Какво е „токенмаксинг“? Показателят за изкуствен интелект, който се саморазруши

За 30 дни служителите на Meta изразходваха приблизително 60 трилиона AI токена чрез вътрешна класация, която ги подреждаше според потреблението; разходи, които вероятно надхвърлиха 100 милиона долара за създаване на работа, която до голяма степен беше само за показ. Деветдесет дни по-късно класацията изчезна, а компанията започна строго да ограничава използването на AI.

Този цикъл се нарича „токенмаксинг“: това е, когато максимизирането на използването на AI токени се превръща в показател за ефективност и индикатор за производителност. Оттогава компаниите са проявили по-голяма предпазливост, а някои са прекалили в обратната посока в явление, наречено „токенмининг“: използване на възможно най-малко AI токени, за да се намалят разходите за изчислителни ресурси. И двата подхода се провалят, защото третират броя на токените като надежден индикатор за ръст, задвижван от изкуствен интелект.

В тази статия ще разгледаме колко всъщност струва „tokenmaxxing“, как инженерите го манипулираха и каква е системата за измерване, която издържа на хората, които са добри в манипулирането на цифри.

Какво е „токенмаксинг“?

„Tokenmaxxing“ е практиката за максимизиране на потреблението на AI токени и разглеждането на по-високото им използване като доказателство за по-висока продуктивност или по-широко внедряване на изкуствения интелект. Токените са единиците, които един AI модел обработва като входни данни и генерира като изходни данни.

Използването на токени се превърна в привлекателен показател за ефективност, защото е видимо, измеримо и вече се проследява от много платформи за изкуствен интелект. Това го прави по-лесно за отчитане в сравнение с резултати като спестено време, подобрени решения или генерирани приходи. Но токените измерват изчислителната активност, а не полезната работа. Повтарящите се команди, неуспешните цикли на агентите и безсмислените резултати – всичко това повишава числото, без да произвежда нищо.

AI агентите влошават ситуацията. Всеки агент чете контекста, извиква инструменти, преразглежда собствената си работа и предава задачи на други агенти. Всяка стъпка изразходва токени. Макар по-голямата активност да може да означава повече полезна работа, тя може също така да означава неефективни работни потоци и нарастващи разходи.

Казано просто, основният недостатък на „tokenmaxxing“ е, че екипите увеличават видимото количество до максимум, докато производителността, качеството и възвръщаемостта на инвестициите остават същите.

Защо „tokenmaxxing“ стана популярен?

Tokenmaxxing стана популярен, защото ръководството се нуждаеше от цифра, която да докаже, че внедряването на ИИ в компаниите наистина се случва. А използването на токени беше единственият показател, който се появяваше в конзолата за фактуриране.

Изпълнителният директор на Nvidia, Дженсън Хуанг, зададе тон още в началото на 2026 г. в подкаста „All-In“ с мисловен експеримент относно сметката за токени на един високоплатен инженер.

„Ако този инженер, който получава 500 000 долара, не е изразходвал токени на стойност поне 250 000 долара, ще бъда дълбоко обезпокоен“, каза той. А ако отговорът беше 5 000 долара? Той щеше да се разяри.

Използването на ИИ се беше превърнало в ясен показател за това кой успява да се справи. Това се случваше в момент, когато на всяко планиращо събрание възникваха въпроси за това кои роли ще поеме ИИ. Инженерите, които изразходваха токени, изглеждаха като че ли се адаптират към новата парадигма, докато онези, които не го правеха, рискуваха да бъдат възприети като проблем.

Ето иронията: първата класация за токени никога не е била замислена като състезание. Shopify я създаде, за да разбере защо най-големите си потребители харчат толкова много, а не за да ги класира един срещу друг. Вицепрезидентът и ръководител на инженерния отдел Фархан Тавар по-късно описа как се е развил инструментът.

