Co je to tokenmaxxing? Metrika umělé inteligence, která se sama zničila

Za 30 dní zaměstnanci společnosti Meta spotřebovali přibližně 60 bilionů AI tokenů v rámci interního žebříčku, který je řadil podle spotřeby; náklady, které pravděpodobně přesáhly 100 milionů dolarů, byly vynaloženy na práci, která měla převážně performativní charakter. O devadesát dní později žebříček zmizel a společnost začala přísně omezovat využívání AI.

Tento vývoj se nazývá „tokenmaxxing“: jde o situaci, kdy se maximalizace využití AI tokenů povýší na výkonnostní skóre a ukazatel produktivity. Společnosti se od té doby poučily a některé z nich přehnaly korekci v rámci jevu přezdívaného „tokenminning“: používání co nejmenšího počtu AI tokenů za účelem snížení výpočetních nákladů. Oba přístupy selhávají, protože považují počet tokenů za spolehlivý ukazatel růstu poháněného AI.

V tomto článku se podíváme na to, kolik tokenmaxxing ve skutečnosti stojí, jak ho inženýři obcházeli a jaké měřicí nastavení odolá lidem, kteří umí manipulovat s čísly.

Co je to tokenmaxxing?

Tokenmaxxing je praxe spočívající v maximalizaci spotřeby tokenů AI, přičemž vyšší spotřeba je považována za důkaz vyšší produktivity nebo širšího využití AI. Tokeny jsou jednotky, které model AI zpracovává jako vstup a produkuje jako výstup.

Využití tokenů se stalo atraktivním ukazatelem výkonu, protože je viditelné, kvantifikovatelné a již ho sleduje mnoho platforem umělé inteligence. Díky tomu se o něm snáze podávají zprávy než o výsledcích, jako je ušetřený čas, zlepšená kvalita rozhodnutí nebo generované tržby. Tokeny však měří výpočetní aktivitu, nikoli užitečnou práci. Opakované výzvy, neúspěšné smyčky agentů a bezvýznamné výstupy – to vše číslo zvyšuje, aniž by cokoli vytvořilo.

AI agenti tuto situaci ještě zhoršují. Agent čte kontext, spouští nástroje, reviduje svou vlastní práci a předává úkoly dalším agentům. Každý krok spotřebovává tokeny. Ačkoli větší aktivita může znamenat více užitečné práce, může také znamenat neefektivní pracovní postupy a rostoucí náklady.

Zjednodušeně řečeno, hlavní slabinou tokenmaxxingu je to, že týmy maximalizují viditelné číslo, zatímco produktivita, kvalita a návratnost investic zůstávají stejné.

Proč se tokenmaxxing stal populárním?

Tokenmaxxing se stal populárním, protože vedení potřebovalo číslo, které by dokázalo, že ve firmách skutečně dochází k zavádění AI. A využití tokenů bylo jediným ukazatelem, který se zobrazoval v fakturační konzoli.

Generální ředitel společnosti Nvidia Jensen Huang udal tón již na začátku roku 2026 v pořadu All-In Podcast, kde představil myšlenkový experiment týkající se účtu za tokeny jednoho vysoce placeného inženýra.

„Kdyby ten inženýr s platem 500 000 dolarů nespotřeboval tokeny v hodnotě alespoň 250 000 dolarů, byl bych velmi znepokojen,“ řekl. A kdyby odpověď zněla 5 000 dolarů? To by se zbláznil.

Využití AI se stalo viditelným ukazatelem toho, kdo drží krok. Dělo se to v době, kdy se na každé plánovací schůzi objevovaly otázky, které role AI převezme. Inženýři, kteří utratili tokeny, vypadali, jako by se přizpůsobovali novému paradigmatu, zatímco ti, kteří tak neučinili, riskovali, že budou vnímáni jako problém.

