当《金融时报》用"We created a monster"做标题、HN 119分热议时，事情已经不只是"省点钱"那么简单——这是一场对AI真实ROI的全行业清算。
▲ ▲ 图1：从Tokenmaxxing到Tokenminimizing——AT&T、Meta、Uber、微软的AI预算急刹车（来源：The Information / Financial Times）
事件回顾
6月18日，科技媒体 The Information 率先披露：AT&T、Meta、Uber、微软等科技巨头正在全面收紧内部AI工具使用政策。曾经鼓励员工"无限使用AI"（tokenmaxxing）的时代正式终结，取而代之的是严格的"算力最小化"（tokenminimizing）配额制度。
次日，英国《金融时报》以"We created a monster"为题深入报道，指出多家企业低估了AI落地的工程复杂度，AI账单正在失控。同一天，Hacker News上该报道斩获119分、104条评论，登上热榜。中文科技媒体IT之家、凤凰科技等也迅速跟进，报道称包括腾讯在内的中国大厂同样在下调员工Token额度。
这场"急刹车"并非个案。The Information的文章标题精准概括了转变：从"Tokenmaxxing"到"Tokenminimizing"——两个新造词之间，是硅谷两年AI狂热后的第一次集体反思。
Tokenmaxxing真相：工程师在"刷"AI预算
最荒诞的细节来自Meta。一位匿名工程师在内部论坛透露："我们部门上个月多花了40%的token额度，因为Q3考核要看这个指标。"
这就是Tokenmaxxing的真相：当企业把AI使用量设为KPI，工程师就会像刷短视频时长一样"刷"token——甚至故意用AI生成大量无用内容来填充考核指标。一位产品经理描述得更直接："就像把计算器开着让它空转，只因为老板要看'使用时长'。"
但账单是真实的。Uber目前允许每位员工每月最高1500美元的AI工具费用。表面看不算高——毕竟高级工程师年薪40万美元（月薪约3.3万）。但问题在于，大多数AI使用场景的实际产出远低于成本。一位HN评论者直言："AI对于大多数使用场景来说，根本不值它花掉的钱。"
微软、AT&T也在同步收紧。从"随便用"到"先申请再审批"，从"无限额度"到"分级配额"，巨头们的AI预算管理制度正在快速演化。
▲ ▲ 图2：AI创业者必须看懂的3个成本信号——API降本不是口号，是生存策略（来源：HN热帖 / IT之家整理）
为什么对AI创业者重要
这波"急刹车"释放了三个关键信号，每一个都直接影响AI创业者的生意模式：
信号一：AI的成本问题正在从"房间里的大象"变成"会议室里的暴风雨"。 过去两年，AI创业的叙事逻辑是"先烧钱占坑，以后自然能盈利"。但FT的报道揭示了一个残酷事实：即使是大厂也在重新计算AI的真实投入产出比。对依赖第三方API的AI创业者来说，API成本占运营成本的比例只会越来越高。
信号二："Tokenmaxxing"暴露了AI应用层的泡沫。 当工程师为了完成KPI而故意浪费AI额度时，说明大量AI使用并非源于真实需求，而是组织考核制度制造出的虚假繁荣。这部分"需求"将在预算收紧后率先消失。
信号三：精细化AI成本管理正在成为核心竞争力。 IT之家的报道指出，腾讯正在推动"AI成本精细化管理"，包括提示词工程优化、RAG调优、权限分级管控等。对AI创业者而言，"谁用更少的token做更多的事"将直接决定谁能活到下一轮。
HN讨论区的一条高赞评论道出了本质："我们正处在一个危险的谷底——AI刚好足够好，能骗过一些非常聪明的人。就像那句老话：'一知半解最危险。'"
我们能学到什么
教训一：API成本不是"以后再说"的问题。 一家长沙的AI创业公司在今年5月的复盘显示，其GPT API月支出从年初的2000元飙升至1.2万元，而收入增长远低于成本增速。创始人坦言："我们以为用户多了自然能摊薄成本，结果用户越多亏得越多。"
教训二：不要追求token用量KPI。 如果你的团队在用AI工具，请不要设置"AI使用率""日均token消耗"之类的考核指标。这只会制造虚假繁荣。真正该考核的是：用了AI之后，代码质量有没有提高？客服满意度有没有上升？文章阅读量有没有增长？
教训三：小模型+大模型的混合策略是降本关键。 不是所有任务都需要GPT-5。简单分类、文本摘要、格式转换等任务，用GLM-4-Flash或DeepSeek V4-Lite就能胜任，成本只有旗舰模型的十分之一甚至更低。
行动建议
- 立即审计你的API账单：找出过去30天消耗token最多的10个调用场景，逐个评估是否可以用更便宜的模型替代
- 建立AI使用分级制度：将任务分为"必须用最强大模型""可以用中等模型""小模型即可"三级，制定内部调用规范
- 关注开源模型部署：对于高频调用场景（如客服机器人、内容分类），自部署开源模型（如Hermes Agent + Ollama）可以彻底消除API边际成本
- 将成本指标纳入产品健康度看板：每月API成本/MAU、单次AI调用平均成本、top 1%高消耗用户占比——这些指标比"日活"更能反映AI产品的真实健康状况
参考来源：The Information（2026年6月18日）、Financial Times（2026年6月19日）、Hacker News讨论（119分/104评论）、IT之家/凤凰科技中文报道
#AI创业 #AI成本 #Tokenmaxxing #一人公司 #API降本
本文由AI辅助创作，经人工审核编辑发布
更多一人公司案例与工具，微信搜索「AI创业内参」关注我们