Tokenmaxxing là gì? Chỉ số AI đã tự sụp đổ

Trong vòng 30 ngày, nhân viên Meta đã tiêu thụ khoảng 60 nghìn tỷ token AI thông qua một bảng xếp hạng nội bộ đánh giá theo mức tiêu thụ; khoản chi phí này có thể đã vượt quá 100 triệu USD để tạo ra những công việc chủ yếu mang tính biểu diễn. Chín mươi ngày sau, bảng xếp hạng đó đã biến mất, và công ty bắt đầu áp dụng chính sách phân bổ token AI một cách nghiêm ngặt.

Quá trình đó được gọi là "tokenmaxxing": đó là khi việc tối đa hóa việc sử dụng token AI được nâng tầm thành chỉ số hiệu suất và chỉ báo năng suất. Kể từ đó, các công ty đã trở nên khôn ngoan hơn, và một số đã đi quá đà trong một hiện tượng được đặt tên là “tokenminning”: sử dụng số lượng token AI ít nhất có thể để giảm chi phí tính toán. Cả hai cách tiếp cận này đều thất bại vì chúng coi số lượng token là chỉ báo đáng tin cậy cho sự tăng trưởng do AI dẫn dắt.

Trong bài viết này, chúng ta sẽ tìm hiểu chi phí thực sự của tokenmaxxing là bao nhiêu, cách các kỹ sư đã lợi dụng lỗ hổng này, và thiết lập đo lường có thể chống lại những người giỏi thao túng số liệu.

Tokenmaxxing là gì?

Tokenmaxxing là thực tiễn tối đa hóa mức tiêu thụ token AI và coi mức sử dụng cao hơn là bằng chứng cho năng suất cao hơn hoặc mức độ áp dụng AI cao hơn. Token là các đơn vị mà mô hình AI xử lý dưới dạng đầu vào và tạo ra dưới dạng đầu ra.

Việc sử dụng token đã trở thành một chỉ số hiệu suất hấp dẫn vì nó hiển thị, có thể định lượng và đang được nhiều nền tảng AI theo dõi. Điều này khiến việc báo cáo trở nên dễ dàng hơn so với các kết quả như thời gian tiết kiệm được, chất lượng quyết định được cải thiện hoặc doanh thu tạo ra. Tuy nhiên, token chỉ đo lường hoạt động tính toán, chứ không phải công việc hữu ích. Các lời nhắc lặp đi lặp lại, các vòng lặp của hệ thống bị lỗi và kết quả đầu ra vô nghĩa đều làm tăng số này mà không mang lại bất kỳ giá trị thực tế nào.

Các tác nhân AI khiến tình hình trở nên tồi tệ hơn. Một tác nhân phân tích bối cảnh, gọi các công cụ, điều chỉnh công việc của chính mình và chuyển giao công việc cho các tác nhân khác. Mỗi bước đều tiêu tốn token. Mặc dù hoạt động nhiều hơn có thể đồng nghĩa với công việc hữu ích hơn, nhưng nó cũng có thể dẫn đến quy trình làm việc kém hiệu quả và chi phí gia tăng.

Nói một cách đơn giản, điểm yếu cốt lõi của tokenmaxxing là các nhóm chỉ tập trung vào việc tối đa hóa số hiển thị, trong khi năng suất, chất lượng và tỷ suất hoàn vốn vẫn giữ nguyên.

Tại sao tokenmaxxing lại trở nên phổ biến?

Tokenmaxxing trở nên phổ biến vì ban lãnh đạo cần một số để chứng minh rằng việc áp dụng AI trong các doanh nghiệp đang diễn ra. Và việc sử dụng token là chỉ số duy nhất hiển thị trên bảng điều khiển thanh toán.

Giám đốc điều hành (CEO) của Nvidia, Jensen Huang, đã định hướng cuộc thảo luận ngay từ đầu năm 2026 trên podcast All-In thông qua một thí nghiệm tư duy về hóa đơn token của một kỹ sư có mức lương cao.

“Nếu kỹ sư đó với mức lương $500,000 mà không tiêu thụ ít nhất $250,000 giá trị token, tôi sẽ cực kỳ lo ngại,” ông nói. Và nếu con số trả về chỉ là $5,000? Ông sẽ nổi điên lên.

Việc sử dụng AI đã trở thành một chỉ số hiển thị cho thấy ai đang bắt kịp xu hướng. Điều này diễn ra vào thời điểm mà câu hỏi về những vai trò nào sẽ bị AI thay thế đang được đặt ra trong mọi cuộc họp lập kế hoạch. Các kỹ sư sử dụng token dường như đang thích nghi với mô hình mới, trong khi những người không sử dụng lại có nguy cơ bị coi là vấn đề.

Điều trớ trêu là: bảng xếp hạng token đầu tiên vốn không bao giờ được thiết kế để trở thành một cuộc thi. Shopify đã xây dựng bảng xếp hạng này để tìm hiểu lý do tại sao những khách hàng hàng đầu của họ lại chi tiêu nhiều đến vậy, chứ không phải để xếp hạng họ so với nhau. Phó chủ tịch kiêm Giám đốc Kỹ thuật Farhan Thawar sau đó đã mô tả quá trình phát triển của công cụ này.