Компанията го преименува на „табло за използване“, добави защитни прекъсвачи и предупреждения за разходи и използва данните, за да засече извън контрол излезли агенти и грешки в инфраструктурата. Фархан написа:

Tokenmaxxing е пикантна тема. Повече не означава по-добре. Ние създадохме първата класация за AI токени. След това разширихме мисленето си. Тя се превърна в табло за използване. Същите данни, но с различна рамка. Добавихме предпазители и пикове в разходите. Уловихме извън контрол агенти. Открихме бъгове в собствената ни инфраструктура. Истинският сигнал: не кой е похарчил най-много, а онези, чиито токени са генерирали най-голямо въздействие. Това са инженерите, с които искам да говоря.

Повечето компании, които копираха класацията на Shopify, я използваха за класифициране на служителите, вместо да проучват разходите за ИИ. Таблицата по-долу показва как се е отразило това във всяка от тях.

Тенденцията в тази таблица е последователна. Организациите, които използваха данни за токените, за да разследват високите разходи, запазиха работещ сигнал. Другите, които ги използваха за класифициране на хората, загубиха този сигнал в рамките на едно тримесечие.

Как инженерите са завишили използването на токените си?

Инженерите надуха показателите си за използване на токени, като генерираха скъпа ИИ-активност, която никога не са планирали да пуснат в употреба. The Pragmatic Engineer докладва за това поведение в Meta, Microsoft и Salesforce и откри четири често срещани тактики. Никоя от тях не е била продиктувана от злонамереност. Хората просто видяха видима цифра, притесняваха се от съкращения и предположиха, че интензивното използване на ИИ ще ги защити:

Много инженери проверяваха колко харчат колегите им. След това изразходваха точно толкова, колкото да се позиционират малко над средното ниво. Повече отколкото да заемат първото място, те не искаха да бъдат отбелязвани като хора, които не използват достатъчно ИИ.

В Amazon служителите възлагаха тривиални и измислени задачи на ИИ-агенти, за да повишат своите резултати в Kirorank. Това увеличи разходите за облачни услуги, без да доведе до никакъв бизнес резултат. Когато Amazon премахна класацията, старшият вицепрезидент Дейв Тредуел каза на персонала, че тя е била създадена с добри намерения. След това той попита направо: „Моля ви, не използвайте ИИ само за да използвате ИИ.“

Като част от промяната, Amazon вече следи дали генерираният от ИИ код работи и носи полза. Консумацията на токени не е основният му приоритет.

Колко струваше „токенмаксингът“ на компаниите?

Tokenmaxxing вероятно е струвал на Meta повече от 100 милиона долара само за един месец и е изчерпал годишния бюджет на Uber за изкуствен интелект за четири месеца. Оценката за Meta се основава на проста аритметика. Според цените на API-то на Claude Opus (към момента, в който излезе новината), 60,2 трилиона токена биха стрували приблизително 900 милиона долара. Компания с размерите на Meta договаря значителни отстъпки, но дори и тогава сметката може да достигне деветцифрена сума.

Uber предлага най-ясната представа за разходите, тъй като никога не е поддържал класация. Компанията предостави на около 5 000 инженери инструменти за агентно програмиране без модел за разходи. В рамките на един месец делът на инженерите, класифицирани като агентни потребители, се повиши от 32% на 84%. Целият годишен бюджет се изчерпа за четири месеца.

Техническият директор Правин Непали Нага призна, че компанията е „отново в начален етап“ по отношение на своите предположения. Месечните разходи варираха от 500 до 2 000 долара на инженер, а решението беше категорично: месечен таван от 1 500 долара за всеки инструмент за програмиране на инженер.

Когато инженери, извършващи сходна работа, харчат толкова различни суми, тази разлика показва, че никой не е дефинирал как изглежда доброто използване. Затова всеки инженер е измислил собствена дефиниция. Оперативният директор на Uber, Андрю Макдоналд, призна този факт, като заяви пред списание „Fortune“, че е „много трудно да се начертае граница“ между кода, създаден с помощта на изкуствен интелект, и полезните функции, които действително се пускат на пазара.

