طبق گزارش آسوشیتدپرس، مد شرکتی «tokenmaxxing» در فناوری هوش مصنوعی به محدودیتهای خود رسیده است، زیرا محلهای کاری که هوش مصنوعی را به همه چیز پرتاب میکنند، شاهد افزایش هزینهها بدون افزایش مشابه در بهرهوری هستند.
چیزی که در بهار 2026 به عنوان هیاهوی صنعت فناوری در زمینه فشرده سازی کارهای تولید شده توسط هوش مصنوعی از محصولاتی مانند ChatGPT OpenAI و Claude از Anthropic آغاز شد، به واکنش شدید تابستانی تبدیل شده است. مدیران اجرایی، تحلیلگران و توسعه دهندگان اکنون آشکارا این سوال را مطرح می کنند که آیا به حداکثر رساندن مصرف توکن هوش مصنوعی یک استراتژی درست بوده است یا خیر. برای پوشش مداوم چشم انداز کسب و کار هوش مصنوعی، از [آخرین گزارش صنعت هوش مصنوعی] ما (https://aibuzzwire.news) دیدن کنید.
ظهور و سقوط یک مد
"Tokenmaxxing" به حداکثر کردن استفاده از توکن ها اشاره دارد - بلوک های سازنده هوش مصنوعی مولد که مربوط به قطعات کوچک متنی است که یک سیستم هوش مصنوعی می خواند یا می نویسد. هر توکن تقریباً سه چهارم کلمه را نشان میدهد و ارائهدهندگان هوش مصنوعی معمولاً محدودیتهای استفاده را اعمال میکنند و اشتراکهای گرانتر سقفهای بالاتری را ارائه میدهند.
این روند به طور فعال توسط برخی از برجسته ترین رهبران فناوری ترویج شد. سام آلتمن، مدیر عامل OpenAI در ماه مه 2026 گفت که "از اینکه ببیند با استارتاپ های tokenmaxxing چه اتفاقی خواهد افتاد، هم برای نحوه عملکرد داخلی و هم برای محصولاتی که می توانند بسازند، هیجان زده است." جنسن هوانگ، مدیرعامل انویدیا اعلام کرد که "اگر مهندس 500 هزار دلاری شما 250 هزار دلار توکن نمی سوزاند، مشکلی وجود دارد." متا والدین فیس بوک یک رقابت داخلی برای استفاده از توکن بالا برگزار کرد.
اما با انباشته شدن هزینه ها، شور و شوق کاهش یافت. وینسنت گاسدورف، رئیس بخش تجزیه و تحلیل هوش مصنوعی در رتبهبندی مودی و نویسنده گزارش جدیدی که رویکرد منظمتری را توصیه میکند، میگوید: «هنگامی که صورتحسابها شروع به انباشته شدن کردند، مردم متوجه شدند که این ابزارهای جدید بسیار گران هستند و باید از آنها عاقلانه استفاده کنید.
گاسدورف افزود: ایجاد چیزی که به آن نیاز ندارید با هوش مصنوعی بسیار آسان است.
واکنش اجرایی
این واکنش توسط برخی از تأثیرگذارترین صداهای صنعت فناوری رهبری شده است. ساتیا نادلا، مدیر عامل مایکروسافت اعتراف کرد که tokenmaxxing میتواند اعتیادآور باشد، اما هشدار داد که مشتریان به طور موثر دو بار برای هوش مصنوعی هزینه میکنند – اول برای هزینه کردن توکنها و دوم با ارائه دادههای اختصاصی خود به ارائهدهندگان هوش مصنوعی. اظهارات نادلا از این جهت غیرعادی بود که او در مورد تضمینهای حفاظت از دادههای شرکتهای پیشرو هوش مصنوعی، حتی زمانی که استراتژی هوش مصنوعی مایکروسافت را تبلیغ میکرد، تردید ایجاد کرد.
الکس کارپ، مدیرعامل Palantir پا را فراتر گذاشت و به CNBC گفت که چیزی "کاملاً اشتباه" پیش رفته است. او گفت که صدای کسبوکارهای آمریکایی را به صورت خصوصی درباره پرداخت مبالغ هنگفت برای توکنهایی که هیچ ارزشی ایجاد نمیکنند، هدایت میکند.
کارپ گفت: "دیدگاه اساسی در بین شرکتهای این کشور این است که "من میروم تا زمان خود را با توکنها تلف کنم. من ارزشی دریافت نمیکنم و آنها IP من را دریافت خواهند کرد."
