AI Native」身分有關的要求，內部的 token 使用排行榜更讓模型消耗演變成競賽。於是出現了「tokenmaxxing」：為提高排名或自身評價，盡可能增加 AI token 的用量。237

如今，Meta 據報已把 AI 使用量與「AI Native」狀態移出績效評估準則。新方向是評量員工的貢獻與成果，不論成果是否藉助 AI 達成。79

為什麼 token 數不適合當績效指標？

Token 是 AI 模型讀取或生成文字時所處理的基本單位。它可用於衡量系統需求與成本，卻很難用來衡量員工表現。

員工可以寫更多提示詞、執行更長的任務，或把模型用在低價值工作上，卻未必改善成果的品質、可靠性、交付速度或商業價值。一旦使用量與認可或考核掛鉤，指標本身就會變成追逐目標。業界報導指出，有人會刻意拉高 AI 使用量以操弄排名，而企業的推論成本也快速增加。11116

這正是 tokenmaxxing 的根本問題：它最佳化的是生產力的替代指標，而不是真正的生產力。

Meta 據報曾在成本「指數性增加」後告知員工將限制 AI 使用；報導也指 Meta 與 Amazon 已撤下 token 使用排行榜。12 這不代表 AI 在工作上沒有價值，而是單憑原始消耗量無法證明其價值。

新的考核方式：從「用了多少」回到「交付了什麼」

據報導，Meta 的新指引不再把 AI 使用量列入考核，並要求管理者不要以 token 總數或 AI 採用儀表板判斷影響力。79

實務上，這等於把績效問題從「這個人用了多少 AI？」改成「這個人完成了什麼？」

以貢獻為核心的評估，可聚焦於：

• 交付成果的品質與正確性；
• 系統或流程的可靠性與可維護性；
• 對客戶或內部團隊的可用性與影響範圍；
• 業務或營運上的實質效果；
• 判斷何時該用 AI、何時不該用的專業判斷。

新措辭的關鍵在於：同樣的成果，無論由 AI 協助或以其他方式完成，都應獲得同等認可。79 AI 仍是工具，但不再被當成計分板。

為何 Meta 仍要員工測試 Hatch？

改變考核政策，並不必然等於 Meta 在 AI 導入上退縮。Meta 據報仍鼓勵員工測試 Hatch——一個更具自主性的 AI 代理人專案。7

這兩件事並不矛盾。能跨網站與應用程式執行操作的代理人，和只產生文字回覆的聊天機器人，是截然不同的產品。內部測試可在更廣泛推出前，檢驗代理人是否能準確完成任務、妥善處理權限，以及提供值得信任的使用體驗。

對 Hatch 這類產品，有意義的證據不是測試者用了多少 token，而是代理人能否在保有適當使用者控制的前提下，穩定完成有價值的任務，且不造成錯誤、資安風險或高昂的人工監督成本。

對職場 AI 的更大啟示

Meta 的轉向，反映整個業界正在面對同一個問題：最初鼓勵員工大量使用 AI 的企業，現在必須回答一個更難的問題——這些支出是否帶來可量化的成效？報導顯示，AI 成本持續上升，生產力卻未必同步增加，促使部分雇主改採用量上限、預算控管或更精準的部署方式。11011

對企業而言，較合理的做法是把 AI 導入視為以成果驗證的實驗：

1. 先定義哪些工作預期會改善。
2. 衡量品質、節省時間、可靠性與成本，而不只是工具活動量。
3. 對決策與最終產出保留人類責任。
4. 以合適的非 AI 基準，比較 AI 輔助工作的成果。
5. 移除鼓勵不必要模型使用的獎勵機制。

AI 使用資料仍有營運價值，特別是在容量規劃與成本控管上；但它不能取代對員工貢獻的評估。Meta 據報的政策調整，正是承認這個差異：該獎勵的是工作影響力，而不是為了完成工作所消耗的 AI token 數量。79