ما هو «توكنماكسينغ»؟ المقياس القائم على الذكاء الاصطناعي الذي أدى إلى انهيار نفسه

في غضون 30 يومًا، استخدم موظفو Meta ما يقارب 60 تريليون توكن ذكاء اصطناعي عبر لوحة تصنيف داخلية تصنفهم حسب الاستهلاك؛ وهي فاتورة تجاوزت على الأرجح 100 مليون دولار لإنتاج عمل كان في الغالب استعراضيًا. وبعد تسعين يومًا، اختفت لوحة التصنيف، وبدأت الشركة في تقييد استخدام الذكاء الاصطناعي بشكل صارم.

يُطلق على هذه المرحلة اسم «توكنماكسينغ»: وهي عندما يتم ترقية تعظيم استخدام رموز الذكاء الاصطناعي إلى مؤشر للأداء ومقياس للإنتاجية. ومنذ ذلك الحين، أصبحت الشركات أكثر حكمة، بل إن بعضها ذهب إلى أقصى حد في تصحيح هذا الاتجاه في ظاهرة أُطلق عليها اسم «توكنمينينغ»: وهي استخدام أقل عدد ممكن من رموز الذكاء الاصطناعي لتقليل تكاليف الحوسبة. وكلا النهجين فاشلان لأنهما يعاملان عدد الرموز كمؤشر موثوق للنمو المدفوع بالذكاء الاصطناعي.

في هذا المقال، سنتناول التكلفة الفعلية لـ «tokenmaxxing»، وكيف استغلها المهندسون، ونظام القياس الذي يصمد أمام الأشخاص البارعين في التلاعب بالأرقام.

ما هو «Tokenmaxxing»؟

«Tokenmaxxing» هي ممارسة تهدف إلى تعظيم استهلاك رموز الذكاء الاصطناعي واعتبار الاستخدام المتزايد دليلاً على زيادة الإنتاجية أو انتشار استخدام الذكاء الاصطناعي. الرموز هي الوحدات التي يعالجها نموذج الذكاء الاصطناعي كمدخلات وينتجها كمخرجات.

أصبح استخدام الرموز مقياسًا جذابًا للأداء لأنه مرئي وقابل للقياس الكمي، كما أن العديد من منصات الذكاء الاصطناعي تتتبعه بالفعل. وهذا يجعل الإبلاغ عنه أسهل من الإبلاغ عن النتائج مثل الوقت الموفر، أو القرارات المحسنة، أو الإيرادات المحققة. لكن الرموز تقيس النشاط الحسابي، وليس العمل المفيد. فالمطالبات المتكررة، وحلقات الوكلاء الفاشلة، والمخرجات التي لا طائل منها، كلها عوامل ترفع الرقم دون أن تنتج شيئًا.

وتزيد العوامل الذكية من تفاقم هذه المشكلة. فالعامل الذكي يقرأ السياق، ويستدعي الأدوات، ويراجع عمله، ويسلم المهام إلى عوامل أخرى. وكل خطوة تستهلك الرموز. وفي حين أن زيادة النشاط قد تعني مزيدًا من العمل المفيد، فإنها قد تعني أيضًا سير عمل غير فعال وتكاليف متزايدة.

ببساطة، يكمن العيب الأساسي في «توكنماكسينغ» في أن الفرق تعمل على زيادة الرقم الظاهر إلى أقصى حد بينما تظل الإنتاجية والجودة والعائد على الاستثمار على حالها.

لماذا اكتسبت تقنية «tokenmaxxing» شعبية؟

اكتسبت «Tokenmaxxing» شعبية لأن القيادات كانت بحاجة إلى رقم لإثبات أن اعتماد الذكاء الاصطناعي داخل الشركات كان يحدث بالفعل. وكان استخدام الرموز هو المقياس الوحيد الذي يظهر في لوحة التحكم الخاصة بالفواتير.

حدد جينسن هوانغ ، الرئيس التنفيذي لشركة Nvidia، اتجاه النقاش في أوائل عام 2026 خلال بودكاست «All-In» من خلال تجربة فكرية حول فاتورة الرموز الرقمية لمهندس يتقاضى راتبًا مرتفعًا.

وقال: «إذا لم يستهلك ذلك المهندس الذي يتقاضى 500,000 دولار ما لا يقل عن 250,000 دولار من الرموز الرقمية، فسأشعر بقلق بالغ». وماذا لو كانت الإجابة 5,000 دولار؟ سيغضب بشدة.

أصبح استخدام الذكاء الاصطناعي مؤشراً واضحاً على من يواكب التطورات. كان هذا يحدث في وقت كانت فيه الأسئلة حول الأدوار التي سيستوعبها الذكاء الاصطناعي تطرح في كل اجتماع تخطيطي. بدا المهندسون الذين أنفقوا الرموز وكأنهم يتكيفون مع النموذج الجديد، في حين أن أولئك الذين لم يفعلوا ذلك خاطروا بأن يُنظر إليهم على أنهم مشكلة.