Докладът на LeadDev за въздействието на изкуствения интелект установи, че едва 19% от ръководителите в инженерния сектор оценяват „tokenmaxxing“ като ефективен. 57% от тях заявяват, че той не успява да измери реалната стойност.

Ето защо парите се движат толкова бързо: агент, който планира промяна в кода, чете репозиторията, извиква инструменти, изпълнява тестове и повтаря опитите, докато не успее. Един-единствен цикъл може да изразходва десетки хиляди токени, а четенията от кеша на подсказките увеличават този брой още повече.

Финансовите екипи планираха бюджета за ИИ, сякаш ставаше въпрос за лиценз за работно място. Всъщност обаче той се държи като изчислителни ресурси в облака. Същата счетоводна несъответствие се появява, когато екипите събират ИИ стек от няколко доставчици, без да възлагат на никого отговорността за сметката. Това е същият начин на провал като неконтролираното разрастване на инструменти, но на по-високо ниво.

Какво е „токенмининг“?

„Токенмининг“ е практиката за минимизиране на потреблението на AI токени, при която целта е да се постигне ниска употреба. Както обсъдихме в увода, това е прекомерна корекция, която води до също толкова лоши резултати. Наименованието е съкращение от „token minimizing“ (минимизиране на токените) и се появи като корекция на „токенмаксинга“. Вестник „Ню Йорк Таймс“ съобщи за тази промяна в няколко компании.

Meta съобщи на служителите си, че ще ограничи използването на ИИ след „експоненциален ръст“ на разходите. Uber наложи таван на месечните разходи, Walmart въведе ограничения за инструментите, а Amazon и Meta премахнаха класациите си. В рамките на няколко седмици същите компании, които преди това бяха аплодирали най-активните си потребители на ИИ, започнаха да учат всички да го използват пестеливо.

Тази корекция повтаря грешката, която трябваше да поправи. Законът на Гудхарт го обяснява най-добре: когато един показател се превърне в цел, той престава да бъде добър показател. Така че, ако поставите използването на AI токени като цел, хората ще намерят начини да оптимизират този показател, дори и за сметка на подкопаването на първоначалното намерение. Законът на Гудхарт предупреждава срещу „токенмаксинга“ и „токенмининга“.

Наградете екип за изгаряне на токени и той ще изгаря токени, от които няма нужда. Наградете екип за спестяване на токени и той ще пропусне изпълнението на ИИ, което би открило грешка. Или ще раздели една задълбочена сесия на три евтини, всяка от които ще даде по-повърхностен отговор. И двата екипа постигат целите си за използване на токени, докато реалната работа се влошава.

Самият контрол на разходите не е грешката. Както в примера с Uber, месечният таван от 1 500 долара е бюджетно решение, взето след като компанията изразходва годишния си бюджет за четири месеца. Но определянето на лимит на разходите решава само финансовия проблем. То не дава отговор на въпроса дали токените са купили нещо полезно.

Изходът е да разграничите два вида показатели: сигналите, които наблюдавате, и резултатите, към които се стремите. Използването на токени, степента на приемане и делът на кода, написан от ИИ, са сигнали, които показват какво се случва вътре в системата. Те са полезни, когато разследвате проблем, но не са подходящи като цели. Защото всеки от тях може да се промени значително, без клиентът да забележи разликата.

Вместо това една организация трябва да се стреми към резултати. Те следват същата логика като всеки добре изграден набор от KPI за разработката на софтуер: свързват ранен сигнал с резултата, който той трябва да предскаже. Таблото за конверсии на Shopify е образецът: същите данни, но към тях не е прикачена класация на никого.

Нийл Дхар, старши вицепрезидент в IBM Consulting, описа как се разпространява объркването в есе за разходите за изкуствен интелект.

#Tokenmaxxing напоследък е навсякъде по заглавията. Организационният натиск да се използва колкото се може повече ИИ, колкото се може по-бързо, превръщайки използването в показател за стойност. Сега идва моментът да се плати сметката. Тъй като разходите за ИИ надвишават възвръщаемостта, инстинктът е да се съкращават разходите. Но само съкращаването на разходите няма да реши основния проблем с възвръщаемостта на инвестициите.