A tady je ta ironie: první žebříček tokenů nikdy neměl být soutěží. Shopify jej vytvořil, aby pochopil, proč jeho nejvýznamnější zákazníci utrácejí tolik, a ne proto, aby je vzájemně porovnával. Viceprezident a vedoucí technického oddělení Farhan Thawar později popsal, jak se tento nástroj vyvíjel.

Společnost jej přejmenovala na „přehled využití“, přidala ochranné mechanismy a upozornění na výdaje a data využila k odhalení neovladatelných agentů a chyb v infrastruktuře. Farhan napsal:

Tokenmaxxing je ožehavé téma. Více neznamená lépe. Vytvořili jsme první žebříček AI tokenů. Poté jsme změnili svůj přístup. Stal se z něj dashboard využití. Stejná data, ale v jiném kontextu. Přidali jsme ochranné mechanismy a špičky ve výdajích. Odhalili jsme nekontrolovatelné agenty. Našli jsme chyby v naší vlastní infrastruktuře. Skutečný signál: nejde o to, kdo utratil nejvíce, ale o ty, jejichž tokeny měly největší dopad. To jsou inženýři, se kterými si chci promluvit.

Většina firem, které kopírovaly žebříček společnosti Shopify, jej použila k hodnocení zaměstnanců namísto analýzy výdajů na AI. Níže uvedená tabulka ukazuje, jak to dopadlo v jednotlivých případech.

Vzorec v této tabulce je konzistentní. Organizace, které využívaly data o tokenech k prošetřování vysokých výdajů, si zachovaly funkční signál. Ostatní, které je používaly k hodnocení zaměstnanců, tento signál ztratily během jednoho čtvrtletí.

Jak inženýři nafoukli své využití tokenů?

Inženýři uměle navyšovali svou spotřebu tokenů generováním nákladných AI aktivit, které nikdy neměli v úmyslu uvést do provozu. The Pragmatic Engineer informoval o tomto chování ve společnostech Meta, Microsoft a Salesforce a odhalil čtyři běžné taktiky. Žádná z nich nesouvisela se zlým úmyslem. Lidé prostě viděli viditelné číslo, obávali se propouštění a předpokládali, že intenzivní využívání AI je ochrání:

Mnoho inženýrů sledovalo, kolik jejich kolegové utrácejí. Poté spotřebovali právě tolik, aby se udrželi mírně nad průměrem. Nechtěli se dostat na první místo, ale hlavně nechtěli být označeni za to, že AI nevyužívají dostatečně.

V Amazonu přidělovali zaměstnanci agentům AI triviální a vymyšlené úkoly, aby zvýšili jejich skóre v žebříčku Kirorank. To zvýšilo náklady na cloud, aniž by to přineslo jakýkoli obchodní výstup. Když Amazon tento žebříček zrušil, senior viceprezident Dave Treadwell zaměstnancům sdělil, že byl vytvořen s dobrými úmysly. Poté jasně řekl: „Prosím, nepoužívejte AI jen proto, abyste ji používali.“

V rámci této změny Amazon nyní sleduje, zda kód generovaný umělou inteligencí funguje a přináší hodnotu. Spotřeba tokenů není jeho hlavní prioritou.

Kolik stál tokenmaxxing firmy?

Tokenmaxxing pravděpodobně stál společnost Meta více než 100 milionů dolarů za jediný měsíc a vyčerpal roční rozpočet společnosti Uber na umělou inteligenci za čtyři měsíce. Odhad společnosti Meta vychází z jednoduché aritmetiky. Podle cen API služby Claude Opus (v době, kdy se tato zpráva objevila) by 60,2 bilionu tokenů stálo zhruba 900 milionů dolarů. Společnost velikosti Meta vyjednává výrazné slevy, ale i tak by účet mohl dosáhnout devítimístné částky.

Nejjasnější představu o nákladech nabízí společnost Uber, protože nikdy nevedla žebříček uživatelů. Společnost poskytla přibližně 5 000 inženýrům nástroje pro agentické programování bez modelu výdajů. Během měsíce vzrostl podíl inženýrů klasifikovaných jako agentičtí uživatelé z 32 % na 84 %. Celý roční rozpočet se vyčerpal za čtyři měsíce .