وها هي المفارقة: لم يكن المقصود أبدًا أن تكون أول قائمة تصنيف للرموز الرقمية بمثابة منافسة. فقد أنشأت Shopify هذه القائمة لفهم أسباب إنفاق كبار عملائها لمبالغ كبيرة، وليس لترتيبهم في منافسة بين بعضهم البعض. وقد وصف فارهان ثوار، نائب الرئيس ورئيس قسم الهندسة، لاحقًا كيف تطورت هذه الأداة.

أعادت الشركة تسميته بـ«لوحة معلومات الاستخدام»، وأضافت آليات وقف التداول وتنبيهات الإنفاق، واستخدمت البيانات للكشف عن الوكلاء المتهورين وأخطاء البنية التحتية. كتب فارهان:

يُعد «Tokenmaxxing» موضوعًا مثيرًا للجدل. فالمزيد لا يعني بالضرورة الأفضل. لقد أنشأنا أول لوحة تصنيف لرموز الذكاء الاصطناعي. ثم طورنا طريقة تفكيرنا. وأصبحت لوحة معلومات للاستخدام. نفس البيانات ولكن بإطار مختلف. أضفنا آليات وقف التداول وارتفاعات الإنفاق. وكشفنا عن العناصر الخارجة عن السيطرة. واكتشفنا أخطاء في بنيتنا التحتية. الإشارة الحقيقية: ليست من أنفق أكثر، بل أولئك الذين حققت رموزهم أكبر تأثير. هؤلاء هم المهندسون الذين أرغب في التحدث إليهم.

استخدمت معظم الشركات التي قلدت لوحة المتصدرين الخاصة بـ Shopify هذه اللوحة لتصنيف الموظفين بدلاً من تحليل الإنفاق على الذكاء الاصطناعي. يوضح الجدول أدناه كيف سارت الأمور في كل شركة منها.

النمط الظاهر في هذا الجدول متسق. فقد حافظت المؤسسات التي استخدمت بيانات الرموز الرقمية للتحقيق في حالات الإنفاق المرتفع على مؤشر فعال. أما المؤسسات الأخرى التي استخدمتها لتصنيف الأفراد فقد فقدت هذا المؤشر في غضون ربع سنة.

كيف قام المهندسون بتضخيم استخدامهم للرموز الرقمية؟

قام المهندسون بتضخيم استخدامهم للرموز من خلال إنشاء أنشطة ذكاء اصطناعي باهظة التكلفة لم يخططوا أبدًا لإطلاقها. وقد أورد موقع «The Pragmatic Engineer» تقارير عن هذا السلوك في شركات «Meta» و«Microsoft» و«Salesforce»، ووجد أربع تكتيكات شائعة. ولم تكن أي منها تنطوي على نية سيئة. فقد اكتفى الموظفون برؤية رقم ظاهر، وشعروا بالقلق من التسريح من العمل، وافترضوا أن الاستخدام المكثف للذكاء الاصطناعي سيحميهم:

قام العديد من المهندسين بمراجعة ما ينفقه زملاؤهم. ثم استهلكوا ما يكفي فقط ليكونوا أعلى بقليل من المتوسط. فلم يكونوا يسعون إلى احتلال المركز الأول بقدر ما كانوا لا يريدون أن يتم الإبلاغ عنهم لعدم استخدامهم الذكاء الاصطناعي بشكل كافٍ.

في شركة أمازون، كان الموظفون يسندون مهام تافهة واختلاقية إلى وكلاء الذكاء الاصطناعي لرفع درجاتهم في «Kirorank». وأدى ذلك إلى زيادة تكاليف الخدمات السحابية دون تحقيق أي نتائج تجارية. وعندما ألغت أمازون قائمة المتصدرين، أخبر نائب الرئيس الأول ديف تريدويل الموظفين أنها أُنشئت بنوايا حسنة. ثم سألهم بصراحة: «من فضلكم، لا تستخدموا الذكاء الاصطناعي لمجرد استخدامه.»

في إطار هذا التغيير، أصبحت أمازون الآن تتابع ما إذا كان الكود الذي تولده الذكاء الاصطناعي يعمل ويحقق قيمة. ولم يعد استهلاك الرموز أولويتها الرئيسية.

كم كلفت ممارسة «Tokenmaxxing» الشركات؟

من المرجح أن يكون «Tokenmaxxing» قد كلف شركة «Meta» أكثر من 100 مليون دولار في شهر واحد، واستنفد ميزانية «Uber» السنوية المخصصة للذكاء الاصطناعي في أربعة أشهر. ويستند تقدير «Meta» إلى حسابات حسابية بسيطة. فوفقًا لأسعار واجهة برمجة التطبيقات (API) الخاصة بـ«Claude Opus» (عند نشر الخبر)، فإن 60.2 تريليون توكن ستكلف حوالي 900 مليون دولار. وتتمكن شركة بحجم «Meta» من التفاوض للحصول على خصومات كبيرة، ولكن حتى في هذه الحالة، قد يصل المبلغ إلى تسعة أرقام.

