Meta内部炸锅：员工骂高管、扎克伯格承认犯错、限制Token使用量

情况发生了戏剧性的逆转！

今年春季，Meta内部曾掀起一场关于token消耗的排名竞赛，并催生了一种名为“tokenmaxxing”的潮流——员工们争相使用AI工具，大量消耗token，只为证明自己是AI重度用户。

然而，仅仅几个月后，风向彻底转变。当内部AI的使用成本飙升至数十亿美元时，Meta不得不紧急叫停“tokenmaxxing”，转而推行“Tokenminimizing”模式：不再鼓励员工无节制地消耗token。

没错，为了控制成本，Meta开始对员工的token使用量设定上限。

这一转变，多少显得有些讽刺。

内部AI成本，正在逼近数十亿美元

据The Information获取的一份内部备忘录显示，Meta正在搭建一个内部平台，用于实时追踪员工的AI使用情况及对应支出，设定预算，并对员工的token花费设置上限。这份备忘录已分享给约6000名员工。

备忘录中的表述非常直白：

我们看到AI使用量呈指数级增长，按照当前趋势，仅内部使用一项，在2026年就将耗费数十亿美元。与此同时，个人和团队对于自己如何使用AI、花费多少，缺乏足够的可见性和控制力。到2027年，我们预计Meta将以更结构化的方式管理AI token，包括预算制定、分配决策以及配套工具。

作为压缩支出的一部分，一个由产品开发人员和工程师组成的团队已创建了名为AI Gateway的中央仪表盘，用于集中监控AI使用情况与相关支出。

备忘录还显示，Meta将推出自动提醒机制，用于提示异常的成本激增。该团队也在跟踪当前成本，预测未来支出，以便规划算力容量，并与供应商进行谈判。公司计划在未来几周内，向更大范围的员工正式公布这些新的控制措施和工具。

与此同时，Meta也准备鼓励员工减少在编码等工作中使用第三方AI工具，转而更多采用内部方案，例如公司自研的编码助手MetaCode（此前名为Devmate）。不过公司也表示，仍会继续允许员工使用新的第三方模型。

这背后有一个直接原因：Meta工程师在编码工作中大量使用Anthropic Claude等外部工具，导致内部AI成本快速膨胀。据两位知情人士透露，最近几周，Meta已要求其新成立的Applied AI Engineering（AAI）部门改进MetaCode，以降低对Claude等外部工具的依赖。AAI团队负责人还指示工程师设计编程挑战题，让MetaCode去解决，从而训练它生成更高质量的强化学习数据。

先鼓励员工用AI，再限制员工用AI

这一事件的走向确实颇具戏剧性。

在开始限制AI支出之前，Meta已经连续数月在公司内部大力推动员工使用AI工具。公司不仅向员工开放了自研模型，也提供了来自OpenAI、Anthropic和Google的工具。去年11月，Meta告诉员工，今年展示AI驱动的影响力将成为一项核心要求，表现最出色的员工将因交付最显著的成果获得奖励。

也就是说，Meta先是要求员工尽可能使用AI，随后又发现AI用量过大，开始回头限制token消耗。

Tokenmaxxing：AI重度用户的内部竞赛

这场将AI更深入地嵌入日常工作的推进，在某些情况下产生了意想不到的后果。今年春季早些时候，一些员工开始参与一种被称为tokenmaxxing的做法，通过大量消耗token来显示自己是AI重度用户。

有一段时间，员工们试图冲上一个名为Claudeonomics的内部排行榜。这个排行榜根据AI token使用量，对前250名员工进行排名。一些员工甚至试图人为提高自己的使用量：让AI agent同时运行多个任务，尽可能增加token消耗。The Information在4月看到的一份仪表盘副本显示，员工在30天内消耗了60.2万亿个token。后来，这一数字进一步升至73.7万亿个token，随后这个排行榜被下线。

急刹车：token使用量不等于影响力

Meta首席技术官Andrew Bosworth一直试图劝阻这种浪费性的AI token使用行为。在4月的一份备忘录中，Bosworth告诉员工，只有当AI工具能够真正提升生产力时，才应该使用它们。

他写道：任何人都不应该为了使用AI工具而使用AI工具。所有动作并不都代表进展，单纯的token使用量也不能衡量任何形式的影响力。我们使用这些工具，是因为它们确实能让我们更快、更好地完成工作。

在同一份备忘录中，Bosworth还透露，Meta正在通过一项名为Agent Transformation Accelerator的计划，围绕AI agent重组内部工作。他表示，公司现有的AI工具已经变得碎片化，Meta正在朝着更加统一的方式推进。

