Satu trend korporat "tokenmaxxing" pada teknologi kecerdasan buatan mencapai hadnya kerana tempat kerja yang menggunakan AI pada segala-galanya menyaksikan kos meningkat tanpa lonjakan produktiviti yang sama, menurut laporan oleh Associated Press.
Apa yang bermula sebagai gembar-gembur yang didorong oleh industri teknologi pada musim bunga 2026 terhadap memerah sebanyak mungkin kerja yang dijana AI daripada produk seperti OpenAI's ChatGPT dan Anthropic's Claude telah beralih kepada tindak balas musim panas. Eksekutif, penganalisis dan pembangun kini secara terbuka mempersoalkan sama ada memaksimumkan penggunaan token AI adalah satu strategi yang baik. Untuk liputan berterusan tentang landskap perniagaan AI, lawati pelaporan industri AI terkini kami.
Kebangkitan dan Kejatuhan Sebuah Fad
"Tokenmaxxing" merujuk kepada memaksimumkan penggunaan token — blok binaan AI generatif yang sepadan dengan cebisan kecil teks yang dibaca atau ditulis oleh sistem AI. Setiap token mewakili kira-kira tiga perempat daripada perkataan, dan pembekal AI biasanya mengenakan had penggunaan, dengan langganan yang lebih mahal menawarkan had yang lebih tinggi.
Aliran ini dipromosikan secara aktif oleh beberapa pemimpin teknologi yang paling terkemuka. Ketua Pegawai Eksekutif OpenAI Sam Altman berkata pada Mei 2026 bahawa dia "teruja untuk melihat apa yang akan berlaku dengan pemula tokenmaxxing, baik untuk cara mereka bekerja secara dalaman dan produk yang boleh mereka bina." Ketua Pegawai Eksekutif Nvidia Jensen Huang mengisytiharkan bahawa "jika jurutera $500K anda tidak membakar token $250K, ada sesuatu yang tidak kena." Facebook induk Meta menjalankan pertandingan dalaman yang memberi ganjaran kepada penggunaan token yang tinggi.
Tetapi apabila kos terkumpul, semangat merosot. "Apabila bil mula menimbun, orang ramai menyedari bahawa alat baharu itu agak mahal dan anda perlu menggunakannya dengan bijak," kata Vincent Gusdorf, ketua analisis AI di Moody's Ratings dan pengarang laporan baharu yang mengesyorkan pendekatan yang lebih berdisiplin.
"Sangat mudah untuk mencipta sesuatu yang anda tidak perlukan dengan AI," tambah Gusdorf.
Tindak Balas Eksekutif
Tindak balas telah diketuai oleh beberapa suara industri teknologi yang paling berpengaruh. Ketua Pegawai Eksekutif Microsoft Satya Nadella mengakui bahawa tokenmaxxing boleh menyebabkan ketagihan tetapi memberi amaran bahawa pelanggan secara berkesan membayar dua kali untuk AI — pertama dalam perbelanjaan token, dan kedua dengan menyalurkan data proprietari mereka kepada penyedia AI. Komen Nadella adalah luar biasa dalam cara dia menimbulkan keraguan tentang jaminan perlindungan data syarikat AI terkemuka, walaupun dia mempromosikan strategi AI Microsoft sendiri.
Ketua Pegawai Eksekutif Palantir Alex Karp pergi lebih jauh, memberitahu CNBC bahawa sesuatu telah berlaku "sangat salah." Dia berkata dia menyalurkan suara perniagaan Amerika secara persendirian "geram" tentang membayar jumlah yang besar untuk token yang tidak menghasilkan nilai.
"Pandangan asas dalam kalangan perusahaan di negara ini ialah, 'Saya akan berehat dan membuang masa saya dengan token. Saya tidak akan mendapat nilai dan mereka akan mendapat IP saya,'" kata Karp.
