Tokenmaxxing 已死，Valuemaxxing 万岁

从盲目最大化 Token 消耗转向以业务价值为核心的 AI 采用策略

过去一年，随着 Agentic AI 在开发工作流中的广泛应用，许多组织推行“Tokenmaxxing”（Token 最大化）策略，鼓励开发者尽可能多地使用 AI，甚至通过使用排行榜来推动，却缺乏明确的成功指标、防护栏和成本控制。这种做法在实验阶段有其合理性，但很快暴露问题：Agentic 工作流会产生大量 Token 消耗，却未必带来相应的业务价值。

面对成本激增，部分组织转向“Token 最小化”，通过限制模型、缩小上下文窗口和精简 Prompt 来控制开支。然而，这种做法同样落入陷阱——单纯关注 Token 数量忽略了业务成果。过度压缩有效信息会导致更多重试、工具调用和人工返工，成本只是转移而非真正降低。

核心建议：转向 Valuemaxxing

文章提出应采用 Valuemaxxing（价值最大化）理念，由 Nebius CRO Marc Boroditsky 提出。其核心是聚焦真实业务成果而非 Token 指标，例如：

• 完成了多少任务？
• 节省了多少开发者时间？
• 加速了多少系统现代化工作？
• 解决了多少安全漏洞？
• 避免了多少返工？

Token 消耗仅是成本信号，真正的价值来自可衡量的业务影响。

实践启示

• 模型即基础设施：竞争优势转向系统构建，包括上下文管理、工作流编排、模型路由和治理。
• 开发者责任：将 AI 效率视为工程技能，注重上下文卫生和成本-收益权衡。
• 领导者责任：建立成本与成果的双重可见性，奖励效率而非使用量。
• 平台支持：如 IBM Bob 等平台通过智能路由、预算控制和成果分析，帮助组织实现价值最大化。

无论未来 AI 成本如何变化，企业都需回答核心问题：AI 投资是否真正创造了有意义的商业价值？