Công ty đã đổi tên nó thành “bảng điều khiển sử dụng”, bổ sung các cơ chế ngắt mạch và cảnh báo chi tiêu, đồng thời sử dụng dữ liệu này để phát hiện các tác nhân hoạt động ngoài tầm kiểm soát và các lỗi cơ sở hạ tầng. Farhan viết:

Tokenmaxxing là một chủ đề gây tranh cãi. Nhiều hơn không có nghĩa là tốt hơn. Chúng tôi đã xây dựng bảng xếp hạng token AI đầu tiên. Sau đó, chúng tôi đã điều chỉnh cách tiếp cận. Nó trở thành một bảng điều khiển theo dõi sử dụng. Cùng một dữ liệu nhưng với cách trình bày khác. Chúng tôi đã thêm các cơ chế ngắt mạch và theo dõi các đợt chi tiêu đột biến. Phát hiện các tác nhân hoạt động mất kiểm soát. Tìm ra lỗi trong chính hạ tầng của chúng tôi. Dấu hiệu thực sự: không phải ai chi tiêu nhiều nhất, mà là những người có token tạo ra tác động lớn nhất. Đó chính là những kỹ sư mà tôi muốn trò chuyện.

Hầu hết các công ty đã sao chép bảng xếp hạng của Shopify đều sử dụng nó để xếp hạng nhân viên thay vì phân tích chi tiêu cho AI. Bảng dưới đây cho thấy kết quả cụ thể tại từng công ty.

Mô hình trong bảng này rất nhất quán. Các tổ chức sử dụng dữ liệu token để điều tra các khoản chi tiêu lớn vẫn duy trì được tín hiệu hiệu quả. Trong khi đó, những tổ chức sử dụng dữ liệu này để xếp hạng nhân viên đã mất đi tín hiệu đó chỉ trong vòng một quý.

Các kỹ sư đã thổi phồng mức độ sử dụng token của họ như thế nào?

Các kỹ sư đã thổi phồng mức sử dụng token của mình bằng cách tạo ra các hoạt động AI tốn kém mà họ không bao giờ có kế hoạch triển khai. Tạp chí The Pragmatic Engineer đã đưa tin về hành vi này tại Meta, Microsoft và Salesforce, đồng thời phát hiện ra bốn chiến thuật phổ biến. Không có chiến thuật nào trong số đó xuất phát từ ý đồ xấu. Mọi người chỉ đơn giản là nhìn thấy một số cụ thể, lo lắng về việc sa thải, và cho rằng việc sử dụng AI nhiều sẽ giúp bảo vệ họ:

Nhiều kỹ sư đã theo dõi mức tiêu thụ của đồng nghiệp. Sau đó, họ chỉ tiêu thụ vừa đủ để duy trì mức tiêu thụ cao hơn mức trung bình một chút. Hơn cả việc đứng đầu bảng xếp hạng, họ không muốn bị đánh dấu là không sử dụng AI đủ mức.

Tại Amazon, các nhân viên đã giao những công việc vụn vặt và bịa đặt cho các tác nhân AI để nâng cao điểm số Kirorank của họ. Điều này đã làm tăng chi phí đám mây mà không mang lại bất kỳ kết quả kinh doanh nào. Khi Amazon ngừng bảng xếp hạng, Phó Chủ tịch Cấp cao Dave Treadwell đã nói với nhân viên rằng bảng xếp hạng này được xây dựng với ý định tốt. Sau đó, ông đã thẳng thắn yêu cầu: “Xin đừng sử dụng AI chỉ vì mục đích sử dụng AI.”

Trong khuôn khổ sự thay đổi này, Amazon hiện đang theo dõi xem mã do AI tạo ra có hoạt động và mang lại giá trị hay không. Việc tiêu thụ token không phải là ưu tiên hàng đầu của họ.

Tokenmaxxing đã gây ra chi phí bao nhiêu cho các doanh nghiệp?

Tokenmaxxing có thể đã khiến Meta tiêu tốn hơn 100 triệu USD chỉ trong một tháng và cạn kiệt ngân sách AI hàng năm của Uber chỉ trong bốn tháng. Ước tính của Meta dựa trên phép tính đơn giản. Theo giá niêm yết API của Claude Opus (tại thời điểm tin tức được công bố), 60,2 nghìn tỷ token sẽ có giá khoảng 900 triệu USD. Một công ty có kích thước như Meta thường đàm phán được mức giảm giá lớn, nhưng ngay cả trong trường hợp đó, hóa đơn vẫn có thể lên tới chín con số.

Uber cung cấp bức tranh rõ ràng nhất về chi phí, bởi vì họ chưa bao giờ vận hành một bảng xếp hạng. Công ty đã cung cấp các công cụ mã hóa tự chủ cho khoảng 5.000 kỹ sư mà không áp dụng mô hình chi tiêu. Trong vòng một tháng, tỷ lệ kỹ sư được phân loại là người dùng tự chủ đã tăng từ 32% lên 84%. Toàn bộ ngân sách hàng năm đã cạn kiệt chỉ sau bốn tháng .