رافی کریکوریان، مدیر ارشد فناوری موزیلا، توکن مکس کردن را با روش بی اعتبار اندازه گیری بهره وری برنامه نویس با خطوط کد مقایسه کرد. او گفت: "من فکر می کنم tokenmaxxing دقیقاً از طریق همان الگو حرکت می کند." "من فکر می کنم این اتفاق جالبی خواهد بود که همه ما در یک سال آینده به گذشته نگاه خواهیم کرد تا به آن بخندیم."
مشکل هزینه در مقیاس
تأثیر مالی در مقیاس شرکت آشکار می شود. جو وانگ، مشاور مدیریت Bain & Company، گفت که بسیاری از کسبوکارهای بزرگی که شرکت او به آنها توصیه میکند، نگاه دقیقتری به بازده سرمایهگذاریهای هوش مصنوعی خود دارند.
وانگ گفت: "هزینه رمز برای آنها تقریباً هر ماه دو برابر شده است." فرض کنید 200 دلار برای هر توسعه دهنده در هر ماه. آن را در 20000 توسعه دهنده ضرب کنید، که اغلب در این شرکت ها با آن سر و کار داریم، و این به سرعت شما را به عددی می رساند که یک آیتم خطی نیست که هیچ مدیر کل برای آن برنامه ریزی کرده باشد."
وانگ به یک الگوی استفاده نادرست رایج اشاره کرد: پیشفرض قویترین – و گرانترین – مدلهای هوش مصنوعی برای کارهایی که به آنها نیاز ندارند. او در مورد یکی از تواناترین مدل های Anthropic که برای مهندسی نرم افزار یا تحقیقات عمیق مناسب است، گفت: «همه چیز به Claude Opus 4.6 نیاز ندارد. با این حال میبینید که شرکتهای زیادی، کاربران بسیار زیادی، بهطور پیشفرض از Opus برای همه چیز، از جمله تولید ایمیل استفاده میکنند.»
افزایش مسیریابی مدل و وزن باز
فشار هزینه باعث افزایش تقاضا برای ابزارهای "مدل مسیریابی" هوش مصنوعی شده است که به طور خودکار درخواست های ساده تری را به سیستم های هوش مصنوعی ارزان تر و کارآمدتر ارسال می کنند و در عین حال مدل های قدرتمند را برای کارهای پیچیده رزرو می کنند. حسن ال مغاری، توسعهدهنده نرمافزار، که تجربه توسعهدهندگان را در استارتآپ Together AI رهبری میکند، گفت که شوک برچسب شرکتها به دلیل «مقدار مضحک پولی» که برای اشتراک محصولات هوش مصنوعی شرکتهای پیشرو ایالات متحده خرج میشود، بسیاری را به تجدیدنظر در رویکرد استفاده حداکثری سوق داده است.
ال مغاری گفت: «بهتر است کارمندان را در مورد نحوه استفاده از این موارد توانمند کنیم و به آنها اجازه دهیم در زمان و هر اندازه که نیاز دارند از هوش مصنوعی استفاده کنند.
در همین حال، طرفداران مصرف توکن بالا در حال یافتن مهمات جدید در مدلهای وزن باز استارتآپهای چینی مانند Moonshot's Kimi و Zhipu's GLM هستند که تقریباً با قابلیتهای مدلهای برتر ایالات متحده با کسری از هزینه مطابقت دارد. کریکوریان اذعان کرد که «تئوری اعتباری دارد که میتواند توکن مکس را کمی بیشتر کند»، اما معتقد است که روند گستردهتر صنعت به سمت استفاده منظمتر است.
درس برای سازمان
قسمت tokenmaxxing یک داستان هشداردهنده برای مشاغلی است که در چشم انداز هوش مصنوعی حرکت می کنند. در حالی که توسعهدهندگان پیشرو مدل هوش مصنوعی مانند OpenAI و Anthropic از افزایش مصرف سود بردند، این تجربه بسیاری از سازمانها را بر آن داشت تا رویکردهای اندازهگیریشدهتری را اتخاذ کنند - تمرکز بر موارد استفاده خاص که در آن هوش مصنوعی بازده قابل اندازهگیری را به جای حداکثر کردن معیارهای استفاده خام ارائه میکند.
از آنجایی که چرخه تبلیغاتی اولیه هوش مصنوعی جای خود را به اجرای عملگرایانه میدهد، شرکتهایی که موفق میشوند ممکن است شرکتهایی باشند که هوش مصنوعی را بهعنوان یک ابزار دقیق بهجای ابزاری بیپرده تلقی میکنند، که مدل مناسب را با کار درست مطابقت میدهد و چشمهای دقیقی بر صورتحساب دارد.
