Tren perusahaan yang melakukan "tokenmaxxing" pada teknologi kecerdasan buatan sudah mencapai batasnya karena tempat kerja yang menggunakan AI dalam segala hal mengalami peningkatan biaya tanpa adanya lonjakan serupa dalam produktivitas, menurut laporan Associated Press.
Apa yang dimulai sebagai hype yang dipicu oleh industri teknologi pada musim semi 2026 karena memeras sebanyak mungkin pekerjaan yang dihasilkan AI dari produk seperti ChatGPT OpenAI dan Claude Anthropic telah berubah menjadi reaksi musim panas. Para eksekutif, analis, dan pengembang kini secara terbuka mempertanyakan apakah memaksimalkan konsumsi token AI merupakan strategi yang tepat. Untuk liputan berkelanjutan mengenai lanskap bisnis AI, kunjungi laporan industri AI terbaru.
Bangkit dan Jatuhnya Sebuah Mode
"Tokenmaxxing" mengacu pada pemaksimalan penggunaan token — elemen penyusun AI generatif yang sesuai dengan potongan kecil teks yang dibaca atau ditulis oleh sistem AI. Setiap token mewakili sekitar tiga perempat kata, dan penyedia AI biasanya memberlakukan batasan penggunaan, dengan langganan yang lebih mahal menawarkan batasan yang lebih tinggi.
Tren ini dipromosikan secara aktif oleh beberapa pemimpin teknologi terkemuka. CEO OpenAI Sam Altman mengatakan pada bulan Mei 2026 bahwa dia "sangat antusias melihat apa yang akan terjadi dengan startup tokenmaxxing, baik dari cara mereka bekerja secara internal maupun produk yang dapat mereka buat." CEO Nvidia Jensen Huang menyatakan bahwa "jika teknisi senilai $500K Anda tidak membakar token senilai $250K, ada sesuatu yang salah." Induk Facebook, Meta, mengadakan kompetisi internal yang memberi penghargaan pada penggunaan token yang tinggi.
Namun seiring bertambahnya biaya, antusiasme berkurang. “Ketika tagihan mulai menumpuk, orang-orang menyadari bahwa alat-alat baru tersebut cukup mahal dan Anda perlu menggunakannya dengan bijak,” kata Vincent Gusdorf, kepala analisis AI di Moody's Ratings dan penulis laporan baru yang merekomendasikan pendekatan yang lebih disiplin.
“Sangat mudah untuk membuat sesuatu yang tidak Anda perlukan dengan AI,” tambah Gusdorf.
Reaksi Eksekutif
Reaksi negatif ini dipimpin oleh beberapa tokoh paling berpengaruh di industri teknologi. CEO Microsoft Satya Nadella mengakui bahwa tokenmaxxing dapat membuat ketagihan, namun memperingatkan bahwa pelanggan sebenarnya membayar dua kali lipat untuk AI – pertama dalam pembelanjaan pada token, dan kedua dengan memasukkan data kepemilikan mereka ke penyedia AI. Komentar Nadella tidak biasa karena ia meragukan jaminan perlindungan data dari perusahaan-perusahaan AI terkemuka, bahkan ketika ia mempromosikan strategi AI Microsoft sendiri.
CEO Palantir Alex Karp melangkah lebih jauh dengan mengatakan kepada CNBC bahwa ada sesuatu yang "sepenuhnya tidak beres". Dia mengatakan dia menyalurkan suara perusahaan-perusahaan Amerika yang secara pribadi "marah" karena membayar sejumlah besar uang untuk token yang tidak menghasilkan nilai.
“Pandangan dasar di antara perusahaan-perusahaan di negara ini adalah, 'Saya akan bersantai dan membuang-buang waktu saya dengan token. Saya tidak akan mendapatkan nilai apa pun dan mereka akan mendapatkan IP saya,'” kata Karp.