Giám đốc Công nghệ (CTO) Praveen Neppalli Naga thừa nhận rằng công ty đã phải “quay lại vạch xuất phát” về các giả định của mình. Phạm vi chi phí hàng tháng dao động từ 500 đến 2.000 USD cho mỗi kỹ sư, và giải pháp được đưa ra rất thẳng thắn: giới hạn chi phí hàng tháng ở mức 1.500 USD cho mỗi công cụ mã hóa, cho mỗi kỹ sư.

Khi các kỹ sư thực hiện công việc tương tự lại tiêu tốn số tiền chênh lệch đáng kể như vậy, sự chênh lệch này cho thấy không ai đã định nghĩa rõ ràng thế nào là “sử dụng hiệu quả”. Do đó, mỗi kỹ sư đã tự đặt ra định nghĩa riêng cho mình. Andrew Macdonald, Giám đốc Điều hành (COO) của Uber, đã thừa nhận điều này khi chia sẻ với tạp chí Fortune rằng “rất khó để vạch ra ranh giới” giữa mã được hỗ trợ bởi AI và các tính năng hữu ích thực sự được triển khai.

Báo cáo Tác động của AI do LeadDev thực hiện cho thấy chỉ 19% các nhà lãnh đạo kỹ thuật đánh giá tokenmaxxing là hiệu quả. 57% trong số họ cho rằng phương pháp này không thể đo lường được giá trị thực sự.

Đây là lý do tại sao dòng tiền di chuyển nhanh đến vậy: một tác nhân đang có kế hoạch thay đổi mã nguồn sẽ đọc kho lưu trữ, gọi các công cụ, chạy thử nghiệm và thử lại cho đến khi thành công. Chỉ một vòng lặp duy nhất có thể tiêu tốn hàng chục nghìn token, và các lần đọc từ bộ nhớ đệm lời nhắc (prompt-cache) còn đẩy con số đó lên cao hơn nữa.

Các nhóm tài chính đã lập ngân sách cho AI như thể đó là một giấy phép sử dụng. Nhưng trên thực tế, nó hoạt động giống như dịch vụ điện toán đám mây. Khoảng cách kế toán tương tự cũng xuất hiện khi các nhóm xây dựng hệ thống AI từ nhiều nhà cung cấp khác nhau mà không cấp quyền sở hữu hóa đơn cho bất kỳ ai. Đây là cùng một kiểu thất bại như tình trạng lạm dụng công cụ không được quản lý, nhưng ở mức độ cao hơn một bậc.

Tokenminning là gì?

Tokenminning là thực hành giảm thiểu mức tiêu thụ token AI và coi việc sử dụng ít là mục tiêu. Như chúng ta đã thảo luận trong phần giới thiệu, đây là một sự điều chỉnh quá mức và cũng dẫn đến những kết quả kém tương tự. Tên gọi này là viết tắt của ‘token minimizing’ (tối thiểu hóa token), và nó xuất hiện như một sự điều chỉnh đối với tokenmaxxing. Báo New York Times đã đưa tin về sự chuyển hướng này tại nhiều công ty.

Meta đã thông báo với nhân viên rằng công ty sẽ hạn chế việc sử dụng AI sau khi chi phí “tăng theo cấp số nhân”. Uber đã áp đặt giới hạn chi tiêu hàng tháng, Walmart đặt ra các giới hạn sử dụng công cụ, trong khi cả Amazon và Meta đều gỡ bỏ bảng xếp hạng của mình. Chỉ trong vài tuần, chính những công ty từng ca ngợi những người dùng AI “nặng ký” nhất của họ nay lại đang hướng dẫn mọi người phải tiết kiệm.

Sự điều chỉnh này lại lặp lại chính sai lầm mà nó vốn dĩ nhằm khắc phục. Định luật Goodhart giải thích điều này rõ nhất: khi một chỉ số trở thành mục tiêu, nó sẽ không còn là một chỉ số tốt nữa. Vì vậy, nếu bạn cài đặt việc sử dụng token AI làm mục tiêu, mọi người sẽ tìm cách tối ưu hóa chỉ số đó, ngay cả khi điều đó làm suy yếu mục đích ban đầu. Định luật Goodhart cảnh báo về việc lạm dụng token (tokenmaxxing) và tối ưu hóa token (tokenminning).

Nếu thưởng cho một nhóm vì đã đốt token, nhóm đó sẽ đốt cả những token không cần thiết. Nếu thưởng cho một nhóm vì đã tiết kiệm token, nhóm đó sẽ bỏ qua lần chạy AI có thể phát hiện ra lỗi. Hoặc họ sẽ chia một phiên chạy kỹ lưỡng thành ba phiên chạy sơ sài, mỗi phiên chỉ trả về kết quả hời hợt hơn. Cả hai nhóm đều đạt được mục tiêu sử dụng token trong khi chất lượng công việc thực tế lại giảm sút.

Việc kiểm soát chi phí bản thân nó không phải là sai lầm. Giống như ví dụ của Uber, mức trần 1.500 USD mỗi tháng là một quyết định về ngân sách được đưa ra sau khi công ty đã tiêu hết ngân sách của cả năm chỉ trong bốn tháng. Tuy nhiên, việc cài đặt giới hạn chi tiêu chỉ giải quyết được vấn đề tài chính. Nó không trả lời được liệu các token đó có mang lại lợi ích thực sự hay không.