但现在看来，Meta面临的问题已经不只是token成本。

员工既是使用者，也是训练数据生产者，引发不满

TechCrunch援引Wired的报道称，Meta成立仅三个月左右的Applied AI团队内部，正在出现强烈不满。这个团队约有6500名工程师和产品经理，被要求支持公司的AI研究和训练工作。

不少员工认为，自己并没有真正的选择权：要么加入这个部门，要么离开公司。一些人甚至把自己称为“被征召者”。他们被安排的工作，也与传统软件工程差别很大：生成谜题、编程题等内容，用来训练Meta的AI模型。一些员工认为这类工作机械、消耗人，甚至有人用非常激烈的词汇来形容这个部门，称它“极度消磨人”。

这种情绪已经不只停留在私下抱怨。TechCrunch提到，本周Meta一场面向员工的内部直播演示被人打断，有员工情绪失控，当场爆粗口，并要求在场员工转告一名Meta AI高管：“他就是个混蛋。”据称，其中一名演示者当场用双手捂住了脸。这被视为Applied AI团队内部不满情绪集中爆发的一个信号。

与此同时，Meta内部围绕AI训练数据的争议也在扩大。报道称，已有超过1600名Meta员工签署请愿书，反对一个会监控员工点击和键盘操作、并用于AI训练数据的项目。

换句话说，Meta正在试图把公司本身变成AI转型的试验场：员工既是AI工具的使用者，也是训练数据的生产者，甚至在某些场景下，还是被AI战略重新分配的人力资源。

组织结构本身也在承压。TechCrunch称，Applied AI团队最初采用了非常扁平的管理结构，甚至可能出现一名经理对应最多50名员工的情况。这种设置原本是为了提高效率，但在实际执行中，也加剧了员工的不确定感和失控感。

扎克伯格承认：AI转型中犯了错误

随后，扎克伯格也开始在内部承认问题。

据Reuters看到的一份内部备忘录，Meta CEO马克·扎克伯格告诉员工，公司在推进AI劳动力转型过程中犯了错误。他表示，考虑到这轮变化的复杂性，Meta已经犯错，未来几乎肯定还会犯更多错误，但公司会尽可能在组织调整上提供稳定性。扎克伯格还重申，Meta今年不预计再进行公司范围内的裁员。

这点很关键。今年5月，Meta曾进行大规模重组，全球裁员10%，同时将约7000名员工转入与AI工作流相关的新项目。扎克伯格在备忘录中表示，公司会努力为那些被重新分配去训练AI模型的员工寻找新的角色。

Meta也计划缓和Applied AI部门过宽的管理跨度。Reuters报道称，扎克伯格已经注意到员工对于管理跨度扩大的担忧，并计划收回部分做法。公司还准备增加团队建设投入，包括提高offsite和公司活动预算，并在7月举办一场大型黑客松，推动不同团队围绕最新模型进行协作。

这也让整件事的矛盾更加清晰。

一方面，Meta正在准备今年高额的资本支出，其中很大一部分将用于扩张AI基础设施，包括数据中心、AI芯片和人才获取。另一方面，当AI从战略口号进入日常办公，它马上变成了一组具体问题：谁来为token买单？谁能使用外部模型？内部工具能不能替代Claude？员工的工作数据能不能被拿来训练模型？工程师是否应该从写代码转向给模型造数据？

Meta现在做的，正在把AI使用从一场内部竞赛，重新纳入预算、权限、监控和治理体系中。过去几个月，Meta用排行榜和绩效预期鼓励员工成为AI power user；现在，它又不得不提醒员工：token使用量本身并不是影响力。

当大模型工具刚进入企业时，最容易讲的是效率故事：员工用AI写代码、总结文档、生成方案，个人效率显著提升。但当这种使用扩大到数千人、数万人规模，问题就会迅速变成成本怎么控制，员工角色如何重新定义。

Meta的反转说明，AI进入企业之后，真正的难题并不只是让员工用起来，而是让它以可持续的方式用下去。

否则，AI很容易从生产力工具，变成新的成本黑洞和组织压力。

参考链接：

https://www.reuters.com/business/metas-zuckerberg-admits-mistakes-made-ai-transformation-2026-06-12/

https://techcrunch.com/2026/06/12/metas-months-old-ai-unit-is-a-soul-crushing-gulag-say-the-engineers-stuck-inside-it/

https://www.theinformation.com/articles/tokenminimizing-meta-moves-curb-employee-ai-usage-ai-costs-reach-billions

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Meta内部炸锅：员工骂高管、扎克伯格承认犯错、限制Token使用量要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题