تقدم شركة «أوبر» الصورة الأوضح للتكلفة، لأنها لم تطبق أبدًا نظام تصنيف. فقد زودت الشركة ما يقارب 5,000 مهندس بأدوات برمجة ذاتية دون نموذج للإنفاق. وفي غضون شهر واحد، ارتفعت نسبة المهندسين المصنفين كمستخدمين ذاتيين من 32% إلى 84%. واستنفدت الميزانية السنوية بالكامل في غضون أربعة أشهر .

اعترف المدير التقني، برافين نيبالي ناغا، بأن الشركة «عادت إلى نقطة البداية» فيما يتعلق بافتراضاتها. تراوحت الفواتير الشهرية بين 500 و2,000 دولار لكل مهندس، وكان الحل صريحًا: حد أقصى شهري قدره 1,500 دولار لكل أداة برمجة، لكل مهندس.

وعندما ينفق المهندسون الذين يؤدون أعمالًا متشابهة مبالغ متباينة إلى هذا الحد، فإن هذا التباين يدل على أن أحدًا لم يحدد ما هو الشكل الصحيح للاستخدام الجيد. لذا ابتكر كل مهندس تعريفه الخاص. واعترف أندرو ماكدونالد، مدير العمليات في أوبر، بهذه النقطة، حيث قال لمجلة «فورتشن» إنه «من الصعب جدًّا رسم خط فاصل» بين الكود المدعوم بالذكاء الاصطناعي والميزات المفيدة التي يتم طرحها فعليًّا.

كشف تقرير «تأثير الذكاء الاصطناعي» الصادر عن LeadDev أن 19% فقط من قادة الهندسة يعتبرون «توكنماكسينغ» أسلوبًا فعالاً. ويقول 57% منهم إنه يفشل في قياس القيمة الحقيقية.

وإليك سبب سرعة تدفق الأموال: يقوم الوكيل الذي يخطط لتغيير في الكود بقراءة المستودع، واستدعاء الأدوات، وإجراء الاختبارات، وإعادة المحاولة حتى ينجح. يمكن أن تستهلك حلقة واحدة عشرات الآلاف من الرموز، كما أن عمليات القراءة من ذاكرة التخزين المؤقتة للمطالبات تزيد هذا العدد أكثر.

قامت فرق الشؤون المالية بوضع ميزانية للذكاء الاصطناعي كما لو كان ترخيصًا لمستخدم واحد. لكنه في الواقع يعمل كالحوسبة السحابية. تظهر الفجوة المحاسبية نفسها عندما تقوم الفرق بتجميع مجموعة من حلول الذكاء الاصطناعي من عدة موردين دون تحديد الجهة المسؤولة عن دفع الفاتورة. وهذا هو نفس نمط الفشل الذي يحدث مع التوسع غير المنظم في استخدام الأدوات، ولكن على مستوى أعلى.

ما هو «توكينمينينغ»؟

«توكينمينينغ» (Tokenminning) هي ممارسة تهدف إلى تقليل استهلاك الرموز الرقمية الخاصة بالذكاء الاصطناعي إلى الحد الأدنى، واعتبار انخفاض الاستخدام هدفًا في حد ذاته. وكما ناقشنا في المقدمة، فهي تصحيح مفرط، ولها نتائج سيئة مماثلة. الاسم هو اختصار لعبارة «تقليل الرموز الرقمية» (token minimizing)، وقد ظهر كتصحيح لـ«توكنماكسينغ». وقد أوردت صحيفة «نيويورك تايمز» هذا التحول في العديد من الشركات.

أبلغت شركة «ميتا» موظفيها أنها ستحد من استخدام الذكاء الاصطناعي بعد «زيادة هائلة» في التكاليف. ووضعت «أوبر» سقفًا للإنفاق الشهري، وفرضت «وولمارت» قيودًا على استخدام الأدوات، وقامت كل من «أمازون» و«ميتا» بإزالة قوائم التصنيف الخاصة بهما. وفي غضون أسابيع، أصبحت نفس الشركات التي كانت تحتفي بأكثر مستخدمي الذكاء الاصطناعي نشاطًا هي التي تعلم الجميع كيفية ترشيد الاستخدام.

هذا التصحيح يكرر الخطأ الذي كان من المفترض أن يعالجه. قانون جودهارت يفسر ذلك بشكل أفضل: عندما يصبح المقياس هدفًا، فإنه يتوقف عن كونه مقياسًا جيدًا. لذا، إذا حددت استخدام الرموز المميزة للذكاء الاصطناعي كهدف، فسيجد الناس طرقًا لتحسين هذا المقياس، حتى لو كان ذلك على حساب تقويض الهدف الأصلي. يحذر قانون جودهارت من «توكنماكسينغ» و«توكنمينينغ».

إذا كافأت فريقًا على حرق الرموز، فسوف يحرق الرموز التي لا يحتاجها. وإذا كافأت فريقًا على توفير الرموز، فسوف يتخطى تشغيل الذكاء الاصطناعي الذي كان سيكتشف خطأً برمجيًّا. أو سيقسم جلسة عمل شاملة واحدة إلى ثلاث جلسات رخيصة، تعطي كل منها إجابة أقل عمقًا. ويحقق كلا الفريقين أهدافهما في استخدام الرموز، بينما يتدهور أداء العمل الفعلي.

