夜雨聆风
AI用的值不值应该看结果，不看Token。
最近，全球著名咨询公司埃森哲的一段内部录音被媒体曝光。
录音里，埃森哲负责智能体AI战略的贾斯蒂斯·郭，正在跟同事讨论一个很现实的问题：员工用AI用得太猛，公司账单有点兜不住了。
这个问题其实很常见。毕竟这年头，能把AI用出这么大消耗量的公司，隐隐就站在鄙视链的最高层了。
但录音最扎眼的地方是，Token消耗的大头，并不是我们以为的工程师写代码，而是一群非技术员工在干一件特别朴素、也特别常见的事：把PDF转成PPT。
埃森哲客户组负责人斯图尔特·亨德森都笑了，他说自己也是最近才知道，PDF转Markdown竟然也是Token消耗大户。
你看，就这么一个听起来最像办公行政杂活的任务，突然变成了一家跨国公司AI预算里的烧钱大户。这事刚一听有点离谱，但仔细一想，一点都不奇怪。
01 先鼓励用，再发现失控
2025年9月，埃森哲CEO朱莉·斯威特宣布了一项8.65亿美元的重组计划，核心是把公司的人才和运营资源转向数字化AI服务。
她当时说得很硬气：无法重新培训的员工将被迅速淘汰；高级员工的AI使用情况，也会跟绩效考核和晋升挂钩。
其实这就已经能预见到现在的情况了。老大既然这么说，员工会怎么做？
很简单，能用AI的地方都用AI。PDF转PPT，让AI来。文档改格式，让AI来。最理性的选择当然是多用一点，至少别在跟同事的比拼中掉队。
于是，前几个月公司高层发愁的是「怎么让大家赶紧用AI」；几个月后，内部会议讨论的就变成了「怎么把AI用量管住」。高管们都在追问同一个问题：我们在AI上花的钱，到底有没有产生相应的价值？
这才是很多正在转型的公司碰到的尴尬：先把AI使用量，比如Token消耗量，变成绩效信号，再发现大家真的开始刷使用量。
这就好像给每个员工都发了一辆车，先鼓励所有人大力踩油门，油烧完了才收到天价账单，然后又开始按每一脚油门单独收费。
02 不只是埃森哲的问题
埃森哲不是孤例。Uber今年前四个月就把全年AI预算烧光了，只好对部分AI编码工具设置每人每月约1500美元上限。
亚马逊有员工搭了一个内部排行榜，叫Kirorank，专门追踪同事消耗了多少Token——结果大家开始疯狂刷榜，最后亚马逊把排行榜删了，副总裁还出来提醒员工：不要为了用AI而用AI。
Meta那边更夸张，有员工自己搭了一个内部排行榜Claudeonomic，追踪8.5万名同事的Token消耗。榜一大哥30天烧掉2810亿Token，折合至少数百万美元。
这些案例放在一起看，就不是某家公司管理粗糙了，而是一类组织病：先鼓励大家多用，再把用量摆上台面，再把排行榜、晋升、绩效这些东西接上去，最后发现成本失控，赶紧踩刹车。
03 古德哈特定律与苏联钉子
这事为什么眼熟？因为这种事可不是AI时代才有的。它其实是一个古老的管理陷阱，又一次被触发了。
这个陷阱有个名字，叫「古德哈特定律」。内容简单好理解：当一个指标变成目标，它就不再是一个好指标。
这话听起来有点拗口，我跟你解释下就明白了。
英国经济学家查尔斯·古德哈特最早提出这个观察的时候，说的是货币政策。也就是央行一旦盯住某个货币指标来调控经济，这个指标就会开始失真。
但这个规律后来被发现放到哪里都成立，比如企业管理、医疗、教育、军事，都不例外。
你拿代码行数考核程序员，程序员就能把5行代码写成50行。你拿Token消耗量考核员工AI使用情况，员工就能把一个PDF转PPT的活儿烧出天价。
得到上还有本书叫《指标陷阱》，里面有一个经典案例「苏联的钉子厂」：按重量考核，工人就造超大的钉子；按数量考核，工人就造细得像针的废品。
每个时代都有自己的「苏联钉子」，AI时代的这个钉子，可能就叫Token消耗量。
当然，麻烦的还不仅仅是指标，AI工具的计费方式也在变。以前很多工具像自助餐，包月之后随便用；现在越来越多工具按Token计费，设使用额度，每一道菜都单独算钱。
可很多公司的管理方式还停留在自助餐时代，领导还在喊「多吃多吃」，KPI还在鼓励「谁吃得多谁先进」。
你用自助餐的吃法，进了一家单点餐厅，预算肯定会炸。
04 马拉汽车的隐喻