Technický ředitel Praveen Neppalli Naga přiznal, že se společnost ve svých předpokladech „vrátila na začátek“. Měsíční náklady se pohybovaly od 500 do 2 000 dolarů na jednoho inženýra a řešení bylo nekompromisní: měsíční limit 1 500 dolarů na jeden programovací nástroj a jednoho inženýra.

Když inženýři vykonávající srovnatelnou práci utrácejí tak rozdílné částky, tato variabilita ukazuje, že nikdo nedefinoval, jak má vypadat správné využití. Každý inženýr si tedy vymyslel svou vlastní definici. Provozní ředitel společnosti Uber Andrew Macdonald tento bod uznal a pro časopis Fortune uvedl, že je „velmi těžké stanovit hranici“ mezi kódem vytvořeným s pomocí AI a užitečnými funkcemi, které se skutečně uvádějí na trh.

Zpráva LeadDev o dopadu umělé inteligence zjistila, že pouze 19 % vedoucích inženýrů považuje tokenmaxxing za efektivní. 57 % z nich tvrdí, že nedokáže změřit skutečnou hodnotu.

Tady je důvod, proč se peníze pohybují tak rychle: agent plánující změnu kódu čte repozitář, spouští nástroje, provádí testy a opakuje pokusy, dokud neuspěje. Jediná smyčka může spotřebovat desítky tisíc tokenů a čtení z mezipaměti příkazů tento počet ještě zvyšuje.

Finanční týmy rozpočtovaly výdaje na AI, jako by se jednalo o licenci na pracovní stanici. Ve skutečnosti se však chová jako cloudové výpočetní služby. Stejná účetní nesrovnalost se objevuje, když týmy sestavují AI stack napříč několika dodavateli, aniž by někomu přidělily odpovědnost za úhradu nákladů. Jedná se o stejný způsob selhání jako u nekontrolovaného rozšiřování nástrojů, avšak o úroveň výš.

Co je to tokenminning?

Tokenminning je praxe spočívající v minimalizaci spotřeby tokenů AI, přičemž cílem je dosáhnout co nejnižší spotřeby. Jak jsme zmínili v úvodu, jedná se o přehnanou korekci, která má stejně špatné výsledky. Název je zkratkou pro „token minimizing“ (minimalizace tokenů) a vznikl jako korekce k tokenmaxxingu. O tomto posunu v několika společnostech informoval deník The New York Times.

Společnost Meta sdělila zaměstnancům, že omezí využívání AI po „exponenciálním nárůstu“ nákladů. Uber stanovil strop pro měsíční výdaje, Walmart zavedl omezení pro jednotlivé nástroje a jak Amazon, tak Meta stáhly své žebříčky nejlepších uživatelů. Během několika týdnů tytéž společnosti, které ještě nedávno oslavovaly své nejaktivnější uživatele AI, začaly všechny učit, jak s ní šetřit.

Tato korekce opakuje chybu, kterou měla napravit. Nejlépe to vysvětluje Goodhartův zákon : když se měřítko stane cílem, přestává být dobrým měřítkem. Pokud si tedy stanovíte využití tokenů AI jako cíl, lidé najdou způsoby, jak tuto metriku optimalizovat, a to i za cenu podkopání původního záměru. Goodhartův zákon varuje před tokenmaxxingem a tokenminningem.

Odměňte tým za spalování tokenů a bude spalovat i ty, které nepotřebuje. Odměňte tým za šetření tokenů a vynechá spuštění AI, které by odhalilo chybu. Nebo rozdělí jednu důkladnou relaci na tři levnější, z nichž každá přinese povrchní odpověď. Oba týmy splní své cíle v oblasti využití tokenů, zatímco kvalita skutečné práce se zhorší.