التحكم في التكاليف في حد ذاته ليس هو الخطأ. كما في مثال «أوبر»، فإن الحد الأقصى الشهري البالغ 1,500 دولار هو قرار متعلق بالميزانية اتُخذ بعد أن استنفدت الشركة ميزانية عام كامل في غضون أربعة أشهر. لكن تحديد حد للإنفاق لا يحل سوى مشكلة مالية. فهو لا يجيب على السؤال عما إذا كانت الرموز قد اشترت أي شيء مفيد.

الحل يكمن في الفصل بين نوعين من الأرقام: المؤشرات التي تراقبها والنتائج التي تسعى لتحقيقها. يُعد استخدام الرموز ومعدل تبنيها ونسبة الكود المكتوب بواسطة الذكاء الاصطناعي مؤشرات تُظهر ما يحدث داخل النظام. وهي مفيدة عند التحقيق في مشكلة ما، لكنها لا تُعد أهدافًا جيدة. لأن كل واحد منها يمكن أن يتغير كثيرًا دون أن يلاحظ العميل أي فرق.

بدلاً من ذلك، يجب أن تهدف المؤسسة إلى تحقيق النتائج. فهي تتبع نفس المنطق الذي تتبعه أي مجموعة جيدة التصميم من مؤشرات الأداء الرئيسية (KPI) لتطوير البرمجيات: ربط إشارة مبكرة بالنتيجة التي من المفترض أن تتنبأ بها. وتعد لوحة معلومات التحويل في Shopify نموذجًا لذلك: نفس البيانات، دون ربطها بأي ترتيب في قائمة المتصدرين.

وصف نيل دهار، نائب الرئيس الأول في IBM Consulting، كيف ينتشر الارتباك في مقال حول تكاليف الذكاء الاصطناعي.

#Tokenmaxxing احتلت العناوين الرئيسية مؤخرًا. كان ذلك دافعًا مؤسسيًّا لاستخدام أكبر قدر ممكن من الذكاء الاصطناعي بأسرع ما يمكن، وتحويل الاستخدام إلى مؤشر للقيمة. والآن حان وقت دفع الثمن. مع تجاوز تكاليف الذكاء الاصطناعي العوائد، فإن رد الفعل الطبيعي هو خفض الإنفاق. لكن خفض الإنفاق وحده لن يحل مشكلة العائد على الاستثمار الأساسية.

وفقًا لشركة IBM، يكمن الحل في التعامل مع الاستخدام كإشارة، وربطه بنتيجة لا يمكن تزويرها.

هل يعني زيادة استخدام الرموز زيادة في الإنتاجية؟

لا، لا يعني ارتفاع استخدام الرموز ارتفاع الإنتاجية. تُظهر أكبر قواعد البيانات المتاحة أن هذين العاملين يتحركان بشكل مستقل عن بعضهما. أظهرت أبحاث أجرتها منصة المعلومات الخاصة بالمطورين DX أن اعتماد الذكاء الاصطناعي يقترب من مرحلة التشبع، في حين ظلت مكاسب الإنتاجية المقاسة ثابتة.

وقد شاركت لورا تاتشو، المديرة التقنية في شركة DX، الأرقام. فمن بين المطورين، يستخدم 92.6% الآن مساعد برمجة يعمل بالذكاء الاصطناعي مرة واحدة على الأقل شهريًّا، ويستخدم حوالي 75% منهم مساعدًا أسبوعيًّا. ويكتب الذكاء الاصطناعي 26.9% من كود الإنتاج. ومع ذلك، ظل التوفير في الوقت الذي أبلغ عنه المطورون أنفسهم عند حوالي أربع ساعات أسبوعيًّا لأكثر من عام. ولم يزد معدل زيادة الإنتاجية الأولي البالغ 10% مطلقًا.

استمر الاستخدام في الارتفاع بينما بقيت النتائج ثابتة. أي مقياس يتتبع الاستخدام وحده كان يُظهر نجاحًا لم يحدث أبدًا.

يشرح تقرير DORA الصادر عن Google Cloud سبب تباين النتائج التي تنتجها الأدوات نفسها. فقد توصل التقرير إلى أن اعتماد الذكاء الاصطناعي حسّن سرعة التسليم ، لكنه أضر باستقراره. ويصف التقرير الذكاء الاصطناعي بأنه «مضخم»: فهو يضخم نقاط القوة في المؤسسات التي تدار بشكل جيد، ونقاط الضعف في المؤسسات التي تعاني من صعوبات.

تُظهر البيانات الخاصة بـ DX تأثير هذا المُعزِّز في الواقع. ففي مجموعة واحدة ضمت 67,000 مطور، شهدت بعض المؤسسات تضاعف الحوادث المتعلقة بالعملاء، بينما خفضتها مؤسسات أخرى إلى النصف، وذلك باستخدام نفس الأدوات خلال نفس الفترة. ويضع Tacho المسؤولية حيث تشير إليها البيانات:

هذه في الحقيقة مشكلة إدارية. فقد أوحت الضجة الإعلامية بأن مجرد تجربة الذكاء الاصطناعي ستؤتي ثمارها تلقائيًا. لكن حتى الآن، استُخدمت معظم الأدوات في مهام البرمجة الفردية. ولرؤية تأثير حقيقي، نحتاج إلى استخدام الذكاء الاصطناعي على المستوى المؤسسي، وليس فقط في مهام فردية.

