Amazon 关闭内部 AI 排行榜 Kirorank：员工刷分推高成本，企业 AI 开支进入急刹车时代

Amazon 关闭内部 AI 排行榜 Kirorank 事件揭示了企业 AI 成本失控的深层问题——员工"Tokenmaxxing"（刷 Token 消耗量）推高算力账单，同时美国企业界开始"配给"AI 使用量。本文分析两股趋势对 AI 自动化从业者的实际影响。

核心结论

2026年5月最后一周，两条看似独立的消息同时指向同一个结论——企业AI开支的"狂欢期"正式结束，进入成本精细化管控阶段。一边是亚马逊关闭了内部AI使用排行榜Kirorank，因为员工刷分（"Tokenmaxxing"）导致算力成本失控；另一边是《华尔街日报》报道美国企业开始"配给"AI使用量，高管们正紧急评估大规模AI投入是否带来了应有的回报。

对自动化从业者和AI Agent使用者而言，这意味着：用AI降本增效的逻辑依然成立，但"无脑用AI"的时代已经过去了。未来胜出的，是那些能精确衡量AI投入产出比（ROI）的团队和个人。

关键要点

事件时间：2026年5月29-30日
核心事件：Amazon 关闭 KiroRank AI 排行榜 + WSJ/Axios 报道企业AI配给
影响对象：所有依赖AI工具的内容生产者、自动化团队、AI Agent开发者
核心变化：企业级AI投入从"越多越好"转向"ROI优先"

背景：同一周的两个信号

信号一：Amazon Kirorank 事件

Amazon 内部有一个名为 "KiroRank" 的排行榜，用来追踪员工对内部AI工具（基于 Amazon Kiro 开发者平台）的使用情况。初衷是激励员工拥抱AI工具，提高开发效率。然而在一些业务部门，员工开始大规模"刷分"——让AI做大量不必要的小任务来增加Token消耗量，以便在排行榜上获得更好的名次。这种被称为 "Tokenmaxxing" 的行为直接推高了Amazon的云计算成本。

据报道（Ars Technica, Business Insider, CNET），Amazon 最终在5月29日关闭了KiroRank排行榜。一位Amazon高级副总裁承认，排行榜"初衷是好的"，但它产生的计算成本已经高到不可接受。

来源：Ars Technica "Amazon employees are tokenmaxxing due to pressure to use AI tools"（HN 251 pts，359条评论）

信号二：企业开始配给AI用量

同一天，《华尔街日报》报道，美国企业正在"配额化"AI使用量——包括 Uber、Salesforce、DoorDash 在内的多家公司已经开始限制员工无限制使用AI工具。高管们发现，AI的"计算账单"正在以不可持续的速度膨胀，而可衡量的生产力提升却并不匹配。

Axios 在5月28日的报道中也指出，CFO和CIO们正在大规模质疑AI投资的ROI："企业界争先恐后拥抱AI之后，现在正面临膨胀的IT成本、不确定的生产力提升，以及日益增长的员工怀疑。"

来源：WSJ "Corporate America Is Starting to Ration AI as Cost Skyrockets"; Axios "AI sticker shock hits corporate America"

关键影响：两个维度，同一方向

维度	变化	对我们意味着什么	建议动作
成本思维	从"越多越好"到"ROI优先"	个人和团队都需要记录每笔AI花费的实际产出	建立AI成本记录表：每个工具按"花费→产出→ROI"追踪
工具选择	高性能API vs 本地模型的经济账更受关注	本地模型（LM Studio、DeepSeek等）的相对优势增大	评估高频任务能否切换到本地或低成本模型
自动化策略	"刷AI使用量"不再是好策略	用AI做"看起来很多"的工作不等于创造价值	聚焦高价值环节，减少AI的"表演性使用"
行业趋势	Tokenmaxxing 成为2026年标志性负面名词	类似Amazon的监管将蔓延到中小企业	提前建立AI使用规范，避免被突然限制

什么是 Tokenmaxxing？为什么它会成为2026年的关键词？

Tokenmaxxing 这个词在2026年初开始流行，指开发者把"Token消耗量"当作生产力指标来优化的行为。其背后逻辑是：既然公司鼓励使用AI，那谁的Token用得多谁就更"积极"。但实际上，大量Token消耗并不等于高质量产出——让AI写出10种不同风格的"你好，世界"并不会提高产品质量，但会显著增加API账单。

TechCrunch 在4月份的一篇分析文章中指出："Tokenmaxxing正在让开发者比他们以为的更不高效。" 这个问题在Amazon达到顶峰——当一个排行榜激励员工刷分而不是真正解决问题时，整个系统就产生了反向激励。

值得注意的是，Amazon 的 Kirorank 系统并非个例。早在5月中旬，Uber COO 就曾在采访中表示"越来越难证明Token上的高投入是合理的"，直接印证了Tokenmaxxing已经成为整个行业的共识性问题。

适配建议

面对企业AI成本管控的新常态，自动化团队可以立即采取以下措施：

做ROI审计：回顾过去30天的AI工具支出，算出每1美元API费带来了多少实际产出
分层模型策略：对高频率低复杂度任务使用本地/低成本模型（DeepSeek V4、Hy3），仅在关键推理环节用前沿模型（Claude Opus、GPT-5.5）
建立个人"AI使用规范"：像项目管理一样管理AI工具的使用——每个API调用都应有明确的目的和预期产出
关注开源替代：Liquid AI 8B MoE、Zig等高效模型正在缩小与前沿模型的差距，边际成本趋近于零

任务清单

统计30天内各AI工具的API花费
按高频/低频、高价值/低价值四象限分类当前AI工作流
为高频低价值场景寻找本地模型替代
复查内容生产管线中的"隐性Tokenmaxxing"（不必要的消耗）

社区反应

在Hacker News上，Amazon Kirorank 事件引发了超过350条评论。大部分社区声音集中在几个方向：

排行榜的激励扭曲："当公司用AI使用量来衡量员工，员工就会'玩'这个系统——这不是员工的问题，是衡量标准的问题。"
Tokenmaxxing 是管理问题，不是技术问题："Amazon的问题不是AI太贵，而是他们发明了一个错误的KPI。用Token使用量衡量生产力，就像用代码行数衡量工程师产出一样荒谬。"
对独立开发者/小团队的启示："好消息是，大公司被自己的官僚主义拖累，小团队可以更灵活地选择真正有效的AI策略，不需要为排行榜刷分。"