Samotná kontrola nákladů není chybou. Stejně jako v případě Uberu je měsíční limit 1 500 dolarů rozpočtovým rozhodnutím, ke kterému došlo poté, co společnost za čtyři měsíce vyčerpala roční rozpočet. Stanovení limitu výdajů však řeší pouze finanční problém. Neodpovídá na otázku, zda za tokeny bylo zakoupeno něco užitečného.

Řešením je oddělit dva druhy čísel: signály, které sledujete, a výsledky, o které usilujete. Využití tokenů, míra přijetí a podíl kódu napsaného umělou inteligencí jsou signály, které ukazují, co se děje uvnitř systému. Jsou užitečné při vyšetřování problému, ale jako cíle se nehodí. Každý z nich se totiž může výrazně změnit, aniž by si toho zákazník vůbec všiml.

Organizace by se místo toho měla zaměřit na výsledky. Řídí se stejnou logikou jako jakýkoli dobře sestavený soubor KPI pro vývoj softwaru: propojte včasný signál s výsledkem, který má předpovídat. Vzorem je konverze na dashboardu Shopify: stejná data, ale není k nim připojeno žádné pořadí uživatelů.

Neil Dhar, senior viceprezident společnosti IBM Consulting, popsal v eseji o nákladech na AI, jak se tato nejistota šíří.

#Tokenmaxxing v poslední době zaplnil titulky. Organizace se snažily využívat co nejvíce AI, co nejrychleji, a z jejího využití dělaly ukazatel hodnoty. Nyní přichází čas zaplatit účet. Jelikož náklady na AI převyšují výnosy, instinktivně se uvažuje o škrtech. Samotné snížení výdajů však základní problém s návratností investic nevyřeší.

Podle IBM spočívá řešení v tom, že využití budeme považovat za signál a spojíme jej s výsledkem, který nelze zfalšovat.

Znamená větší využití tokenů vyšší produktivitu?

Ne, vysoká míra využití tokenů neznamená vysokou produktivitu. Největší dostupné datové soubory ukazují, že se tyto dva jevy vyvíjejí nezávisle na sobě. Výzkum platformy DX zaměřené na informace pro vývojáře zjistil, že zavádění AI se blíží nasycení, zatímco naměřený nárůst produktivity zůstává na stejné úrovni.

Laura Tacho, technická ředitelka společnosti DX, zveřejnila příslušná čísla. Mezi vývojáři nyní 92,6 % využívá asistenta pro programování s umělou inteligencí alespoň jednou měsíčně a přibližně 75 % ho používá jednou týdně. Umělá inteligence píše 26,9 % produkčního kódu. Přesto se údajná úspora času již více než rok drží na úrovni přibližně čtyř hodin týdně. A počáteční 10% nárůst produktivity se nikdy nezvýšil.

Využití neustále rostlo, zatímco výsledky stagnovaly. Jakýkoli ukazatel, který sleduje pouze využití, vykazoval úspěch, který se nikdy nekonal.

Zpráva DORA od Google Cloud vysvětluje, proč stejné nástroje přinášejí tak odlišné výsledky. Zjistila, že zavedení AI sice zrychlilo dodávky, ale snížilo jejich stabilitu. Zpráva popisuje AI jako zesilovač: umocňuje silné stránky dobře fungujících organizací a slabé stránky těch, které se potýkají s problémy.

Vlastní data společnosti DX ukazují, jak tento zesilovač funguje. V jedné skupině 67 000 vývojářů se u některých organizací počet incidentů s dopadem na zákazníky zdvojnásobil, zatímco jiné je snížily na polovinu, a to při použití stejných nástrojů ve stejném období. Tacho přisuzuje odpovědnost tam, kam ukazují data:

Jedná se ve skutečnosti o problém řízení. Díky mediálnímu humbuku to vypadalo, jako by se pouhé vyzkoušení AI automaticky vyplatilo. Dosud se však většina nástrojů používala pouze pro jednotlivé programátorské úkoly. Abychom viděli skutečný dopad, musíme AI využívat na organizační úrovni, nikoli jen pro jednotlivé úkoly.