هناك مشكلة ثانية تكمن وراء المشكلة الأولى: يخطئ الناس في تقدير مدى تسريع الذكاء الاصطناعي لعملهم. أجرى مختبر الأبحاث غير الربحي METR تجربة عشوائية محكومة. أنجز 16 مطورًا متمرسًا في مجال البرمجيات مفتوحة المصدر 246 مشكلة حقيقية في مستودعات كانوا يديرونها لمدة خمس سنوات في المتوسط. قبل البدء، توقع المطورون أن تزيد الذكاء الاصطناعي من سرعتهم بنسبة 24%. وبعد الانتهاء، قدروا أن الذكاء الاصطناعي زاد من سرعتهم بنسبة 20% تقريبًا. لكن ساعة التوقيت أظهرت أنهم كانوا أبطأ بنسبة 19%.

في تحديث لاحق، أوضح المختبر أن تجربته التالية واجهت تأثيرات انتقائية لم يتمكن من تصحيحها. كما ذكر أن المطورين أصبحوا الآن أسرع حقًّا في استخدام الذكاء الاصطناعي، ويرجع الفضل في ذلك إلى حد كبير إلى الأدوات التفاعلية. ما يبقى: الإنتاجية المُبلغ عنها ذاتيًا ليست بديلاً عن الإنتاجية المقاسة، ويمكن أن تمتد الفجوة بينهما في أي من الاتجاهين.

ما الذي يجب قياسه بدلاً من استخدام الرموز الرقمية؟

بدلاً من التركيز على استخدام الرموز، قم بقياس النتائج على مستوى الفريق ثم على مستوى المؤسسة. تعامل مع استخدام الرموز كإشارة إلى التكلفة لا يُصنف أحد بناءً عليها. ما يهم هو النتائج المحققة.

قاعدة عملية واحدة يجب اتباعها: اربط كل إشارة تنشرها بنتيجة لا يمكنها تضخيمها. يمكن للفريق حرق الرموز دون تقديم أي منتج. ومع ذلك، لا يمكنه تزوير انخفاض معدل فشل التغيير.

تستمد هذه البنية قوتها من أطر القياس التي يثق بها قادة الهندسة بالفعل. تغطي DORA سرعة التسليم والاستقرار، وتعد النتيجة التي توصلت إليها بأن الذكاء الاصطناعي يعزز كليهما السبب وراء أهمية هذا الاقتران.

يقيس مؤشر DX Core 4 أربعة أبعاد: السرعة، والفعالية، والجودة، والتأثير على الأعمال. قامت أبي نودا ولورا تاتشو بتطويره بالتعاون مع نيكول فورسغرين ومارغريت-آن ستوري، الباحثتان اللتان تقفان وراء DORA وSPACE وDevEx. وتتعارض هذه الأبعاد الأربعة مع بعضها البعض عن قصد.

الفريق الذي يحسن أحد العناصر على حساب الآخر يكشف عن المفاضلة على الفور. لا يتضمن أي من الإطارين مقياسًا للرموز، ولم يقم أي منهما بإضافة واحد.

ثلاث قواعد تجعل هذا الاقتران صالحًا في الممارسة العملية:

كيف تضع سياسة لاستخدام الذكاء الاصطناعي لا يستطيع الموظفون التلاعب بها؟

لوضع سياسة لاستخدام الذكاء الاصطناعي لا يستطيع الموظفون التلاعب بها، قم بإزالة كل الأرقام الظاهرة من تقييم أداء الفرد واتخذ خمسة قرارات:

1. حدد الغرض من الرقم قبل أن تبدأ في جمعه

كل مقياس في السياسة يحتاج إلى غرض مكتوب قبل إطلاق لوحة المعلومات الأولى. كانت لوحة المتصدرين في Shopify ناجحة في بدايتها. استخدمتها الإدارة لبدء محادثات مع كبار المنفقين حول ما كانوا يعملون عليه. كان الرقم بمثابة مدخل لبدء التحقيق. وبمجرد أن يغلق الرقم نفسه تحقيقًا ما، مستنتجًا شيئًا عن الشخص بدلاً من طرح سؤال حول العمل، فإنه يتحول إلى درجة. والدرجات تخضع للإدارة.

دوّن ثلاثة عناصر لكل مقياس:

إن «خط عدم اتخاذ إجراء» هو الذي يتحمل الجزء الأكبر من العبء، لأن الموظفين يقيسون أداءهم وفقًا لهذه السياسة. إذا كانت الإجابة الصادقة على سؤال «ماذا يحدث عندما ترتفع النفقات» تتعلق بمكانة أي شخص، فهذا يعني أنك قد أنشأت قائمة تصنيف تتضمن خطوات إضافية.