Chief Technology Officer Mozilla, Raffi Krikorian, membandingkan tokenmaxxing dengan praktik mendiskreditkan pengukuran produktivitas pemrogram berdasarkan baris kode. “Saya pikir tokenmaxxing bergerak melalui pola yang sama,” katanya. "Saya pikir ini akan menjadi sebuah peristiwa menarik yang kita semua akan lihat ke belakang untuk ditertawakan dalam satu tahun."
Masalah Biaya dalam Skala Besar
Dampak finansial menjadi sangat nyata pada skala perusahaan. Konsultan manajemen Bain & Company, Jue Wang, mengatakan banyak perusahaan besar yang menjadi penasihat perusahaannya telah mencermati keuntungan atas investasi AI mereka.
“Biaya token untuk mereka meningkat dua kali lipat, hampir setiap bulannya,” kata Wang. "Katakan saja $200 per pengembang per bulan. Kalikan dengan 20.000 pengembang, yang sering kali kita hadapi di perusahaan-perusahaan ini, dan dengan cepat Anda akan mendapatkan jumlah yang bukan merupakan item baris yang direncanakan oleh manajer umum mana pun."
Wang menunjuk pada pola penyalahgunaan yang umum: menggunakan model AI yang paling kuat — dan paling mahal — secara default untuk tugas-tugas yang tidak memerlukannya. “Tidak semuanya membutuhkan Claude Opus 4.6,” katanya tentang salah satu model Anthropic yang paling mumpuni, cocok untuk rekayasa perangkat lunak atau penelitian mendalam. "Namun Anda melihat begitu banyak perusahaan, begitu banyak pengguna, yang secara default menggunakan Opus untuk segala hal, termasuk membuat email."
Bangkitnya Perutean Model dan Bobot Terbuka
Tekanan biaya telah memicu permintaan akan alat "perutean model" AI yang secara otomatis mengirimkan kueri sederhana ke sistem AI yang lebih murah dan efisien sambil menyediakan model yang kuat untuk tugas-tugas kompleks. Pengembang perangkat lunak Hassan El Mghari, yang memimpin pengalaman pengembang di startup Together AI, mengatakan keterkejutan perusahaan atas “jumlah uang yang sangat besar” yang dihabiskan untuk berlangganan produk AI dari perusahaan-perusahaan terkemuka di AS telah membuat banyak orang memikirkan kembali pendekatan memaksimalkan penggunaan.
“Lebih baik memberdayakan karyawan tentang cara menggunakan teknologi ini dan membiarkan mereka menggunakan AI kapan pun dan sebanyak apa pun yang mereka perlukan,” kata El Mghari.
Sementara itu, para pendukung konsumsi token yang tinggi menemukan amunisi baru dalam model open-weight dari startup Tiongkok seperti Kimi dari Moonshot dan GLM dari Zhipu, yang hampir menyamai kemampuan model-model terkemuka di AS dengan biaya yang lebih murah. Krikorian mengakui bahwa ada “teori yang valid bahwa hal ini dapat mendorong pemaksimalan token sedikit lebih jauh,” namun tetap menyatakan bahwa tren industri yang lebih luas adalah ke arah penggunaan yang lebih disiplin.
Pelajaran untuk Perusahaan
Episode tokenmaxxing menawarkan kisah peringatan bagi bisnis yang menavigasi lanskap AI. Meskipun pengembang model AI terkemuka seperti OpenAI dan Anthropic mendapat manfaat dari lonjakan konsumsi, pengalaman tersebut telah mendorong banyak organisasi untuk mengadopsi pendekatan yang lebih terukur — dengan fokus pada kasus penggunaan tertentu di mana AI memberikan keuntungan yang terukur dibandingkan memaksimalkan metrik penggunaan mentah.
Ketika siklus awal AI memberi jalan bagi penerapan pragmatis, perusahaan yang berhasil mungkin adalah perusahaan yang memperlakukan AI sebagai alat yang presisi, bukan instrumen yang tumpul, mencocokkan model yang tepat dengan tugas yang tepat, dan selalu memperhatikan kebutuhan.