Giải pháp là phân biệt hai loại số: các tín hiệu bạn theo dõi và các kết quả bạn hướng tới. Việc sử dụng token, tỷ lệ áp dụng và tỷ lệ mã do AI viết là những tín hiệu phản ánh những gì đang diễn ra bên trong hệ thống. Chúng hữu ích khi bạn điều tra một vấn đề, nhưng lại không phải là những mục tiêu phù hợp. Bởi vì mỗi số này có thể thay đổi rất nhiều mà khách hàng không nhận ra sự khác biệt nào.

Thay vào đó, một tổ chức nên hướng tới kết quả. Chúng tuân theo cùng một logic như bất kỳ bộ chỉ số KPI phát triển phần mềm nào được xây dựng tốt: kết nối một tín hiệu ban đầu với kết quả mà nó dự kiến sẽ dự đoán. Bảng điều khiển chuyển đổi của Shopify là mẫu: cùng một dữ liệu, nhưng không gắn liền với vị trí của bất kỳ ai trên bảng xếp hạng.

Neil Dhar, phó chủ tịch cấp cao tại IBM Consulting, đã mô tả cách sự nhầm lẫn lan rộng trong một bài viết về chi phí AI.

#Tokenmaxxing đã trở thành chủ đề nóng trên các mặt báo gần đây. Nỗ lực của các tổ chức nhằm sử dụng AI nhiều nhất có thể, nhanh nhất có thể, biến mức độ sử dụng thành thước đo giá trị. Giờ đây, hóa đơn đang đến hạn thanh toán. Khi chi phí AI vượt quá lợi nhuận, phản ứng tự nhiên là cắt giảm. Tuy nhiên, chỉ cắt giảm chi tiêu thôi sẽ không giải quyết được vấn đề ROI cốt lõi.

Theo IBM, giải pháp là coi mức độ sử dụng như một tín hiệu và kết hợp nó với một kết quả mà nó không thể làm giả.

Việc sử dụng nhiều token hơn có đồng nghĩa với năng suất cao hơn không?

Không, mức độ sử dụng token cao không đồng nghĩa với năng suất cao. Các bộ dữ liệu lớn nhất hiện có cho thấy hai yếu tố này biến động độc lập với nhau. Nghiên cứu từ nền tảng thông tin dành cho nhà phát triển DX cho thấy việc áp dụng AI đã gần đạt mức bão hòa trong khi mức tăng năng suất được đo lường vẫn dậm chân tại chỗ.

Laura Tacho, Giám đốc Công nghệ (CTO) của DX, đã chia sẻ các số liệu. Trong số các nhà phát triển, 92,6% hiện sử dụng trợ lý lập trình AI ít nhất một lần mỗi tháng, và khoảng 75% sử dụng hàng tuần. AI viết 26,9% mã nguồn sản xuất. Tuy nhiên, thời gian tiết kiệm được theo báo cáo tự đánh giá vẫn duy trì ở mức khoảng bốn giờ mỗi tuần trong hơn một năm qua. Và mức tăng năng suất ban đầu 10% chưa bao giờ tăng thêm.

Mức độ sử dụng tiếp tục tăng trong khi kết quả vẫn dậm chân tại chỗ. Bất kỳ chỉ số nào đang theo dõi mức độ sử dụng đều đã báo cáo một thành công mà thực tế chưa bao giờ xảy ra.

Báo cáo DORA của Google Cloud giải thích lý do tại sao cùng một công cụ lại mang lại kết quả khác biệt đến vậy. Báo cáo chỉ ra rằng việc áp dụng AI đã cải thiện tốc độ triển khai nhưng lại làm giảm tính ổn định của quá trình triển khai. Báo cáo mô tả AI như một bộ khuếch đại: nó làm nổi bật những điểm mạnh của các tổ chức được quản lý tốt và làm trầm trọng thêm những điểm yếu của các tổ chức đang gặp khó khăn.

Dữ liệu nội bộ của DX cho thấy cơ chế khuếch đại này đang phát huy tác dụng. Trong một nhóm gồm 67.000 nhà phát triển, một số tổ chức ghi nhận số vụ sự cố liên quan đến khách hàng tăng gấp đôi, trong khi những tổ chức khác lại giảm một nửa, dù cả hai đều sử dụng cùng một bộ công cụ trong cùng một khoảng thời gian. Tacho xác định trách nhiệm dựa trên những gì dữ liệu chỉ ra:

Đây thực sự là một vấn đề quản lý. Sự thổi phồng đã khiến người ta nghĩ rằng chỉ cần thử áp dụng AI là sẽ tự động mang lại lợi ích. Nhưng cho đến nay, hầu hết các công cụ vẫn chỉ được sử dụng cho các công việc mã hóa riêng lẻ. Để thấy được tác động thực sự, chúng ta cần áp dụng AI ở cấp độ tổ chức, chứ không chỉ cho các công việc đơn lẻ.

