Y Combinator 首席执行官 Garry Tan 认为，创业公司在使用 AI 智能体时，不应过早把重点放在压低 token 成本上。相反，他主张创始人在早期阶段可以更激进地投入算力和 token，用更高成本换取更强的模型能力与更快的试错速度。

主张先把能力开到上限

Tan 在 A16z 最新一期播客中表示，创始人需要允许自己大量消耗 token。在他看来，把 AI 智能体的调用强度拉高，相当于提前使用未来几年才会更普及的能力。

他给出的判断是，这种做法虽然昂贵，但对 CEO 或创始人来说可能是划算的。按他的说法，若把智能体“开满”，一年成本可能达到 5 万至 10 万美元。

重点不只是花钱

Tan 并不只是鼓励更高支出。他强调，关键在于把实验结果沉淀成可重复流程。一旦智能体成功完成某项任务，团队就应把过程整理成标准化指令，让系统后续自动重复执行。

他把这类说明文件视为一种可复用的数字化劳动力。换句话说，创业团队前期用更高 token 成本换来的，不只是单次产出，而是后续可以持续调用的工作流程。

• Tan 提到的高强度使用成本：每年约 5 万至 10 万美元
• 目标人群：CEO、创始人及高频试错团队
• 核心方法：先高投入实验，再把流程写成可复用指令

硅谷对 tokenmaxxing 看法分化

Tan 是少数公开支持“tokenmaxxing”的科技行业人士之一。所谓 tokenmaxxing，指的是在使用 AI 智能体时，主动允许系统消耗更多 token，而不是优先压缩调用量和成本。

但这一思路正面临更多质疑。上周，Uber 技术负责人 Praveen Neppalli Naga 表示，公司观察到的 AI 成本数据说明，所谓 tokenmaxxing 时代可能正在结束。下一阶段的竞争重点，不是谁花掉更多 token，而是谁能更高效地使用这些资源。

AI 编程公司 Cognition 首席执行官 Scott Wu 也在今年 6 月的一档播客中表达了类似看法。他认为，一些公司在鼓励 tokenmaxxing 时已经偏离重点，衡量团队表现不应看 token 消耗多少，而应看最终产出多少。

整体来看，这场分歧反映出 AI 应用进入更细化阶段后，行业正在能力优先和效率优先之间重新寻找平衡。对于创业公司而言，是否愿意先承担更高成本，换取更快的产品迭代和流程沉淀，正成为新的经营选择。