从最大化 token 到最大化结果：AI 的使用方式决定生产力

生成式人工智能 (AI) 模型可以执行日益复杂的任务，但更多的人工智能使用并不一定会转化为成比例的生产力提升。我们将 token-max 视为这种低效率的根源之一：当 token 消耗被视为生产性工作时，智能体被鼓励过度使用和超出必要的计算量。相反，我们提出了结果最大化，它奖励每单位成本独立验证的任务完成情况，并引入原则性的停止规则。然后，为了研究这些目标，我们开发了一个三级模拟框架，涵盖即时交互、长期行为适应和组织协作。在所有三个层面上，结果最大化提高了人工智能辅助生产的效率，同时在很大程度上保留了经过验证的任务性能。为了进一步将这些激励措施与成果最大化结合起来，我们引入了 OutcomeShare，一种激励机制。理论和模拟表明，OutcomeShare 可以诱导参与，同时为员工、公司和 LLM 提供商带来共享收益。总之，我们的结果表明，人工智能生产力不仅取决于模型能力，还取决于如何构建管理人工智能使用的目标。