Có một vấn đề thứ hai ẩn sau vấn đề đầu tiên: mọi người đánh giá sai mức độ tăng tốc của AI đối với công việc của chính họ. Phòng thí nghiệm nghiên cứu phi lợi nhuận METR đã tiến hành một thử nghiệm ngẫu nhiên có đối chứng. 16 nhà phát triển mã nguồn mở giàu kinh nghiệm đã hoàn thành 246 vấn đề thực tế trong các kho lưu trữ mà họ đã duy trì trung bình trong 5 năm. Trước khi bắt đầu, các nhà phát triển dự đoán AI sẽ giúp họ làm việc nhanh hơn 24%. Sau khi hoàn thành, họ ước tính rằng AI đã giúp họ làm việc nhanh hơn khoảng 20%. Đồng hồ bấm giờ cho thấy họ làm việc chậm hơn 19%.

Trong một bản cập nhật tiếp theo, nhóm nghiên cứu giải thích rằng thí nghiệm tiếp theo của họ đã gặp phải các hiệu ứng lựa chọn mà họ không thể khắc phục. Nhóm cũng cho biết các nhà phát triển hiện nay có thể thực sự làm việc nhanh hơn nhờ AI, phần lớn nhờ vào các công cụ tự động. Điều còn lại: năng suất tự báo cáo không thể thay thế cho năng suất được đo lường, và khoảng cách giữa hai chỉ số này có thể dao động theo cả hai hướng.

Bạn nên đo lường điều gì thay vì mức độ sử dụng token?

Thay vì đo lường việc sử dụng token, hãy đánh giá kết quả ở cấp độ nhóm và sau đó là cấp độ tổ chức. Xem việc sử dụng token như một tín hiệu về chi phí mà không ai bị xếp hạng dựa trên đó. Điều quan trọng là những kết quả đạt được.

Một nguyên tắc thực tiễn cần tuân thủ: hãy kết hợp mọi tín hiệu bạn công bố với một kết quả mà tín hiệu đó không thể thổi phồng. Một nhóm có thể đốt token mà không cần tung ra sản phẩm nào. Tuy nhiên, họ không thể giả mạo việc tỷ lệ thất bại đang giảm.

Cấu trúc này xuất phát từ các khung đo lường mà các nhà lãnh đạo kỹ thuật đã tin tưởng. DORA bao quát tốc độ triển khai và tính ổn định, và phát hiện của nó rằng AI làm tăng cả hai yếu tố này chính là lý do tại sao sự kết hợp này lại quan trọng.

DX Core 4 đo lường bốn chiều: tốc độ, hiệu quả, chất lượng và tác động kinh doanh. Abi Noda và Laura Tacho đã phát triển chỉ số này cùng với Nicole Forsgren và Margaret-Anne Storey, những nhà nghiên cứu đứng sau các chỉ số DORA, SPACE và DevEx. Bốn chiều này được thiết kế để tạo ra sự cân bằng có chủ đích giữa chúng.

Một nhóm cải thiện chỉ số này bằng cách hy sinh chỉ số kia sẽ ngay lập tức bộc lộ sự đánh đổi đó. Cả hai khung làm việc này đều không bao gồm chỉ số liên quan đến token, và cũng chưa có khung nào bổ sung chỉ số này.

Ba quy tắc giúp sự kết hợp này phát huy hiệu quả trong thực tế:

Việc cần làm để cài đặt chính sách sử dụng AI mà nhân viên không thể lạm dụng?

Để cài đặt chính sách sử dụng AI mà nhân viên không thể thao túng, hãy loại bỏ mọi số hiển thị khỏi bảng xếp hạng cá nhân và đưa ra năm quyết định:

1. Xác định mục đích của số đó trước khi thu thập nó

Mỗi chỉ số trong chính sách đều cần có mục đích được ghi rõ trước khi bảng điều khiển đầu tiên được triển khai. Bảng xếp hạng của Shopify đã phát huy hiệu quả trong giai đoạn đầu. Ban lãnh đạo đã sử dụng nó để bắt đầu các cuộc hội thoại với những người chi tiêu nhiều về những gì họ đang xây dựng. Số này đã mở ra một cuộc điều tra. Ngay khi cùng một số đó đóng lại một cuộc điều tra, đưa ra kết luận về một người thay vì đặt câu hỏi về công việc, nó sẽ biến thành một điểm số. Và điểm số thì sẽ bị quản lý.

Ghi lại ba yếu tố cho mỗi chỉ số:

“Dòng không hành động” lại đóng vai trò quan trọng nhất, bởi vì nhân viên sẽ dùng chính nó để kiểm tra tính hiệu quả của chính sách. Nếu câu trả lời trung thực cho câu hỏi “điều gì sẽ xảy ra khi chi tiêu tăng đột biến” liên quan đến vị trí của bất kỳ ai, thì bạn đã xây dựng một bảng xếp hạng với những bước phức tạp thêm.

