「Tokenmaxxing」危機：企業 AI 支出狂飆但無法證明回報 — Uber、Microsoft 與 Duolingo 的教訓

從去年底開始，一場無聲的財務危機正在全球企業的 AI 部門醞釀。Uber 在四個月內燒光了 2026 全年的 AI 編程預算，被迫緊急將每人每月的 AI 編程工具支出上限設為 1,500 美元。Microsoft 的體驗與設備部門直接取消了 Claude Code 授權。Duolingo 則在員工反彈後撤回了一項將 AI 使用量納入績效考核的計劃。

這不是孤立事件。Gartner 預測今年 AI 代理軟體的全球支出將接近 2,070 億美元，比 2025 年的 864 億美元暴增 139% 以上。但 VentureBeat 的最新深度調查揭示了一個尷尬的現實：幾乎沒有任何企業能夠清楚證明這筆巨額支出帶來了對應的業務回報。

這個現象現在被稱為 「Tokenmaxxing」（代幣極大化）——AI token 消耗量飆升，但 ROI 卻無法跟上。

Tokenmaxxing 的根源：預設的「浪費」

Tokenmaxxing 的成因並非單純的員工濫用。VentureBeat 報導中多位業界領袖指出，問題的核心在於 基礎設施的預設配置本身就在鼓勵浪費。

合約生命週期管理平台 Agiloft 的 AI 營運副總裁 Noe Ramos 直言：「團隊並不是因為喜歡浪費而燒錢，而是因為預設的基礎設施把他們推向浪費的方向。大多數企業仍將模型選擇權交給提示使用者，這意味著一個只能做簡單任務的邊境模型卻在處理便宜開源模型就能勝任的工作。這不是人員問題，是管線問題。」

語言學習公司 Promova 的工程主管 Dmytro Palaniichuk 補充：「團隊和企業方案中，高階模型被預先選中，推理強度預設為高——當然沒有人會去改設定。」結果是，高階模型被用來處理檢查電郵這類瑣事，而這些工作完全可以用便宜的輕量模型完成。

更根本的問題是 token 定價的不可預測性。有別於 CFO 們花費數十年學會建模的傳統軟體成本，AI token 成本是高度變動的——同一工程師、用同一工具、同一天，可能因為上午在自動補完程式碼、下午在運行平行代理執行大型資料庫遷移，而產生截然不同的帳單。

企業的應對光譜：上限、路由、行為改變

面對 Tokenmaxxing，不同企業採取了截然不同的策略。這些策略大致可以分為三條路徑：

路徑一：硬性上限與制度控制。 Uber 將每人每月 AI 編程工具支出鎖定在 1,500 美元；Everlaw 則採取了更靈活的版本——達到上限時觸發一封電郵給工具團隊，工程師通常當天就能獲得雙倍上限。Everlaw 的 CTO Max Christoff 強調，上限的意義不是配給，而是「讓決策過程浮現」。

路徑二：智慧路由與基礎設施改造。 Agiloft 完全取消了上限，轉而將便宜模型設為預設，只在任務需要時才升級至邊境模型。該公司將路由放在基礎設施層而非提示層，並搭配快取（caching）機制。Databricks 推出的 Smart Routing 能根據提示意圖、檔案長度、引用檔案、堆疊追蹤、變更範圍、推理深度和執行複雜度等訊號，自動將任務路由到最適合的模型。

路徑三：行為教練與分類管理。 SUSE 的技術與產品總經理 Rick Spencer 將 AI 使用分為三類：日常工作（Daily Work）、自主代理（Autonomous Agents）和一次性策略努力（Curve Jumping），由管理者針對不同類別進行教練輔導。Promova 則朝向 Opus/Sonnet/Haiku 的 40/50/10 比例前進，但承認這更像方向而非終點——真正關鍵的是讓人們有意識地選擇適合任務的模型。

量化回報的挑戰與少數成功案例

在 VentureBeat 調查的所有受訪企業中，幾乎沒有一家能夠提供優化後的具體成本節約數字。唯一的例外是 Everlaw——該公司一次核心 Java 基礎設施改造花費了 3,500 美元的 token，卻將實施時間從 9.5 個工程師月縮短到 2.5 個工程師月。另一個尚未推出的產品使用了 27,000 美元的 token，但預計能將 90 至 100 個工程師月的工作量壓縮到 19 個工程師月。

然而，並非所有 AI 投資都有回報。Everlaw 曾花費數千美元讓代理將介面程式碼從 Dojo 移植到 React，最終由於框架對狀態和視圖的基本假設不同而全部放棄。這說明了 AI 代理雖然強大，但並非萬能——對於需要深度領域理解的任務，盲目使用 AI 可能反而造成浪費。

對香港企業與在職人士的啟示

第一，AI 成本管理需要架構思維而非單純的限額。 Tokenmaxxing 的核心教訓是：限制使用量（rationing）只是權宜之計，智慧路由（intelligent routing）才是治本之道。香港企業在導入 AI 工具時，應優先考慮建立一個企業級的 LLM 閘道（gateway），讓任務自動匹配最適合的模型，而不是讓每個人自行選擇模型——這既節省成本，也提升效率。

第二，建立 AI 使用與業務回報的對應關係至關重要。 正如 Everlaw 和 SUSE 所展示的，當企業能夠將 token 支出對應到具體的工程時間節省或產品交付加速時，AI 支出的合理性就變得無可爭議。香港企業應從 AI 使用量追蹤 開始，逐步建立 AI ROI 的測量框架——例如每月統計 token 消耗與對應的任務完成量、時間節省或錯誤減少。

第三，模型選擇意識應成為數位素養的一部分。 正如 Promova 團隊所發現的，即使技術最強的工程師也可能不自覺地使用過度昂貴的模型處理簡單任務。香港的 AI 培訓應將「何時該用什麼模型」納入核心技能——理解 Claude Opus、Sonnet、Haiku 或 GPT 系列各層級模型的能力範圍與成本差異，將成為 AI 時代工作者的基本素養。

第四，AI Token 預算將成為年度規劃的常規項目。 Christoff 預測：「在未來一到兩年內，token 支出將被視為年度人頭成本或生產成本，而非 IT 或一般軟體支出。」對香港企業而言，在 2027 年預算規劃中設立 AI Token 預算線，並為各部門建立明確的 AI 支出責任與回報期望，將不再是可選擇的，而是必要的第一步。

Tokenmaxxing 現象揭示了一個更深層的轉變：AI 從「免費試用」階段進入了「成本必須可衡量、回報必須可證明」的成熟期。對於正在加速 AI 轉型的香港企業而言，越早建立 AI 成本治理機制，就越能在這場 2,070 億美元的 AI 支出浪潮中立於不敗之地。