裁員三萬、錄用一萬：亞馬遜的算盤

前言

各位讀者，大家好。我是Oz的知識對談。上週AWS執行長Matt Garman在訪談中說了這樣一句話：「用AI取代新進員工，是我聽過最愚蠢的事。」 在同一次訪談中，他還透露亞馬遜今年將招聘11,000名實習生和新進員工。聽到這句話，我實在哭笑不得。

就在幾個月前，亞馬遜才剛裁減了約三萬名企業部門員工。 亞馬遜執行長Andy Jassy曾透過正式信函告訴員工：「AI將縮減我們整個企業部門的人力。」與此同時，亞馬遜也在推進以機器人取代超過50萬個工作崗位的計劃。

同時推進招聘與裁員的這種奇怪算盤。但比起這個矛盾，我更關注亞馬遜內部發生的另一件事——員工刻意操縱AI使用量排行榜的事件，也就是所謂的「Tokenmaxxing」¹​。

🏷️ 裝作在用AI的人們

今年五月，《金融時報》報導了這樣一則消息。亞馬遜內部有一個叫KiroRank的排行榜。這是一個根據員工使用AI編碼工具Kiro的Token²​ 消耗量來排名的儀表板。亞馬遜設定了目標：80%以上的開發者每週至少使用一次AI工具。

結果可想而知。員工們用內部代理工具MeshClaw³​ 來自動化程式碼部署、郵件分類、Slack訊息處理等任務，但問題是這些任務根本不需要做。他們只是為了提升排名，讓AI去執行無意義的工作。員工們把這種行為稱為「Tokenmaxxing」。

一位員工對FT這樣說：「必須使用這個工具的壓力非常大。有人用MeshClaw把Token使用量拉到極致。」 亞馬遜表示Token使用量不會反映在績效評估中，但員工們感覺管理層在私下查看這些數據。安全隱患也浮現了。MeshClaw擁有代替使用者部署程式碼和與內部系統互動的權限。一位員工說「預設的安全設定令人不安」，「不能放任它自由運行」。我其實在電子報中也用Uber的案例討論過這個問題。

年薪的一半花在Token上……結果呢？Uber在4個月內燒完一年預算後發生的事letter.inlevel9.com

這不只是亞馬遜的問題。Meta有一個叫「Claudeonomics」的排行榜，彙整了85,000名員工的Token消耗量，30天內消耗的Token高達60兆個。換算成公開API價格，約值90億美元。排名靠前的使用者會被授予「Token Legend」、「Session Immortal」等稱號。部分員工讓AI代理運行數小時，反覆執行研究任務來提升排名。 在外部報導後48小時內就被關閉了。

Microsoft的副總裁Julia Liuson也發了內部備忘錄，表示「使用AI已不再是可選，而是所有角色、所有層級的核心要求」。NVIDIA的黃仁勳走得更遠，他公開表示「年薪50萬美元的工程師如果不用掉25萬美元的Token，我會非常擔心」。

有趣的是，這三家公司幾乎同時關閉或限制了排行榜的存取。這等於整個大型科技業同時承認：AI使用量本身作為績效指標，已經失敗了。

📊 7,000億美元投資的需求是真的嗎

Garman在訪談中這樣總結了這件事：「要測量什麼，就必須正確地測量什麼。我們建了錯誤的指標，人們找到了繞過指標而非達成目標的方法。」

說得對。但「為什麼要建這個指標」這個更根本的問題仍然存在。

今年亞馬遜、Alphabet、Meta、Microsoft四家公司的AI資本支出（CAPEX）⁴​ 合計約7,000億美元。比去年4,100億美元增長了超過70%，換算成韓元約1,000兆韓元。這筆投資的核心假設是「AI需求持續超過供給」。

但如果這需求的一部分是Tokenmaxxing呢？85,000名員工30天內燒掉的60兆Token中，有多少是真正的工作，又有多少是在刷排行榜？

當然，企業外部的付費客戶需求是另一回事。實際上，Garman引用的CIO調查顯示，約90%的受訪者表示在AI投資中看到了ROI。保險理賠處理時間從60~90天大幅縮短的案例、代理將業務流程成功率從20%提升到90%的案例也都有介紹。