2. حدد الميزانية على مستوى الفريق

يحل «ميزانية الفريق المشتركة» محل الحد الأقصى المخصص لكل فرد، والفرق هنا سلوكي وليس محاسبي. ويُظهر التفاوت الشهري في أجر مهندسي أوبر، الذي يتراوح بين 500 و2,000 دولار أمريكي، رغم قيامهم بعمل متشابه، ما يحدث في غياب نقطة مرجعية مشتركة. فكل فرد يبتكر تعريفه الخاص لما هو «معقول». وتعمل «ميزانيات الفريق المشتركة» بنفس طريقة أي جهد آخر يهدف إلى تجميع نفقات الذكاء الاصطناعي المتناثرة في مكان واحد خاضع للمساءلة.

يمنحك «الظرف» ثلاث مزايا لا يمكن للحد الأقصى المحدد لكل شخص أن يوفرها:

حدد حجم الميزانية الأولية بناءً على البيانات الملاحظة. خذ متوسط الفريق خلال الأشهر الثلاثة الماضية وأضف هامشًا لمشروع واحد مكلف. الميزانية التي تم تحديدها بناءً على التخمين يتم تجاوزها في الأسبوع الثاني، مما يُعلّم الجميع أن هذه السياسة مجرد زينة.

3. اجعل المسار المكلف مرئيًا

أظهر للمهندسين تكلفة كل عملية تشغيل بدلاً من وضع حد أقصى لما يمكنهم إنفاقه. عمليات تشغيل Agentic التي تتكرر عند فشل الاختبارات هي التي تستنزف الميزانيات، مما يجعل وضع حد أقصى صارمًا أمرًا ضروريًا. خيار آخر هو إظهار تكلفة كل عملية تشغيل للمهندس الذي أطلقها، دون الإبلاغ عنها إلى الإدارة العليا.

المهندس الذي يرى أن حلقة إعادة المحاولة تهدر 40 دولارًا سيقوم بإصلاح هذه الحلقة. من ناحية أخرى، فإن المهندس الذي يخشى صدور تقرير سيتوقف عن استخدام الوكيل تمامًا، حتى في الحالات التي كان فيها التشغيل المكلف هو القرار الصحيح.

تعمل آليات وقف التشغيل في Shopify على النحو التالي: يكتشف النظام الانحراف عن المعتاد، ويقرر الشخص الأقرب إلى العمل ما يجب فعله. تؤدي الرؤية إلى تغيير السلوك بشكل أسرع من الحد الأقصى، وتبقي العملية المكلفة — ولكن الصحيحة — متاحة عندما يبرر العمل هذه التكلفة.

4. افصل هدف اعتماد الذكاء الاصطناعي عن تقييم الأداء

ضع شروط الفصل في صيغة مكتوبة، لأن التأكيدات الشفوية لا تصمد أمام دورة التسريح. المهندس في مايكروسوفت الذي وصف تضخيم مقاييس الاستخدام الخاصة بشركته لموقع «The Pragmatic Engineer» لم يكن يسعى وراء جائزة. بل كان يتجنب وصمة العار في عام شهد موجة تسريح موظفين على خلفية الذكاء الاصطناعي.

إذا اعتقد الناس أن بيانات الاستخدام تصل إلى اجتماع المعايرة، فسوف يديرون البيانات، بغض النظر عما يقوله أي شخص بصوت عالٍ.

تحتاج صيغة السياسة إلى سطرين بالضبط:

ثم احترم كليهما. أول مهندس يرى بيانات الاستخدام تظهر في المراجعة سيخبر الجميع بذلك، مما يثبت أن هذا المقياس زائد عن الحاجة.

5. راجع الإقران كل ثلاثة أشهر

في كل ربع سنة، اسأل نفسك ما إذا كان كل تشخيص لا يزال يفسر النتيجة المقترنة به. فأسعار النماذج، وسلوك التخزين المؤقت، وبنية الوكلاء، كلها تتغير بوتيرة أسرع من دورة التخطيط السنوية.

تتغير باستمرار الطرق التي تطبق بها الفرق الذكاء الاصطناعي في التخطيط وإعداد التقارير. فعدد الرموز الذي كان يعني شيئًا ما في يناير أصبح يعني شيئًا مختلفًا بحلول يونيو، بعد خفضين في السعر وترقية للوكيل.

تقدم المراجعة نتائج صادقة لكل مقياس: إما أنه لا يزال يتنبأ بالنتيجة المقترنة، أو يحتاج إلى إعادة المعايرة وفقًا للأسعار الجديدة، أو توقف عن تفسير أي شيء وتم سحبه دون أي مراسم. وتقاوم الفرق سحب المقاييس أكثر من أي شيء آخر. ومع ذلك، فإن سحب المقاييس أمر مهم لأن المقياس الذي يفقد معناه هو بالضبط النوع من الأرقام التي بُنيت عليها حقبة قوائم المتصدرين.

الأخطاء الشائعة التي ترتكبها الفرق عند قياس مدى تبني الذكاء الاصطناعي

الأخطاء الأربعة الأكثر شيوعًا هي اعتبار التبني خط النهاية، والاعتماد على التوفيرات الزمنية المعلنة ذاتيًا، ونشر قوائم الترتيب الفردية، وقياس السرعة دون قياس الاستقرار. يمكنك اكتشاف كل خطأ قبل أن يكلفك الكثير.