Pod prvním problémem se skrývá ještě druhý: lidé špatně odhadují, o kolik jim AI zrychlí práci. Nezisková výzkumná laboratoř METR provedla randomizovanou kontrolovanou studii. 16 zkušených vývojářů open-source vyřešilo 246 reálných problémů v repozitářích, o které se starali v průměru pět let. Před zahájením vývojáři odhadovali, že díky AI budou o 24 % rychlejší. Po dokončení odhadovali, že jim AI přinesla zrychlení asi o 20 %. Stopky však ukázaly, že byli o 19 % pomalejší.

V následné aktualizaci laboratoř vysvětlila, že její další experiment narazil na výběrové efekty, které nedokázala korigovat. Rovněž uvedla, že vývojáři jsou nyní díky AI pravděpodobně skutečně rychlejší, a to především díky agentickým nástrojům. Co z toho vyplývá: subjektivně uváděná produktivita nenahrazuje naměřenou produktivitu a rozdíl mezi nimi se může pohybovat v obou směrech.

Co byste měli měřit místo využití tokenů?

Místo využívání tokenů měřte výsledky na úrovni týmu a následně na úrovni celé organizace. Využívání tokenů považujte za signál nákladů, podle kterého se nikdo nehodnotí. Důležité jsou dosažené výsledky.

Jedno praktické pravidlo, kterým se řiďte: ke každému signálu, který zveřejníte, přiřaďte výsledek, který nemůže nadhodnocovat. Tým může spalovat tokeny, aniž by cokoli dodal. Nemůže však předstírat klesající míru selhání změn.

Tato struktura vychází z měřicích rámců, kterým vedoucí inženýři již důvěřují. DORA pokrývá rychlost dodání a stabilitu a její zjištění, že AI obojí zesiluje, je důvodem, proč je tato kombinace důležitá.

DX Core 4 měří čtyři dimenze: rychlost, efektivitu, kvalitu a dopad na podnikání. Abi Noda a Laura Tacho jej vytvořily společně s Nicole Forsgren a Margaret-Anne Storey, výzkumnicemi stojícími za nástroji DORA, SPACE a DevEx. Tyto čtyři dimenze se záměrně navzájem vyvažují.

Tým, který zlepšuje jeden ukazatel na úkor druhého, okamžitě odhaluje tento kompromis. Ani jeden z těchto rámců nezahrnuje metriku pro tokeny a ani jeden ji nepřidal.

Tři pravidla zajišťují, aby toto spojení v praxi fungovalo:

Jak nastavit zásady pro využívání AI, které zaměstnanci nebudou obcházet?

Chcete-li nastavit zásady pro využívání AI, které zaměstnanci nebudou moci obcházet, odstraňte všechna viditelná čísla z individuálního hodnocení a přijměte pět rozhodnutí:

1. Než začnete data shromažďovat, rozhodněte se, k čemu vám tato čísla budou sloužit

Každý ukazatel v zásadách potřebuje písemně stanovený účel ještě předtím, než se první dashboard dostane do provozu. Žebříček společnosti Shopify fungoval ve své původní podobě. Vedení jej využívalo k navázání dialogu s těmi, kteří utrácejí nejvíce, o tom, na čem pracují. Číslo vedlo k zahájení šetření. Jakmile však totéž číslo uzavře šetření a vyvodí závěr o osobě, místo aby kladlo otázky ohledně její práce, stává se z něj skóre. A skóre se spravují.

U každé metriky si zapište tři věci:

Právě „nečinnost“ vyžaduje nejvíce práce, protože zaměstnanci na ní testují dodržování zásad. Pokud upřímná odpověď na otázku „co se stane, když výdaje prudce vzrostou“ souvisí s postavením někoho z zaměstnanců, vytvořili jste žebříček s nadbytečnými kroky.

