📰 重點摘要

今年初，矽谷颳起一股名為「Tokenmaxxing」的風潮，各大企業執行長鼓勵員工盡可能地最大化 AI 使用量，視高消耗量為積極擁抱科技的象徵。然而，帳單隨之而來。

Uber 據報在短短幾個月內便燒完了全年的 AI 預算，遠超原先規劃的年度配額，迫使公司重新審視資源分配方式。部分企業則陸續削減 Claude 授權席次，特別針對 AI 使用率或成效較低的部門進行裁減，而非全面性停用。Meta 更直接關閉了其內部 AI 使用排行榜——這個原本旨在激勵員工提升 AI 採用率的競爭機制，最終因資源壓力而喊停。

這一連串動作揭示了企業在 AI 投資上普遍面臨的核心矛盾：一方面，高層持續喊話要擴大 AI 應用規模，另一方面，實際的 ROI（投資報酬率）卻仍難以量化與驗證。企業主發現，「用得多」並不等於「產值高」，在缺乏清晰衡量指標的情況下，龐大的 AI 支出難以獲得持續的財務正當性。這波縮減潮顯示，企業 AI 策略正從初期的「盡量用」轉向更務實的「選擇性用」，ROI 可測量性將成為下一階段採購決策的核心門檻。詳細內容請見原文連結。

💬 JudyAI Lab 觀點

「用得多」不等於「用得好」——Uber一年內燒光全年AI預算、Meta關掉AI使用排行榜，這些訊號說明企業AI策略正從盲目衝量轉向務實選擇。

這波縮減潮背後，是AI投資進入第二階段的必然轉折。初期「Tokenmaxxing」鼓勵員工最大化AI用量，結果在缺乏清晰ROI衡量的情況下，帳單很快就超支。我們觀察到一個AI builder值得重視的訊號：「使用率」已被大型企業承認是錯誤的成效KPI，Meta甚至直接關閉了原本用來激勵員工衝量的內部排行榜。下一階段，採購決策的核心門檻將是「可測量性」——AI工具能否直接對應業務產出、說得出具體數字，才能在預算審查中站穩腳步。

現在就列出你手上的AI工具清單，問自己：哪些有清楚的成效指標？哪些只是「感覺有用」？這個問題的答案，將決定它在下一輪企業採購審查中的命運。

📅 原文資訊

🔗 延伸閱讀