1. اعتبار التبني بمثابة خط النهاية

تشير لوحة معلومات التنفيذ إلى نسبة 90٪، وتعلن الإدارة أن مبادرة الذكاء الاصطناعي قد اكتملت، ولا أحد يسأل عما تغير في المراحل اللاحقة. كشفت بيانات DX عن هذا الفخ على نطاق واسع: نسبة تبني بلغت 92.6٪ مع بقاء الإنتاجية ثابتة عند 10٪. إن التبني يؤكد فقط أن الأدوات وصلت إلى المستخدمين. لكنه لا يقول شيئًا عما أحدثته هذه الأدوات من تغيير.

الحل: قم بإلغاء مخطط التبني بمجرد انتهاء عملية الطرح، واستبدله بزوج من الإشارات والنتائج.

2. الثقة في التوفيرات الزمنية المبلغ عنها ذاتيًا

تشير إحدى الدراسات الاستقصائية إلى أن الفريق يوفر خمس ساعات أسبوعيًا، لكن مدة الدورة لم تتغير خلال ربعين. توضح تجربة METR سبب التناقض بين هذين الرقمين: فالمطورون الذين عملوا ببطء ملحوظ باستخدام الذكاء الاصطناعي ما زالوا يقدرون زيادة في السرعة بنسبة 20% بعد ذلك. فما يعتقده الناس وما تسجله الساعة هما مقياسان مختلفان.

الحل: احتفظ بالاستبيان لتقييم تجربة المطورين، حيث يكون للتصورات أهمية كبيرة. واستخدم بيانات النظام لأي ادعاء يتعلق بالوقت.

3. نشر قائمة تصنيف فردية لمجرد التسلية

يقوم أحدهم بإنشائه على ويكي داخلي في ظهيرة يوم واحد، ويطلق عليه أسماء مرحة، ويستمتع الفريق به حقًا لمدة ثلاثة أسابيع تقريبًا. ثم تسيطر الحوافز على الموقف. فقد بدأت كل من «Claudeonomics» التابعة لشركة «Meta» و«Kirorank» التابعة لشركة «Amazon» كمبادرة ترفيهية شعبية. وقامت كلتا الشركتين بإيقافهما بمجرد أن تجاوزت الألعاب الحماس الذي كان يحيط بها.

الحل: قم بتجميع البيانات على مستوى الفريق، أو لا ترسلها أصلاً.

4. قياس السرعة دون قياس الاستقرار

ترتفع معدل الإنتاجية، ويحتفل الجميع، بينما يرتفع عدد الحوادث في لوحة معلومات فريق آخر. وقد حدد تقرير DORA هذا التباين بالضبط: تتحسن السرعة بينما تتدهور الاستقرار. ويؤدي الاحتفاظ هذين الرقمين في لوحات معلومات منفصلة إلى إخفاء المشكلة عن الأنظار.

الحل: ضع معدل فشل التغيير في نفس الشاشة مع أي مقياس للسرعة، لا في مراجعة موثوقية منفصلة لا يرجع إليها أحد.

كيفية تتبع تأثير الذكاء الاصطناعي في ClickUp

لتتبع تأثير الذكاء الاصطناعي في ClickUp، قم بقياس النتائج جنبًا إلى جنب مع العمل نفسه: المهام، والسبرينتات، والنتائج التي كان من المفترض أن يسرعها الذكاء الاصطناعي. توجد معظم لوحات معلومات الرموز في وحدة تحكم المزود، بعيدًا عن العمل الذي تصفه. ونقل مقاييس النتائج إلى مساحة العمل يسد هذه الفجوة.

ينعكس الترابط بين الإشارة والنتيجة المذكور سابقًا بشكل مباشر على المنصة:

راقب عدد الرموز دون تقييم الأشخاص بناءً عليها

تتلخص القصة بأكملها في قاعدة واحدة: استخدم بيانات الرموز لطرح الأسئلة، ولا تستخدمها أبدًا لتقييم الأشخاص. سألت Shopify: «ما الذي يبنيه كبار المنفقين لدينا؟»، فوجدت وكلاءً خارجين عن السيطرة وأخطاءً في البنية التحتية. سألت Meta وAmazon: «من أكثر من يستخدم الذكاء الاصطناعي؟»، فحصلتا على مهام مزيفة، وأهدرتا الملايين، وحصلتا على قوائم تصنيف عديمة الفائدة.

لذا، قم بثلاثة أمور في هذا الربع. انقل تتبع الرموز إلى مستوى الفريق واحذف أي شيء يظهر اسم فرد معين. اذكر في السياسة أن بيانات الاستخدام لا تؤثر أبدًا على تقييم الأداء. وضع مقياس جودة واحد (معدل فشل التغيير هو الأسهل) على نفس الشاشة مع كل مقياس سرعة تقوم بالإبلاغ عنه.