2. Stanovte rozpočet na úrovni týmu

Společný týmový rozpočet nahrazuje limit na osobu a rozdíl spočívá v chování, nikoli v účetnictví. Rozpětí 500 až 2 000 dolarů měsíčně u inženýrů společnosti Uber, kteří vykonávají srovnatelnou práci, ukazuje, co se stane bez společného referenčního bodu. Každý si vymýšlí vlastní definici toho, co je přiměřené. Rozpočtové limity fungují stejným způsobem jako jakákoli jiná snaha o sjednocení roztříštěných výdajů na AI do jednoho kontrolovatelného místa.

Tento balíček vám nabízí tři věci, které limit na osobu nemůže poskytnout:

Určete velikost první rozpočtové hranice na základě pozorovaných dat. Vezměte průměr týmu za poslední tři měsíce a přidejte rezervu na jeden nákladný projekt. Rozpočtová hranice stanovená na základě odhadů bude překročena již ve druhém týdnu, což všem ukáže, že tato zásada je pouze formální.

3. Zviditelněte nákladnou cestu

Ukažte inženýrům náklady na každý běh namísto toho, abyste omezovali částku, kterou mohou utratit. Právě agentické běhy, které se opakují při neúspěšných testech, jsou příčinou mizení rozpočtů, což staví tvrdé omezení do popředí. Další možností je zobrazit náklady na jeden běh inženýrovi, který jej spustil, aniž by se to hlásilo nadřízeným.

Inženýr, který sleduje, jak smyčka opakovaných pokusů spaluje 40 dolarů, tuto smyčku opraví. Na druhou stranu inženýr, který se obává zprávy, přestane agenta používat úplně, a to i v případech, kdy bylo nákladné spuštění správným rozhodnutím.

Omezovače Shopify fungují takto: systém zachytí anomálii a osoba, která má k dané práci nejblíže, rozhodne, co se má dělat. Viditelnost mění chování rychleji než limit a udržuje drahý, ale správný provoz dostupný, když to práce ospravedlňuje.

4. Oddělte cíl zavedení AI od hodnocení výkonu

Zaznamenejte rozdělení písemně, protože ústní ujištění v období propouštění neobstojí. Inženýr společnosti Microsoft, který pro The Pragmatic Engineer popsal, jak nafukoval vlastní metriky využití, neusiloval o žádnou odměnu. Snažil se vyhnout nálepce v roce, kdy se propouštění odehrávalo v kontextu umělé inteligence.

Pokud lidé uvěří, že údaje o využití se dostanou na kalibrační schůzku, budou s těmito údaji pracovat, ať už kdokoli nahlas říká cokoli.

Text zásad potřebuje přesně dva řádky:

Poté dodržujte obojí. První inženýr, který při revizi uvidí data o využití, to řekne všem a tím dokáže, že tato metrika je zbytečná.

5. Každé čtvrtletí prověřte párování

Každé čtvrtletí si položte otázku, zda jednotlivé diagnostické testy stále vysvětlují výsledek, ke kterému jsou přiřazeny. Ceny modelů, chování mezipaměti i architektura agentů se mění rychleji než roční plánovací cyklus.

Způsob, jakým týmy využívají AI při plánování a reportování, se neustále mění. Počet tokenů, který v lednu znamenal jednu věc, má v červnu, po dvou sníženích cen a aktualizaci agenta, zcela jiný význam.

Hodnocení přináší upřímné závěry pro každou metriku: buď stále předpovídá očekávaný výsledek, vyžaduje rekalibraci podle nových cen, nebo přestalo cokoli vysvětlovat a je bez okolků vyřazeno. Týmy se vyřazení brání nejvíce. Je to však důležité, protože metrika, která přežila svůj smysl, je přesně ten druh čísla, na kterém byla postavena éra žebříčků.

