WSJ和TechCrunch同期报道：Amazon关停KiroRank、Uber前4个月烧光全年AI预算、METR找不到愿无AI工作的开发者。Tokenmaxxing泡沫可能正在破裂——这对一人公司却是结构性利好。
事件回顾
5月28-29日，多个信源同步爆出企业AI成本失控的信号。首先，Amazon关停了其内部的Token消耗排行榜KiroRank——这个曾经用于激励团队多使用AI的内部工具，因为AI支出已经高到让管理层感到不安。Frugality（节俭）文化回归，Amazon开始限制工程师调用LLM API的频率。
Uber的情况更加触目惊心：据TechCrunch报道，Uber的AI预算在2026年Q1就被团队用光了——前4个月烧掉了全年额度。主要去向是：大量重复的API调用、无节制使用顶级模型完成简单任务（如用GPT-5做翻译）、以及"AI玩具"项目的资源浪费。Uber不得不紧急设置预算硬上限。
METR（AI研究机构）的困境更令人深思：他们公开表示找不到愿意在无AI辅助下工作的开发者。即使开出高薪，候选人也会因为"该岗位不允许使用AI编程工具"而拒绝offer。这反映了AI工具已经从"锦上添花"变成了"工作条件"。
为什么重要
第一，"Tokenmaxxing"泡沫正在被定义。 这个词描述的是：创业公司和科技巨头为了"All-in AI"不计成本地使用LLM API，认为只要在Token消耗上领先就能在AGI竞赛中获胜。Amazon和Uber的案例证明，这种策略在财务上是不可持续的。Tokenmaxxing是"FOMO驱动"而非"ROI驱动"的支出模式。
第二，大公司的AI成本失控恰恰是"一人公司"的机会。 被WSJ/TechCrunch点名的恰恰是Amazon和Uber这类大公司——它们有庞大的组织惯性、冗余团队、合规流程，这些都放大了AI成本。相反，一人公司天然有成本控制基因：自己就是自己的CFO，每个API调用都有清晰的ROI目标。当大公司被迫缩减AI预算时，效率更优的小团队反而能拿到更好的定价和资源。
第三，"Jevons悖论"在AI领域显形。 经济学家Jevons在1865年发现：煤炭利用效率的提升反而导致了煤炭总消耗的增长——因为更便宜让更多人使用。同样的，LLM API价格的持续下降（GPT-4o降价80%以上）并没有降低企业的AI总支出，反而刺激了更大规模的消耗。技术民主化的另一面是"浪费民主化"。
我们能学到什么
量化每一个API调用的ROI。 一人公司的核心优势不是"省钱"，而是"每一分钱都产生价值"。建立简单的成本追踪表：每次LLM调用记录模型、tokens、用途和产出价值。当你能回答"这个Agent每跑一次给我带来了多少收益"时，你就比99%的大公司团队更懂AI成本管理。
用开源/混合模型替代纯API方案。 当Llama 4、Hermes Agent等开源方案能在本地跑出80%的效果时，把高频低价值的任务切到本地，只把关键任务交给GPT-5/Claude Opus。这种混合架构可以让AI成本降低60-80%，而不牺牲主要能力。
利用大公司收缩期获取资源。 Amazon关停KiroRank意味着AI工具厂商的市场策略需要调整：从"服务大客户"转向"服务中小团队"。作为一人公司，你可以在AI工具平台拿到更优惠的定价和更灵活的套餐。
行动建议
本周内： 为你的AI工作流建立一个简单的token消耗追踪表。用Hermes Agent的prompt-size诊断命令（v0.15.2新增）或第三方工具统计每日LLM成本。如果你不知道每月花多少，说明已经花太多了。
两周内： 评估你的AI工具链中哪些任务可以用开源模型替代。推荐测试：Llama 4（本地）+ GPT-5（云端）的混合路由方案——简单任务走本地，复杂任务走云端，预计节省40-60%成本。
一个月内： 整理你的AI成本优化经验，写成一篇文章或一个工具分享给社区。AI成本失控是当前行业最大的痛点之一，谁能帮其他创业者省钱，谁就能建立自己的品牌和影响力。