而且亞馬遜確實也推出了能運作的AI產品。今年四月推出的Amazon Connect Talent是一款讓AI全天候自主進行語音面試的招聘工具。Garman說「我們希望招聘團隊專注於主動尋找候選人和建立關係」，「輸入詳細資訊不是他們想做的事」。一邊賣AI代替面試的工具，一邊說「用AI取代新人是愚蠢的」。這兩句話看似矛盾，但在Garman的邏輯裡是可以並存的——AI處理重複性工作，人去做更高價值的事。

但Garman自己也承認了一點：「沒有看到成效就停止PoC⁵​ 的企業，數量同樣多，甚至更多。」需求並非全是虛假的。問題在於，支撐數千億美元基礎設施投資的使用量數據中，績效訊號和真正的價值創造混在一起，無法區分。

經濟學中有一個概念叫古德哈特定律⁶​。「當指標成為目標，它就不再是好的指標。」Token消耗量一旦被設為AI生產力的指標，它就失去了衡量AI生產力的功能。Tokenmaxxing正是這個定律的教科書級案例。

🔍 韓國也在失去階梯

讓我稍微談談Garman的「Excel比喻」。他說**「Excel取代了手工計算的工作，但人們學會了使用電腦，勞動力市場反而擴大了。」** 這話不算錯。但這次的情況在結構上有所不同。

史丹佛大學研究團隊基於ADP薪資數據分析發現，AI高暴露職業中22~25歲初級從業者的就業減少約20%，而30歲以上資深從業者的就業反而增加了6~9%。AI不是在消滅所有工作，而是在自動化初級人員累積經驗的工作——也就是摘要、整理、起草這些「階梯底端」的環節。

韓國的數據也呈現類似模式。根據招聘平台Catch的數據，大型企業IT和通訊領域的新人招聘廣告同比急減67%。整體大型企業正式員工新人招聘也減少了43%。今年五月，韓國受僱人數轉為同比減少，這是26年5個月以來的首次。20歲組的受僱人數中，僅資訊通訊業就減少了5.7萬人，而同領域的30歲組反而增加了2.6萬人。這意味著招聘結構正在從新人轉向資深。

Excel出現時，計算員可以「晉升」為會計師。但現在AI自動化的，恰恰是晉升前必須經歷的階梯本身。新進開發者透過撰寫模板程式碼來學習系統的過程、初級分析師透過整理數據來理解業務脈絡的過程。借用Stanford Social Innovation Review的說法，AI吞噬的是「在組織中教你工作方式的低風險重複性工作」。這些「學習型工作」消失後，人才管道會出現結構性斷層，3~5年後中階主管和資深人才的儲備將枯竭。

也有企業意識到了這個問題。IBM判斷僅依賴AI效率的策略長期來看不永續，宣布將新人招聘量增加三倍。IBM的CHRO表示「3~5年後最成功的企業，是現在這個階段將新人招聘量加倍的企業」。Cognizant也在2025年一年內就招聘了2萬名新人。

Garman說「未來對員工最重要的能力不是特定技術，而是學習的意願」，這句話需要放在這個脈絡下理解。說得對。但在學習機會本身正在縮減的結構中，光有「學習的意願」無法替代階梯。

Oz的視角

在為企業制定GTM/技術策略的過程中，我無數次驗證了「測量塑造行為」這個事實。企業把MAU設為KPI，員工就會專注於增加註冊數而非留存率；測量程式碼提交次數，無意義的提交就會增加。測量Token消耗量，Tokenmaxxing自然會出現，這是必然的結果。

我更關注的是，這個現象與基礎設施供應商的結構性動機相互交織。AWS是一家賣AI基礎設施的公司。客戶越多用AI，伺服器就越好賣。所以Garman說「工作會改變但不會消失」可能是真心的，但同時這也是他在商業上必須採取的立場——因為如果客戶害怕導入AI，就不會買基礎設施。