Časté chyby, kterých se týmy dopouštějí při měření zavádění AI

Čtyři nejčastější chyby jsou: považovat přijetí technologie za konečný cíl, spoléhat se na vlastní údaje o úspoře času, zveřejňovat individuální žebříčky a měřit rychlost bez zohlednění stability. Každou z nich můžete odhalit dříve, než vás přijde draho.

1. Považovat přijetí za cílovou čáru

Ukazatel zavádění ukazuje 90 %, vedení prohlásí iniciativu v oblasti AI za dokončenou a nikdo se neptá, co se změnilo v následných fázích. Data společnosti DX odhalila tuto past ve velkém měřítku: 92,6 % míra přijetí při produktivitě stagnující na 10 %. Míra přijetí pouze potvrzuje, že se nástroje dostaly k lidem. Neříká však nic o tom, co tyto nástroje změnily.

Řešení: Jakmile bude zavádění dokončeno, vyřaďte graf přijetí a nahraďte jej párováním signálů a výsledků.

2. Důvěra v údaje o úspoře času uváděné samotnými uživateli

Průzkum uvádí, že tým ušetří pět hodin týdně, ale doba cyklu se za poslední dvě čtvrtletí nezměnila. Zkušební provoz společnosti METR ukazuje, proč se tyto dvě čísla neshodují: vývojáři, kteří s AI pracovali prokazatelně pomaleji, i tak odhadovali následné zrychlení o 20 %. To, čemu lidé věří, a to, co zaznamenávají hodiny, jsou dvě odlišné veličiny.

Řešení: Průzkum zachovejte pro hodnocení zkušeností vývojářů, kde záleží na vnímání. Pro jakékoli tvrzení týkající se času používejte systémová data.

3. Zveřejnění individuální žebříčku jen tak pro zábavu

Někdo to za jedno odpoledne vytvoří na interní wiki, dá tomu hravé názvy a tým si to upřímně užívá asi tři týdny. Pak ale převáží motivace. Claudeonomics od Meta i Kirorank od Amazonu začaly jako zábava zdola. Obě společnosti je zrušily, jakmile hra převážila nad nadšením.

Řešení: Agregujte data na úrovni týmu, nebo je vůbec neposílejte.

4. Měření rychlosti bez měření stability

Produkce stoupá, všichni slaví, a na dashboardu jiného týmu roste počet incidentů. Zpráva DORA přesně identifikovala tento rozpor: rychlost se zlepšuje, zatímco stabilita se zhoršuje. Uvedení těchto dvou čísel na oddělených dashoardech tento problém maskuje.

Řešení: Uveďte míru selhání změn na stejné obrazovce jako jakékoli ukazatele rychlosti, nikoli v samostatné zprávě o spolehlivosti, kterou nikdo neporovnává s ostatními údaji.

Jak sledovat dopad AI v ClickUp

Chcete-li v ClickUp sledovat dopad AI, měřte výsledky přímo v kontextu samotné práce: úkoly, sprinty a výstupy, které měla AI urychlit. Většina dashboardů pro tokeny se nachází v konzoli poskytovatele, daleko od práce, kterou popisují. Přesunutím metrik výsledků do pracovního prostoru tuto mezeru překlenete.

Dřívější propojení signálu a výsledku se přímo promítá do platformy:

Sledujte počet tokenů, aniž byste za to někoho hodnotili

Celý příběh se dá shrnout do jednoho pravidla: data z tokenů používejte k kladení otázek, nikdy k hodnocení lidí. Shopify se zeptalo: „Co vytvářejí naši největší utráceči?“ a odhalilo neovladatelné agenty a chyby v infrastruktuře. Meta a Amazon se zeptaly: „Kdo nejvíc využívá AI?“ a dostaly falešné úkoly, promarnily miliony a skončily s nefunkčními žebříčky.

V tomto čtvrtletí tedy proveďte tři kroky. Přeneste sledování tokenů na úroveň týmu a odstraňte vše, co obsahuje jméno konkrétní osoby. Do směrnice uveďte, že údaje o využití se nikdy nepoužijí při hodnocení výkonu. A umístěte jeden ukazatel kvality (nejjednodušší je míra selhání změn) na stejnou obrazovku jako všechny ukazatele rychlosti, které vykazujete.