Според IBM решението е да се третира използването като сигнал и да се съпостави с резултат, който не може да бъде фалшифициран.

Означава ли по-голямото използване на токени по-висока производителност?

Не, високата употреба на токени не означава висока производителност. Най-големите налични масиви от данни показват, че двете величини се променят независимо една от друга. Изследване на платформата за информация за разработчици DX установи, че внедряването на ИИ е близо до насищане, докато измереното повишение на производителността остава непроменено.

Техническият директор на DX, Лаура Тачо, сподели статистическите данни. Сред разработчиците 92,6% вече използват асистент за кодиране с изкуствен интелект поне веднъж месечно, а около 75% – веднъж седмично. Изкуственият интелект пише 26,9% от производствения код. Въпреки това, самооценената икономия на време се задържа на ниво от около четири часа седмично вече повече от година. А първоначалният ръст на производителността от 10% така и не се увеличи.

Използването продължаваше да нараства, докато резултатите оставаха непроменени. Всеки показател, който проследява само използването, отчиташе успех, който всъщност никога не се е случил.

Докладът DORA на Google Cloud обяснява защо едни и същи инструменти дават толкова различни резултати. Той установи, че внедряването на ИИ подобрява скоростта на доставка, но влошава стабилността ѝ. Докладът описва ИИ като усилвател: той усилва силните страни на добре управляваните организации и слабостите на тези, които изпитват затруднения.

Собствените данни на DX показват как работи този усилвател. В една група от 67 000 разработчици някои организации отбелязаха удвояване на инцидентите, засягащи клиентите, докато други ги намалиха наполовина, като използваха едни и същи инструменти през същия период. Tacho поставя отговорността там, където сочат данните:

Всъщност това е проблем на управлението. Шумът около темата създаде впечатлението, че самото изпробване на ИИ автоматично ще донесе ползи. Но досега повечето инструменти са били използвани за индивидуални задачи по програмиране. За да видим реално въздействие, трябва да използваме ИИ на организационно ниво, а не само за единични задачи.

Под първия проблем се крие и втори: хората погрешно оценяват собственото си ускорение благодарение на ИИ. Нестопанската изследователска лаборатория METR проведе рандомизирано контролирано проучване. 16 опитни разработчици на софтуер с отворен код разрешиха 246 реални проблема в репозитории, които поддържаха средно от пет години. Преди да започнат, разработчиците предвидиха, че изкуственият интелект ще ги направи с 24% по-бързи. След като приключиха, те прецениха, че той ги е направил с около 20% по-бързи. Хронометърът показа, че всъщност са били с 19% по-бавни.

В последваща актуализация лабораторията обясни, че следващият ѝ експеримент се е сблъскал с ефекти на селекция, които не е могла да коригира. Тя също така посочи, че разработчиците вероятно наистина работят по-бързо с ИИ, благодарение главно на агентни инструменти. Какво остава валидно: самооценката на производителността не може да замести измерената производителност, а разликата между двете може да варира в двете посоки.

Какво трябва да измервате вместо използването на токени?

Вместо използването на токени, измервайте резултатите на ниво екип, а след това и на ниво организация. Разглеждайте използването на токени като индикатор за разходи, по който никой не се класира. Това, което има значение, са постигнатите резултати.

Едно практично правило, по което да се ръководите: съчетавайте всеки сигнал, който публикувате, с резултат, който той не може да надцени. Един екип може да изгори токени, без да пусне нищо на пазара. Той обаче не може да фалшифицира спада в процента на неуспехите при промените.

Тази структура произтича от рамки за измерване, на които инженерните лидери вече се доверяват. DORA обхваща скоростта на доставка и стабилността, а констатацията ѝ, че изкуственият интелект усилва и двете, е причината, поради която това съчетание е от значение.