這不是Garman個人的問題。這是基礎設施供應商必然面臨的結構性兩難。他們必須說「AI將改變世界」，但也必須說「世界不能改變得太快」。

真正衡量AI導入的標準很簡單。不該問「用了多少」，而該問「改變了什麼」。如果保險理賠處理從60天縮短到3天，那無論用了多少Token，都有價值。韓國企業推動AI轉型時，應該先設計業務結果指標，而非使用量指標，原因就在這裡。

結語

總結一下。

亞馬遜裁員三萬、錄用一萬，這不是矛盾，而是一種人才組合的更替。但這個更替是基於真正的生產力，還是像Tokenmaxxing一樣建立在「使用量」這個虛假數據之上，目前仍在驗證中。大型科技四強今年投入的7,000億美元、韓國企業跟進的AI轉型投資，判斷這些需求真偽最簡單的問題就是：不是「AI用了多少」，而是「AI讓什麼改變了」。

各位在公司導入AI工具後，有被要求測量「使用率」或「活用度」的經驗嗎？當時實際測量的，是工具的價值，還是使用的證據？歡迎在留言區分享經驗，我會在下一期文章中反映。

---

💬 歡迎在留言區分享AI導入測量的經驗或想法 · 📨 如果這篇文章對同事有幫助，請分享給他們。

---

覺得有幫助嗎？分享給更多人

複製連結XLinkedInThreadsKakaoTalk네이버 밴드

參考資料 & 延伸閱讀

核心來源

• Casey Newton, “The CEO of AWS on why Amazon is hiring 11,000 interns and junior employees”, Platformer, 2026.6.24. ：收錄了AWS Garman的「Excel比喻」和Token排行榜相關的直接發言。
• Financial Times, “Amazon employees inflate AI usage on internal leaderboards”, 2026.5.11. ：首次報導Tokenmaxxing現象的文章，包含亞馬遜員工訪談。
• The Information, “Meta’s Claudeonomics leaderboard”, 2026.4.7. ··· 報導Meta 60兆Token消耗情況的原始文章。

背景知識

• Erik Brynjolfsson, Danielle Li, Raymond Wang, “Canaries in the Coal Mine? Six Facts about the Recent Decline in Entry-Level Hiring”, Stanford Digital Economy Lab, 2025. ：實證分析22~25歲初級從業者就業減少的論文，是本文「階梯底端」討論的核心依據。
• Stanford HAI, “AI Index Report 2026”, 2026.4. ：彙整初級開發者就業減少20%、AI導入率53%等關鍵數據的年度報告。
• Catch（招聘平台）, “2025年大型企業新人招聘廣告分析”, 2025.12. ：韓國大型企業IT和通訊新人招聘急減67%數據的來源。

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。 最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

1. Tokenmaxxing：人為膨脹AI工具使用量以提升內部排行榜排名的行為。由「Token」（AI處理數據的單位）和「maxxing」（極大化）組合而成，是2026年在大型科技公司中同時出現的現象。 ↩

2. Token：AI模型處理文本時使用的最小數據單位。韓文一個字大約對應2~3個Token，AI服務費用大多以Token消耗量為計價基準。 ↩

3. Agent（AI代理）：無需人類介入即可自主判斷並執行任務的AI軟體。與簡單聊天機器人不同，能自主處理程式碼部署、郵件處理、日程管理等實務工作。 ↩

4. CAPEX（Capital Expenditure，資本支出）：企業對數據中心、伺服器、不動產等長期資產的投資成本。在AI時代，GPU伺服器和電力基礎設施的建設成本佔CAPEX的大部分。 ↩

5. PoC（Proof of Concept，概念驗證）：為確認新技術或想法是否真正可行而進行的小型實驗。成功則進入正式導入，失敗則中止。 ↩

6. 古德哈特定律（Goodhart’s Law）：由英國經濟學家Charles Goodhart提出的原理，意為「當測量指標被轉化為目標時，該指標就不再是好的測量工具」。Token消耗量從AI生產力的「指標」變為「目標」的那一刻，就失去了衡量生產力的功能，是典型的案例。 ↩