Pokud chcete, aby se tato obrazovka nacházela přímo vedle vaší skutečné práce namísto v samostatném nástroji pro reportování, začněte s ClickUpem zdarma a vytvořte si dashboard ještě předtím, než ho budete potřebovat.

Často kladené otázky o tokenmaxxingu (FAQ)

Co je to 30% pravidlo pro tokenmaxxing?

Neexistuje žádné oficiální „30% pravidlo“ specifické pro tokenmaxxing. Tento výraz je obvykle zkratkou pro dva samostatné poznatky, které lidé spojují: že AI má tendenci zvyšovat měřenou produktivitu inženýrů přibližně o 10 %, nikoli o 30 %, a že vývojáři běžně předpovídají nárůsty kolem 20–30 %, které se však nenaplní. Jakékoli pevné procento považujte za diagnostický ukazatel, který je třeba prozkoumat, nikdy však za cíl, kterého je třeba dosáhnout.

Jeden milion tokenů odpovídá přibližně 750 000 slov anglického textu, protože jeden token představuje v průměru asi tři čtvrtiny slova. Náklady závisí výhradně na modelu a rozdělení vstupu a výstupu. Při sazbách modelů typu „frontier“ v roce 2026 se pohybují od několika dolarů až po nízké desítky dolarů za milion. Agentské relace rychle spotřebovávají miliony tokenů, protože každá smyčka znovu načítá kontext a k tomuto počtu se připočítávají i čtení z mezipaměti promptů.

„Tokenmaxxing“ kombinuje slovo „token“ s internetovou příponou „-maxxing“, což znamená maximalizovat určitou vlastnost. Tento pojem se rozšířil v inženýrských kruzích na počátku roku 2026 poté, co unikly do tisku interní žebříčky tokenů společností Meta a Amazon. Business Insider to v dubnu 2026 nazval „novou debatou o AI v Silicon Valley “. Veřejné žebříčky jako Viberank a tokenmaxxing.sh pak tento termín převzaly a začaly hodnotit jednotlivé vývojáře po celém světě podle spotřeby API.

V zásadě ano. Časopis Fortune v květnu 2026 prohlásil tokenmaxxing za skončený poté, co společnosti Meta, Amazon, Microsoft a Uber své žebříčky tokenů omezily nebo zcela zrušily. Zpráva LeadDev o dopadu AI zjistila, že pouze 19 % respondentů považuje tokenmaxxing za účinný nástroj pro měření hodnoty AI, zatímco 57 % tvrdí, že zcela selhává. Veřejné žebříčky pro nadšence sice přetrvávají, ale spíše jako hra, nikoli jako manažerská praxe.

Neexistuje žádný zavedený referenční standard. Při zavádění v Uberu se měsíční účty pohybovaly od 500 do 2 000 dolarů na jednoho inženýra, než společnost omezila výdaje na 1 500 dolarů na jeden nástroj. Generální ředitel společnosti Nvidia Jensen Huang tvrdil, že inženýr s platem 500 000 dolarů by měl ročně spotřebovat tokeny v hodnotě 250 000 dolarů, ale to je s největší pravděpodobností provokace, nikoli standard. Zjištění ukazují velké rozdíly i u srovnatelných úkolů, což znamená, že nikdo dosud nedefinoval, jak má vypadat správné využití.

Vibe coding je způsob práce: delegování implementace na agenta s umělou inteligencí a řízení podle výsledků. Tokenmaxxing je způsob měření: považování spotřebovaných tokenů za důkaz produktivity. Vibe coding lze provádět efektivně nebo nehospodárně; tokenmaxxing odměňuje nehospodárnou verzi, protože počítá pouze spotřebu. Společnosti, které omezily počet tokenů, aby zastavily tokenmaxxing, tím často penalizovaly legitimní práci agentů.