2. Cài đặt ngân sách ở cấp độ nhóm

Một ngân sách chung cho nhóm thay thế giới hạn chi tiêu theo từng cá nhân, và sự khác biệt nằm ở hành vi, chứ không phải ở khía cạnh kế toán. Khoảng chênh lệch từ 500 đến 2.000 USD mỗi tháng của Uber giữa các kỹ sư thực hiện công việc tương đương cho thấy điều gì sẽ xảy ra khi không có một điểm tham chiếu chung. Mọi người đều tự định nghĩa thế nào là hợp lý. Ngân sách chung hoạt động giống như bất kỳ nỗ lực nào khác nhằm tập trung các khoản chi tiêu AI phân tán vào một nơi có thể kiểm soát được.

Gói dịch vụ này mang lại cho bạn ba điều mà giới hạn theo đầu người không thể cung cấp:

Kích thước giới hạn ngân sách ban đầu dựa trên dữ liệu quan sát được. Lấy mức trung bình ba tháng gần nhất của nhóm và cộng thêm một khoản dự phòng cho một dự án tốn kém. Giới hạn ngân sách được đặt ra một cách tùy tiện sẽ bị vượt quá ngay trong tuần thứ hai, khiến mọi người nhận ra rằng chính sách này chỉ mang tính hình thức.

3. Hiển thị con đường tốn kém

Hãy hiển thị chi phí của từng lần chạy cho các kỹ sư thay vì giới hạn số tiền họ có thể chi tiêu. Các lần chạy Agentic lặp lại do các bài kiểm tra thất bại chính là nơi ngân sách bị tiêu hao, khiến việc áp đặt giới hạn cứng trở thành ưu tiên hàng đầu. Một lựa chọn khác là hiển thị chi phí cho mỗi lần chạy cho kỹ sư đã kích hoạt nó, mà không báo cáo lên cấp trên.

Một kỹ sư chứng kiến vòng lặp thử lại tiêu tốn $40 sẽ sửa chữa vòng lặp đó. Ngược lại, một kỹ sư lo sợ báo cáo sẽ ngừng sử dụng hoàn toàn công cụ đó, kể cả những trường hợp mà việc thực thi tốn kém đó thực sự là quyết định đúng đắn.

Các cơ chế ngắt mạch của Shopify hoạt động như sau: hệ thống phát hiện sự bất thường, và người trực tiếp phụ trách công việc sẽ quyết định việc cần làm. Sự hiển thị thay đổi hành vi nhanh hơn so với việc áp dụng giới hạn, đồng thời vẫn duy trì khả năng thực thi các quy trình tốn kém nhưng chính xác khi công việc xứng đáng với chi phí đó.

4. Tách biệt mục tiêu áp dụng AI khỏi đánh giá hiệu suất

Hãy ghi rõ sự phân biệt này bằng văn bản, bởi vì những lời trấn an bằng miệng sẽ không còn giá trị sau một chu kỳ sa thải. Kỹ sư của Microsoft, người đã chia sẻ với The Pragmatic Engineer về việc thổi phồng các chỉ số sử dụng của chính họ, không phải đang theo đuổi một giải thưởng nào cả. Họ chỉ đang cố tránh bị dán nhãn trong một năm đầy rẫy các chu kỳ sa thải liên quan đến AI.

Nếu mọi người tin rằng dữ liệu sử dụng sẽ được đưa vào cuộc họp hiệu chỉnh, họ sẽ quản lý dữ liệu đó, bất kể ai nói gì ra ngoài.

Ngôn ngữ chính sách chỉ cần đúng hai dòng:

Sau đó, hãy tôn trọng cả hai. Kỹ sư đầu tiên phát hiện dữ liệu sử dụng xuất hiện trong báo cáo đánh giá sẽ thông báo cho tất cả mọi người, chứng minh rằng chỉ số này là thừa.

5. Rà soát việc ghép cặp mỗi quý

Mỗi quý, hãy tự hỏi liệu từng chỉ số chẩn đoán có còn giải thích được kết quả mà nó được ghép đôi với hay không. Định giá mô hình, hành vi lưu trữ trong bộ nhớ đệm và kiến trúc tác nhân đều thay đổi nhanh hơn chu kỳ kế hoạch hàng năm.

Cách các nhóm áp dụng AI vào công tác lập kế hoạch và báo cáo liên tục thay đổi. Số lượng token vốn có ý nghĩa này vào tháng 1 lại mang ý nghĩa khác vào tháng 6, sau hai đợt giảm giá và một lần nâng cấp hệ thống.

Bài đánh giá đưa ra kết quả trung thực cho từng chỉ số: nó vẫn dự đoán được kết quả ghép đôi, cần được hiệu chỉnh lại dựa trên giá mới, hoặc đã ngừng giải thích bất cứ điều gì và bị loại bỏ mà không cần lễ nghi. Các nhóm thường phản đối việc loại bỏ chỉ số này nhất. Tuy nhiên, đây là một vấn đề quan trọng bởi vì một chỉ số đã mất đi ý nghĩa chính là loại số liệu mà kỷ nguyên bảng xếp hạng được xây dựng dựa trên.

Những sai lầm phổ biến mà các nhóm thường mắc phải khi đo lường mức độ áp dụng AI

Bốn sai lầm phổ biến nhất là coi việc áp dụng là đích đến, tin tưởng vào số liệu tiết kiệm thời gian do chính người dùng báo cáo, công bố bảng xếp hạng cá nhân và đo lường tốc độ mà không đánh giá tính ổn định. Bạn có thể nhận diện từng sai lầm này trước khi chúng gây ra tổn thất lớn.