我今年特别喜欢一张历史照片，在很多地方都提到过它，甚至把它打印了出来。
黑白照片里，一匹马套在一辆早期汽车前面，车身上印着U.S. MAIL。照片出自楠塔基特历史协会。我觉得它恰好说明了刚才说的指标异化：规则没跟上技术。
▲ 马拉汽车历史照片
说实话，我第一次看到它的时候，还以为是AI做出来的，后来发现这是一张真实照片。
1910年代，美国马萨诸塞州的楠塔基特岛，是当时全美唯一成功禁止汽车的地方。岛上有一位邮递员叫克林顿·福尔杰，他要把邮件从镇上送到岛的另一端，但汽车不能在路上开。
于是他想了个办法：先牵出一匹马，把马套在汽车前面，拉着汽车走过禁行路段；等到了郊外没人管的地方，再把马卸掉，自己开车继续送信。
后来这种东西就叫「马拉汽车」（Horsemobile）。你看着会觉得荒诞，但又特别合理。车已经来了，规则还没变，所以马不能撤。
我经常在做决策的时候看着这张照片，想一件事：这个项目里，有哪些规则或者流程，是汽车前面的那匹马？是不是正因为这匹马还套在前面，AI才无法真正踩油门？
今天很多公司的AI转型，就是这个状态：工具已经是汽车了，考核还是马。你考核什么，员工就优化什么。技术变了，组织惯性没变，马还是那匹马。
举个例子，如果你想要在Token消耗排行榜上排第一太简单了。你拿《凡人修仙传》，先让AI把这部小说翻译成英文，再让AI把它变成分镜头脚本，最后把这些分镜头用可灵生成AI视频。
别说在Token排行榜上名列前茅了，你甚至可能让你们老板直接破产。
更麻烦的是，在很多公司里，这件事正在制度化。Token消耗量一开始只是看着玩玩，后来变成谁先进、谁落后，再往后可能就变成能不能留下的门槛。
过去的问题是「你的工作会不会被AI做掉」，现在又多了一个问题：你有没有证明自己在用AI工作？
05 看工具，不看人
这里，也和你分享一下我们自己的做法。
现在每天在得到和得到大脑里大概消耗800亿Token，公司内部同事每天大概消耗20亿Token。当然，这里只统计了通过公司内部AI工具或API接口消耗的算力。
这些数据我们会实时展示在公司前台旁边的大屏上，但不挂任何人名，只展示Token主要用在哪些工具上，比如Claude Code、Codex、OpenClaw，还有我们内部的智能体牛小数、剪辑手爱德华等等。
我把我们6月某一天的大屏图也放在下方了，你可以看看。
▲ 得到AI算力实况大屏
你看，把Token挂到人名下面，叫考核人；把Token放到工具分布里，叫观察工具。这两个动作差别很大，前者会诱导刷量，后者能帮你看清楚，钱到底花在了哪里。
06 三条落地建议
说了这么多，你可能好奇到底该怎么做，这里我也和你分享三条落地建议：
看结果，不看Token
AI落地的第一条，不是看员工消耗了多少Token，而是看解决了多少问题。
Token消耗量跟士兵的斩首数很像，它是过程指标，不是结果指标。一个人有没有用好AI，要看工作产出有没有变化，交付速度有没有变快，决策质量有没有变高，以前做不了的事现在能不能做了。
如果这些都没有，Token烧再多也是白搭。
先改考核，再推工具
很多公司的顺序是反的——先买工具，再喊大家用，再把用不用挂到绩效上。结果工具买了，考核还是老一套，员工自然会用老办法对付新工具。
你先把考核从「你用了多少」改成「你解决了什么」，员工反而会主动去找AI，因为解决问题这件事，跟他的利益对上了。
别搞全员动员，先跑一个场景
全公司AI转型这种话，听起来很有气势，但落地时常常每个人都在等别人先试。
更稳的办法，是先找一个痛点最明显、改造成本最低的场景，三个月跑出结果。别人看到真效果，比听十场动员会都有用。
最后说一句大实话：一把手要自己上手。创始人、部门负责人自己不用AI，却天天要求员工用，这事很难成立。
你自己用过，才知道哪里真的省事，哪里只是看起来热闹；也才知道哪些KPI是正经指标，哪些纯粹是在逼人套马。
所以，如果你是管理者，现在最该问的不是「怎么让员工多用AI」，而是：
如果AI是汽车，我们公司前面套着的那匹马，到底是什么？
推荐阅读
AI分析四年大学本科专业目录的变化：分享三个暗藏在背后的趋势