إذا كنت تريد أن تظهر تلك الشاشة بجانب العمل الفعلي بدلاً من أن تكون في أداة تقارير منفصلة، فابدأ باستخدام ClickUp مجانًا وقم بإنشاء لوحة المعلومات قبل أن تحتاج إليها.

الأسئلة الشائعة حول Tokenmaxxing (FAQs)

ما هي قاعدة الـ 30% الخاصة بـ «توكنماكسينغ»؟

لا توجد «قاعدة الـ30%» الرسمية الخاصة بـ«توكنماكسينغ». وعادةً ما تكون هذه العبارة اختصارًا لاثنين من النتائج المنفصلة التي يخلط بينهما الناس: أن الذكاء الاصطناعي يميل إلى رفع الإنتاجية الهندسية المقاسة بنسبة 10% تقريبًا ، وليس 30%، وأن المطورين يتنبأون بشكل روتيني بمكاسب تتراوح بين 20% و30% لا تتحقق في الواقع. تعامل مع أي نسبة مئوية ثابتة على أنها مؤشر تشخيصي يجب التحقيق فيه، ولا تعتبرها أبدًا هدفًا يجب تحقيقه.

مليون توكن يعادل تقريبًا 750,000 كلمة من النص الإنجليزي، حيث يبلغ متوسط حجم التوكن حوالي ثلاثة أرباع الكلمة. تعتمد التكلفة كليًّا على النموذج وتوزيع المدخلات والمخرجات. وبمعدلات نماذج Frontier لعام 2026، تتراوح التكلفة بين بضعة دولارات وعشرات قليلة من الدولارات لكل مليون. تستهلك الجلسات التي تعتمد على الوكلاء (Agentic) ملايين التوكنات بسرعة لأن كل حلقة تعيد قراءة السياق، كما أن عمليات قراءة ذاكرة التخزين المؤقتة للموجهات (prompt-cache) تزيد من العدد.

يجمع مصطلح «Tokenmaxxing» بين كلمة «token» واللاحقة المستخدمة على الإنترنت «-maxxing»، والتي تعني تعظيم سمة ما. وانتشر هذا المصطلح في أوساط المهندسين في أوائل عام 2026 بعد تسريب قوائم التصنيف الداخلية للرموز الرقمية في شركتي «Meta» و«Amazon» إلى الصحافة. وقد وصفته مجلة «بزنس إنسايدر» في أبريل 2026 بأنه «النقاش الجديد حول الذكاء الاصطناعي في وادي السيليكون ». ثم تبنّت قوائم التصنيف العامة مثل Viberank و tokenmaxxing.sh هذا المصطلح، حيث قامت بترتيب المطورين الأفراد في جميع أنحاء العالم حسب إنفاقهم على واجهات برمجة التطبيقات (API).

إلى حد كبير، نعم. أعلنت مجلة «فورتشن» انتهاء عصر «توكنماكسينغ» في مايو 2026 بعد أن تراجعت شركات «ميتا» و«أمازون» و«مايكروسوفت» و«أوبر» عن استخدام قوائم تصنيف الرموز الرقمية الخاصة بها أو ألغتها تمامًا. ووجد تقرير «LeadDev» حول تأثير الذكاء الاصطناعي أن 19% فقط من المشاركين في الاستطلاع يعتبرون «توكنماكسينغ» وسيلة فعالة لقياس قيمة الذكاء الاصطناعي، بينما يرى 57% أنه فشل فشلًا ذريعًا. ولا تزال قوائم التصنيف العامة التي ينظمها الهواة قائمة، ولكن كنوع من الألعاب، وليس كممارسة إدارية.

لا يوجد معيار مرجعي راسخ. فقد تراوحت الفواتير الشهرية عند إطلاق خدمة أوبر بين 500 و2,000 دولار لكل مهندس قبل أن تحدد الشركة سقف الإنفاق بـ1,500 دولار لكل أداة. وقد جادل جينسن هوانغ، الرئيس التنفيذي لشركة إنفيديا، بأن المهندس الذي يتقاضى 500,000 دولار يجب أن يستهلك 250,000 دولار من الرموز سنويًا، لكن هذا على الأرجح مجرد استفزاز، وليس معيارًا. تُظهر النتائج تباينًا واسعًا عبر الأعمال المماثلة، مما يعني أنه لم يحدد أحد ما الذي يُعتبر استخدامًا جيدًا.

يُعد «البرمجة التفاعلية» (Vibe coding) أسلوبًا في العمل: يتمثل في تفويض التنفيذ إلى وكيل يعمل بالذكاء الاصطناعي والتوجيه بناءً على النتائج. أما «توكنماكسينغ» فهو أسلوب في القياس: يتمثل في التعامل مع الرموز التي تستهلكها كدليل على الإنتاجية. يمكنك ممارسة «البرمجة التفاعلية» بكفاءة أو بإسراف؛ ويكافئ «توكنماكسينغ» النسخة المسرفة لأنه يحسب الاستهلاك فقط. وغالبًا ما عاقبت الشركات التي فرضت حدًا أقصى على الرموز لوقف «توكنماكسينغ» العمل الوكالي المشروع في هذه العملية.