1. Coi việc áp dụng là đích đến

Bảng điều khiển triển khai hiển thị 90%, ban lãnh đạo tuyên bố sáng kiến AI đã hoàn thành, và không ai thắc mắc điều gì đã thay đổi ở các khâu sau đó. Dữ liệu của DX đã phơi bày cái bẫy này trên quy mô lớn: tỷ lệ áp dụng đạt 92,6% nhưng năng suất vẫn dậm chân tại chỗ ở mức 10%. Việc áp dụng chỉ xác nhận rằng các công cụ đã đến tay người dùng. Nó không nói lên điều gì về những thay đổi mà các công cụ đó mang lại.

Giải pháp: Loại bỏ biểu đồ mức độ áp dụng sau khi quá trình triển khai kết thúc, và thay thế bằng cặp "tín hiệu và kết quả".

2. Tin tưởng vào số liệu tiết kiệm thời gian do chính người dùng báo cáo

Một cuộc khảo sát cho thấy nhóm tiết kiệm được năm giờ mỗi tuần, nhưng thời gian hoàn thành chu kỳ không thay đổi trong hai quý qua. Thử nghiệm của METR giải thích lý do tại sao hai số này lại mâu thuẫn: các nhà phát triển, dù làm việc chậm hơn đáng kể khi sử dụng AI, vẫn ước tính tốc độ tăng 20% sau đó. Những gì mọi người tin tưởng và những gì đồng hồ ghi lại là hai thước đo khác nhau.

Giải pháp: Giữ lại bảng khảo sát về trải nghiệm nhà phát triển, nơi nhận thức đóng vai trò quan trọng. Sử dụng dữ liệu hệ thống cho bất kỳ tuyên bố nào liên quan đến thời gian.

3. Xuất bản một bảng xếp hạng cá nhân chỉ để giải trí

Ai đó xây dựng nó trên một trang wiki nội bộ chỉ trong một buổi chiều, đặt cho nó những tiêu đề vui nhộn, và nhóm thực sự thích thú với nó trong khoảng ba tuần. Sau đó, yếu tố khuyến khích bắt đầu chiếm ưu thế. Claudeonomics của Meta và Kirorank của Amazon đều bắt đầu như những trò vui từ cơ sở. Cả hai công ty đều ngừng sử dụng chúng khi việc lạm dụng hệ thống vượt quá mức độ hào hứng ban đầu.

Giải pháp: Tổng hợp dữ liệu lên cấp độ nhóm, hoặc đừng công bố nó.

4. Đo lường tốc độ mà không đo lường độ ổn định

Năng suất tăng, mọi người đều vui mừng, trong khi số lượng sự cố lại tăng cao trên bảng điều khiển của một nhóm khác. Báo cáo DORA đã chỉ ra chính xác sự phân chia này: tốc độ được cải thiện trong khi tính ổn định lại suy giảm. Việc hiển thị hai số này trên các bảng điều khiển riêng biệt khiến vấn đề trở nên vô hình.

Giải pháp: Hiển thị tỷ lệ thất bại khi thay đổi trên cùng một màn hình với bất kỳ chỉ số tốc độ nào, thay vì đặt trong một báo cáo đánh giá độ tin cậy riêng biệt mà không ai tham chiếu chéo.

Cách theo dõi tác động của AI trong ClickUp

Để theo dõi tác động của AI trong ClickUp, hãy đo lường kết quả ngay bên cạnh chính công việc: các nhiệm vụ, các đợt sprint và các sản phẩm đầu ra mà AI được kỳ vọng sẽ giúp đẩy nhanh tiến độ. Hầu hết các bảng điều khiển token đều nằm trong bảng điều khiển của nhà cung cấp, cách xa công việc mà chúng mô tả. Việc chuyển các chỉ số kết quả vào Không gian Làm việc ClickUp sẽ thu hẹp khoảng cách đó.

Sự kết hợp giữa tín hiệu và kết quả từ các bản đồ trước đây được phản ánh trực tiếp trên nền tảng này:

Theo dõi số lượng token mà không cần chấm điểm cho người dùng

Toàn bộ câu chuyện đều xoay quanh một quy tắc: sử dụng dữ liệu token để đặt câu hỏi, chứ không bao giờ để đánh giá con người. Shopify đã hỏi: “Những khách hàng chi tiêu nhiều nhất của chúng tôi đang xây dựng gì?” và phát hiện ra các tác nhân hoạt động ngoài tầm kiểm soát cùng các lỗi cơ sở hạ tầng. Meta và Amazon đã hỏi: “Ai đang sử dụng AI nhiều nhất?” và nhận được các công việc giả mạo, lãng phí hàng triệu đô la, cùng các bảng xếp hạng vô nghĩa.