DX Core 4 измерва четири измерения: скорост, ефективност, качество и въздействие върху бизнеса. Аби Нода и Лаура Тачо го разработиха съвместно с Никол Форсгрен и Маргарет-Ан Стори – изследователките, стоящи зад DORA, SPACE и DevEx. Четирите измерения умишлено се противопоставят едно на друго.

Екип, който подобрява едно нещо за сметка на друго, веднага разкрива компромиса. Нито една от двете платформи не включва показател за токените и никоя от тях не е добавила такъв.

Три правила гарантират, че съчетанието работи на практика:

Как да създадете политика за използване на ИИ, която служителите няма да манипулират?

За да определите политика за използване на ИИ, която служителите няма да могат да манипулират, премахнете всички видими цифри от индивидуалния рейтинг и вземете пет решения:

1. Решете за какво служи дадената цифра, преди да я съберете

Всеки показател в политиката се нуждае от писмено обоснование, преди първият дашборд да бъде пуснат. Класацията на Shopify работеше в началото. Ръководството я използваше, за да започне разговори с клиентите с високи разходи относно това, което те изграждаха. Цифрата даде начало на проучване. Веднага щом същата цифра приключи едно проучване, като изведе заключение за даден човек, вместо да зададе въпрос за работата, тя се превръща в оценка. А оценките се управляват.

Запишете по три неща за всеки показател:

Линията на бездействието върши най-голямата работа, защото служителите тестват политиката спрямо нея. Ако честният отговор на въпроса „Какво се случва, когато разходите скочат?“ засяга позицията на някого, значи сте създали класация с допълнителни стъпки.

2. Определете бюджета на ниво екип

Общият бюджетен лимит за екипа замества лимита на човек, а разликата е в поведението, а не в счетоводството. Разликата от 500 до 2 000 долара месечно при инженерите в Uber, които извършват сравнима работа, показва какво се случва без обща отправна точка. Всеки си измисля собствено определение за „разумно“. Бюджетните лимити работят по същия начин като всяко друго усилие за обединяване на разпръснатите разходи за ИИ в едно отчетно място.

Този пакет ви осигурява три неща, които лимитът на човек не може да ви даде:

Определете размера на първия бюджет въз основа на наблюдаваните данни. Вземете средната стойност за последните три месеца на екипа и добавете резерв за един скъп проект. Бюджетът, определен на базата на предположения, се надхвърля още през втората седмица, което показва на всички, че политиката е само за показ.

3. Направете скъпия път видим

Покажете на инженерите разходите за всяко изпълнение, вместо да ограничавате това, което могат да похарчат. Агентските изпълнения, които се повтарят при неуспешни тестове, са мястото, където бюджетите се изчерпват, което извежда на преден план необходимостта от твърда горна граница. Друга възможност е да се показва разходът за всяко изпълнение на инженера, който го е задействал, без да се докладва нагоре.

Инженер, който наблюдава как цикълът на повторен опит изразходва 40 долара, ще поправи цикъла. От друга страна, инженер, който се страхува от доклад, ще спре напълно да използва агента, включително и в случаите, когато скъпоструващото изпълнение е било правилното решение.

Прекъсвачите на Shopify работят по следния начин: системата засича аномалията, а човекът, който е най-близо до работата, решава какво да се направи. Прозрачността променя поведението по-бързо отколкото ограничението и поддържа скъпоструващия, но правилен процес достъпен, когато работата оправдава разходите.

4. Отделете целта за внедряване на ИИ от оценката на производителността

Оформете уволнението писмено, защото устните уверения не издържат на цикъла на съкращенията. Инженерът от Microsoft, който разказа пред The Pragmatic Engineer как е завишавал собствените си показатели за използване, не е търсил награда. Той просто се е опитвал да избегне етикета в една година, белязана от съкращения, свързани с изкуствения интелект.

Ако хората вярват, че данните за използването достигат до среща за калибриране, те ще управляват данните, независимо какво казва някой на глас.

Текстът на политиката се състои точно от два реда:

След това се съобразявайте и с двете. Първият инженер, който забележи, че данните за използването се появяват в отчет, ще го сподели с всички, което ще докаже, че показателят е излишен.