Ketua pegawai teknologi Mozilla, Raffi Krikorian, membandingkan tokenmaxxing dengan amalan terdiskreditkan dalam mengukur produktiviti pengaturcara mengikut baris kod. "Saya fikir tokenmaxxing bergerak melalui corak yang sama," katanya. "Saya fikir ini akan menjadi satu kejadian menarik yang kita semua akan lihat kembali untuk ketawa dalam setahun."
Masalah Kos pada Skala
Kesan kewangan menjadi ketara pada skala perusahaan. Perunding pengurusan Bain & Company, Jue Wang berkata, kebanyakan perniagaan besar yang dinasihatkan firmanya telah melihat dengan lebih dekat pulangan pelaburan AI mereka.
"Kos token untuk mereka meningkat dua kali ganda, hampir setiap bulan," kata Wang. "Katakanlah $200 bagi setiap pembangun sebulan. Darabkan itu dengan 20,000 pembangun, yang selalunya adalah perkara yang kami uruskan di syarikat-syarikat ini dan itu dengan cepat membawa anda ke nombor yang bukan item baris yang telah dirancang oleh mana-mana pengurus besar."
Wang menunjuk kepada corak penyalahgunaan biasa: lalai kepada model AI yang paling berkuasa — dan paling mahal — untuk tugasan yang tidak memerlukannya. "Tidak semuanya memerlukan Claude Opus 4.6," katanya mengenai salah satu model Anthropic yang paling berkebolehan, sesuai untuk kejuruteraan perisian atau penyelidikan mendalam. "Namun anda melihat begitu banyak syarikat, begitu banyak pengguna, lalai menggunakan Opus untuk segala-galanya, termasuk menjana e-mel."
Peningkatan Penghalaan Model dan Wajaran Terbuka
Tekanan kos telah mendorong permintaan untuk alat "penghalaan model" AI yang secara automatik menghantar pertanyaan yang lebih mudah kepada sistem AI yang lebih murah dan lebih cekap sambil menempah model berkuasa untuk tugas yang rumit. Pemaju perisian Hassan El Mghari, yang mengetuai pengalaman pembangun di permulaan Together AI, berkata kejutan pelekat syarikat terhadap "jumlah wang yang tidak masuk akal" yang dibelanjakan untuk langganan produk AI daripada syarikat terkemuka AS telah menyebabkan ramai orang memikirkan semula pendekatan penggunaan maksimum.
"Adalah lebih baik untuk hanya memperkasakan pekerja tentang cara menggunakan bahan ini dan biarkan mereka menggunakan AI pada bila-bila masa dan seberapa banyak yang mereka perlukan," kata El Mghari.
Sementara itu, penyokong penggunaan token tinggi sedang mencari peluru baharu dalam model berat terbuka daripada syarikat pemula China seperti Kimi Moonshot dan GLM Zhipu, yang hampir sepadan dengan keupayaan model A.S. teratas pada sebahagian kecil daripada kos. Krikorian mengakui terdapat "sesetengah kesahihan teori bahawa ini boleh mendorong tokenmaxxing sedikit lebih jauh," tetapi mengekalkan bahawa trend industri yang lebih luas adalah ke arah penggunaan yang lebih berdisiplin.
Pengajaran untuk Perusahaan
Episod tokenmaxxing menawarkan kisah amaran untuk perniagaan yang menavigasi landskap AI. Walaupun pembangun model AI terkemuka seperti OpenAI dan Anthropic mendapat manfaat daripada lonjakan penggunaan, pengalaman itu telah mendorong banyak organisasi untuk menggunakan pendekatan yang lebih terukur — memfokuskan pada kes penggunaan khusus di mana AI memberikan pulangan yang boleh diukur dan bukannya memaksimumkan metrik penggunaan mentah.
Memandangkan kitaran gembar-gembur AI awal memberi laluan kepada pelaksanaan pragmatik, syarikat yang berjaya mungkin adalah mereka yang menganggap AI sebagai alat ketepatan dan bukannya instrumen tumpul, memadankan model yang betul dengan tugas yang betul dan memerhatikan rang undang-undang dengan teliti.