Vì vậy, hãy thực hiện ba việc cần làm trong quý này. Chuyển việc theo dõi token lên cấp độ nhóm và xóa bỏ mọi thông tin hiển thị tên cá nhân. Ghi rõ trong chính sách rằng dữ liệu sử dụng token tuyệt đối không được sử dụng trong đánh giá hiệu suất. Và đặt một chỉ số chất lượng (tỷ lệ thất bại là chỉ số dễ áp dụng nhất) trên cùng một màn hình với mọi chỉ số tốc độ mà bạn báo cáo.

Nếu bạn muốn màn hình đó hiển thị ngay bên cạnh công việc thực tế thay vì trong một công cụ báo cáo riêng biệt, hãy bắt đầu sử dụng ClickUp miễn phí và xây dựng bảng điều khiển trước khi bạn cần đến nó.

Các câu hỏi thường gặp về Tokenmaxxing (FAQ)

Quy tắc 30% trong tokenmaxxing là gì?

Không có “quy tắc 30%” chính thức nào dành riêng cho tokenmaxxing. Cụm từ này thường là cách nói tắt cho hai phát hiện riêng biệt mà mọi người thường nhầm lẫn với nhau: rằng AI có xu hướng nâng cao năng suất kỹ thuật được đo lường lên khoảng 10%, chứ không phải 30%, và rằng các nhà phát triển thường dự đoán mức tăng khoảng 20–30% nhưng điều này lại không thành hiện thực. Hãy coi bất kỳ tỷ lệ phần trăm cố định nào như một chẩn đoán cần được điều tra, chứ đừng bao giờ coi đó là mục tiêu cần đạt được.

Một triệu token tương đương với khoảng 750.000 văn bản tiếng Anh, vì trung bình mỗi token tương đương khoảng ba phần tư văn bản. Chi phí hoàn toàn phụ thuộc vào mô hình và tỷ lệ phân chia đầu vào/đầu ra. Theo mức giá của các mô hình tiên tiến năm 2026, phạm vi chi phí dao động từ vài đô la đến vài chục đô la cho mỗi triệu token. Các phiên theo kiểu agentic tiêu thụ hàng triệu token rất nhanh vì mỗi vòng lặp đều đọc lại bối cảnh, và các lần đọc từ bộ nhớ đệm lời nhắc cũng được tính vào tổng số.

“Tokenmaxxing” là sự kết hợp giữa “token” và hậu tố “-maxxing” trên internet, có nghĩa là tối đa hóa một đặc tính. Thuật ngữ này lan truyền trong giới kỹ sư vào đầu năm 2026 sau khi bảng xếp hạng token nội bộ tại Meta và Amazon bị rò rỉ ra báo chí. Business Insider đã gọi đây là “cuộc tranh luận mới về AI tại Thung lũng Silicon ” vào tháng 4 năm 2026. Các bảng xếp hạng công khai như Viberank và tokenmaxxing.sh sau đó đã áp dụng nhãn này, xếp hạng các nhà phát triển cá nhân trên toàn thế giới dựa trên mức chi tiêu cho API.

Nhìn chung là đúng. Tạp chí Fortune đã tuyên bố tokenmaxxing đã kết thúc vào tháng 5 năm 2026 sau khi Meta, Amazon, Microsoft và Uber thu hẹp quy mô hoặc loại bỏ hoàn toàn các bảng xếp hạng token của họ. Báo cáo Tác động của AI do LeadDev thực hiện cho thấy chỉ 19% số người được hỏi đánh giá tokenmaxxing là hiệu quả trong việc đo lường giá trị của AI, trong khi 57% cho rằng phương pháp này hoàn toàn thất bại. Các bảng xếp hạng công khai do những người đam mê duy trì vẫn tồn tại, nhưng chỉ như một trò chơi, chứ không phải là một phương pháp quản lý.

Hiện chưa có tiêu chuẩn tham chiếu nào được thiết lập. Khi Uber triển khai dịch vụ này, phạm vi hóa đơn hàng tháng dao động từ 500 đến 2.000 USD cho mỗi kỹ sư trước khi công ty này giới hạn chi tiêu ở mức 1.500 USD cho mỗi công cụ. Giám đốc điều hành của Nvidia, Jensen Huang, đã lập luận rằng một kỹ sư có mức lương 500.000 USD nên tiêu thụ 250.000 USD token mỗi năm, nhưng đó rất có thể chỉ là một lời khiêu khích, chứ không phải là một tiêu chuẩn. Các kết quả nghiên cứu cho thấy sự chênh lệch lớn giữa các công việc tương đương, điều này có nghĩa là chưa ai định nghĩa được thế nào là mức sử dụng hợp lý.

Lập trình theo phong cách "vibe" là một phương pháp làm việc: ủy quyền việc triển khai cho một tác nhân AI và điều hướng dựa trên kết quả. "Tokenmaxxing" là một phương pháp đo lường: coi các token bạn tiêu thụ là bằng chứng về năng suất. Bạn có thể lập trình theo phong cách "vibe" một cách hiệu quả hoặc lãng phí; "tokenmaxxing" lại khen thưởng cho phiên bản lãng phí vì nó chỉ tính đến lượng tiêu thụ. Các công ty đã áp đặt giới hạn token để ngăn chặn "tokenmaxxing" thường vô tình trừng phạt cả những công việc hợp pháp do tác nhân AI thực hiện trong quá trình đó.