5. Преразглеждайте двойките на всеки три месеца

Всяко тримесечие се запитвайте дали всяка диагностика все още обяснява резултата, с който е свързана. Ценообразуването на моделите, поведението на кеширането и архитектурата на агентите се променят по-бързо от годишния цикъл на планиране.

Начинът, по който екипите прилагат изкуствения интелект при планирането и отчитането, непрекъснато се променя. Броят на токените, който е означавал едно нещо през януари, вече означава нещо различно през юни, след две намаления на цените и ъпгрейд на агента.

Прегледът дава честни резултати за всеки показател: дали все още прогнозира двойния резултат, дали се нуждае от прекалибриране спрямо новите цени, или вече не обяснява нищо и бива отстранен без церемония. Екипите най-много се съпротивляват на отстраняването. Въпреки това то е важно, защото показател, който е изгубил смисъла си, е точно този вид число, върху което беше изградена ерата на класациите.

Често срещани грешки, които екипите правят при измерване на внедряването на ИИ

Четирите най-често срещани грешки са: да се разглежда внедряването като финална линия, да се вярва на самооценените спестявания на време, да се публикуват индивидуални класации и да се измерва скоростта, без да се отчита стабилността. Можете да забележите всяка от тях, преди да ви струва скъпо.

1. Разглеждане на внедряването като финална линия

Таблото за внедряване показва 90%, ръководството обявява инициативата за изкуствен интелект за завършена и никой не пита какво се е променило по-нататък. Данните на DX разкриха тази капан в голям мащаб: 92,6% приемане при непроменена производителност от 10%. Приемането само потвърждава, че инструментите са достигнали до хората. То не казва нищо за това какво са променили инструментите.

Решението: Премахнете диаграмата за внедряване, след като приключи внедряването, и я заместете с двойка „сигнал и резултат“.

2. Доверие в самооценените спестявания на време

Проучване сочи, че екипът спестява пет часа седмично, но времето за изпълнение на цикъла не се е променило през последните две тримесечия. Тестът на METR показва защо тези две цифри не съвпадат: разработчиците, които са работили значително по-бавно с ИИ, все пак са оценили ускорение от 20% след това. Това, в което хората вярват, и това, което отчита часовникът, са две различни мерки.

Решението: Запазете анкетата за преживяването на разработчиците, където възприятието има значение. Използвайте системни данни за всякакви твърдения, свързани с времето.

3. Публикуване на индивидуална класация просто за забавление

Някой го създава във вътрешна уики за един следобед, дава му забавни имена и екипът искрено се наслаждава на това в продължение на около три седмици. След това мотивът за печалба взима превес. „Claudeonomics“ на Meta и „Kirorank“ на Amazon започнаха като забава на ниво екип. И двете компании ги преустановиха, след като играта надмина ентусиазма.

Решението: Агрегирайте данните на ниво екип или изобщо не ги публикувайте.

4. Измерване на скоростта без измерване на стабилността

Производителността се повишава, всички се радват, а броят на инцидентите нараства в таблото на друг екип. Докладът на DORA установи точно това разминаване: скоростта се подобрява, докато стабилността се влошава. Поддържането на двете цифри в отделни табла прави проблема невидим.

Решението: Поставете процента на неуспешни промени на същия екран, на който се показват показателите за скорост, а не в отделен преглед на надеждността, към който никой не се връща.

Как да проследявате въздействието на изкуствения интелект в ClickUp

За да проследите въздействието на ИИ в ClickUp, измерете резултатите в непосредствена близост до самата работа: задачите, спринтовете и крайните резултати, които ИИ трябваше да ускори. Повечето табла за токени се намират в конзолата на доставчика, далеч от работата, която описват. Преместването на показателите за резултатите в работната среда запълва тази празнина.

Съчетанието от сигнал и резултат от по-рано се отразява директно върху платформата:

Наблюдавайте броя на токените, без да оценявате хората по него

Цялата история се свежда до едно правило: използвайте данните за токените, за да задавате въпроси, а не за да оценявате хората. Shopify попита: „Какво създават нашите най-големи разходчици?“ и откри неконтролируеми агенти и бъгове в инфраструктурата. Meta и Amazon попитаха: „Кой използва ИИ най-много?“ и получиха фалшиви задачи, пропиляни милиони и мъртви класации.

Затова направете три неща през това тримесечие. Прехвърлете проследяването на токените на ниво екип и изтрийте всичко, което показва името на даден човек. Запишете в политиката, че данните за използването никога не се отразяват в оценката на представянето. И поставете един показател за качество (най-лесно е да изберете промяната в процента на неуспехите) на същия екран, на който се показват всички показатели за скорост, които отчитате.

Ако искате този екран да се намира до самата работа, а не в отделен инструмент за отчитане, започнете да използвате ClickUp безплатно и създайте таблото, преди да ви потрябва.

Често задавани въпроси за Tokenmaxxing (FAQ)

Какво представлява правилото за 30% при „токенмаксинга“?

Няма официално „правило на 30%“, специфично за „токенмаксинга“. Изразът обикновено е съкращение за две отделни констатации, които хората смесват: че изкуственият интелект има тенденция да повишава измерената инженерна производителност с около 10%, а не с 30%, и че разработчиците рутинно прогнозират печалби от около 20–30%, които не се реализират. Разглеждайте всеки фиксиран процент като диагностичен показател, който трябва да се проучи, а никога като цел, която трябва да се постигне.

Един милион токена съответстват приблизително на 750 000 думи английски текст, тъй като един токен е средно около три четвърти от една дума. Цената зависи изцяло от модела и съотношението между входните и изходните данни. При тарифите на Frontier Model за 2026 г. тя варира от няколко долара до няколко десетки долара на милион. Сесиите с агенти изразходват бързо милиони токени, защото при всеки цикъл контекстът се препрочита, а четенията от кеша на подсказките се добавят към броя.

„Tokenmaxxing“ съчетава „token“ с интернет суфикса „-maxxing“, което означава да се максимизира дадена характеристика. Терминът се разпространи в инженерните среди в началото на 2026 г., след като вътрешни класации за токени в Meta и Amazon изтекоха в пресата. Business Insider го нарече „новият дебат за изкуствения интелект в Силициевата долина “ през април 2026 г. Публични класации като Viberank и tokenmaxxing.sh след това възприеха термина, като класираха отделни разработчици по целия свят според разходите им за API.

До голяма степен, да. Списание „Fortune“ обяви края на „tokenmaxxing“ през май 2026 г., след като Meta, Amazon, Microsoft и Uber се оттеглиха или премахнаха своите класации за токени. Докладът за въздействието на ИИ на LeadDev установи, че едва 19% от анкетираните оценяват „tokenmaxxing“ като ефективен метод за измерване на стойността на ИИ, а 57% казват, че той напълно се проваля. Аматьорските публични класации продължават да съществуват, но като игра, а не като управленска практика.

Няма установен еталон. При внедряването на Uber месечните разходи варираха от 500 до 2 000 долара на инженер, преди компанията да ограничи разходите до 1 500 долара на инструмент. Изпълнителният директор на Nvidia, Дженсън Хуанг, заяви, че инженер с заплата от 500 000 долара трябва да изразходва 250 000 долара в токени годишно, но това най-вероятно е провокация, а не стандарт. Резултатите показват големи различия при сравними задачи, което означава, че никой не е определил как изглежда „доброто“ използване.

„Vibe coding“ е начин на работа: делегиране на изпълнението на ИИ агент и насочване според резултата. „Tokenmaxxing“ е начин на измерване: третиране на изразходваните токени като доказателство за продуктивност. Можете да прилагате „vibe coding“ ефективно или разточително; „tokenmaxxing“ възнаграждава разточителния вариант, защото отчита само потреблението. Компаниите, които наложиха ограничения върху токените, за да спрат „tokenmaxxing“, често наказваха легитимната работа на агентите в този процес.