Een bedrijfsrage van ‘tokenmaxxing’ op het gebied van kunstmatige intelligentie-technologie stuit op zijn grenzen nu werkplekken die AI op alles gooien de kosten zien stijgen zonder een vergelijkbare productiviteitspiek, volgens een rapport van de Associated Press.
Wat begon als een door de technologie-industrie aangewakkerde hype in het voorjaar van 2026 over het persen van zoveel mogelijk door AI gegenereerd werk uit producten als ChatGPT van OpenAI en Claude van Anthropic, is verschoven naar een zomerse reactie. Leidinggevenden, analisten en ontwikkelaars vragen zich nu openlijk af of het maximaliseren van de consumptie van AI-tokens ooit een goede strategie is geweest. Bezoek onze [laatste AI-industrierapportage] (https://aibuzzwire.new) voor voortdurende berichtgeving over het zakelijke AI-landschap.
De opkomst en ondergang van een rage
‘Tokenmaxxing’ verwijst naar het maximaliseren van het gebruik van tokens – de bouwstenen van generatieve AI die overeenkomen met kleine stukjes tekst die een AI-systeem leest of schrijft. Elk token vertegenwoordigt grofweg driekwart van een woord, en AI-aanbieders leggen doorgaans gebruikslimieten op, waarbij duurdere abonnementen hogere limieten bieden.
De trend werd actief gepromoot door enkele van de meest prominente leiders van de technologie. Sam Altman, CEO van OpenAI, zei in mei 2026 dat hij "enthousiast was om te zien wat er zal gebeuren met tokenmaxxing-startups, zowel voor de manier waarop ze intern werken als voor de producten die ze kunnen bouwen." Nvidia CEO Jensen Huang verklaarde dat "als jouw $500K-ingenieur geen $250K aan tokens verbrandt, er iets mis is." Facebook-moederbedrijf Meta organiseerde een interne wedstrijd waarin een hoog tokengebruik werd beloond.
Maar naarmate de kosten zich opstapelden, nam het enthousiasme af. “Toen de rekeningen binnenstroomden, realiseerden mensen zich dat deze nieuwe tools behoorlijk duur zijn en dat je ze verstandig moet gebruiken”, zegt Vincent Gusdorf, hoofd AI-analyse bij Moody’s Ratings en auteur van een nieuw rapport waarin een meer gedisciplineerde aanpak wordt aanbevolen.
"Het is heel gemakkelijk om met AI iets te maken dat je niet nodig hebt", voegde Gusdorf eraan toe.
Leidinggevende reactie
De reactie werd geleid door enkele van de meest invloedrijke stemmen uit de technologie-industrie. Microsoft-CEO Satya Nadella gaf toe dat tokenmaxxing verslavend kan zijn, maar waarschuwde dat klanten feitelijk twee keer betalen voor AI – eerst door uitgaven aan tokens, en ten tweede door hun bedrijfseigen gegevens aan AI-providers te verstrekken. Nadella's opmerkingen waren ongebruikelijk in de manier waarop hij twijfels uitte over de gegevensbeschermingsgaranties van toonaangevende AI-bedrijven, zelfs toen hij de eigen AI-strategie van Microsoft promootte.
CEO van Palantir, Alex Karp, ging verder en vertelde CNBC dat er iets ‘volledig mis’ was gegaan. Hij zei dat hij de stem van Amerikaanse bedrijven die privé ‘woedend’ zijn over het betalen van enorme bedragen voor tokens die geen waarde creëren, kanaliseert.
"De basisopvatting onder bedrijven in dit land is: 'Ik ga chillen en mijn tijd verspillen met tokens. Ik krijg geen waarde en zij krijgen mijn IP', zei Karp.
Mozilla's chief technology officer, Raffi Krikorian, vergeleek tokenmaxxing met de in diskrediet geraakte praktijk van het meten van de productiviteit van programmeurs aan de hand van regels code. "Ik denk dat tokenmaxxing precies hetzelfde patroon volgt", zei hij. "Ik denk dat dit een interessante gebeurtenis gaat worden waar we over een jaar allemaal lachend op terug zullen kijken."
Het kostenprobleem op schaal
De financiële gevolgen worden op ondernemingsschaal groot. Bain & Company-managementconsulent Jue Wang zei dat veel van de grote bedrijven die haar bedrijf adviseert, het rendement op hun AI-investeringen nader hebben bekeken.
"De symbolische kosten voor hen zijn bijna elke maand verdubbeld", zei Wang. "Laten we zeggen $200 per ontwikkelaar per maand. Vermenigvuldig dat met 20.000 ontwikkelaars, waar we bij deze bedrijven vaak mee te maken hebben, en dat brengt je al snel op een getal dat niet iets is waar een algemeen manager op heeft gerekend."
Wang wees op een veelvoorkomend misbruikpatroon: het gebruik van de krachtigste – en duurste – AI-modellen voor taken waarvoor deze niet nodig zijn. "Niet alles heeft een Claude Opus 4.6 nodig", zei ze over een van de meest capabele modellen van Anthropic, geschikt voor software-engineering of diepgaand onderzoek. "En toch zie je dat zoveel bedrijven, zoveel gebruikers, Opus standaard voor alles gebruiken, inclusief het genereren van e-mails."
De opkomst van modelrouting en open gewichten
De druk op de kosten heeft de vraag aangewakkerd naar AI-tools voor ‘modelroutering’ die automatisch eenvoudigere vragen naar goedkopere, efficiëntere AI-systemen sturen, terwijl krachtige modellen worden gereserveerd voor complexe taken. Softwareontwikkelaar Hassan El Mghari, die de ontwikkelaarservaring leidt bij de startup Together AI, zegt dat de shock van bedrijven over de ‘belachelijke hoeveelheid geld’ die wordt uitgegeven aan abonnementen op AI-producten van toonaangevende Amerikaanse bedrijven ertoe heeft geleid dat velen de benadering van maximaal gebruik hebben heroverwogen.
"Het is beter om werknemers te laten weten hoe ze deze dingen kunnen gebruiken en ze AI te laten gebruiken wanneer en hoeveel ze maar nodig hebben", zei El Mghari.
Ondertussen vinden voorstanders van een hoge tokenconsumptie nieuwe munitie in open-weight-modellen van Chinese startups zoals Moonshot's Kimi en Zhipu's GLM, die bijna overeenkomen met de mogelijkheden van Amerikaanse topmodellen tegen een fractie van de kosten. Krikorian erkende dat er “enige geldigheid zit in de theorie dat dit tokenmaxxing een beetje verder zou kunnen duwen”, maar hield vol dat de bredere trend in de industrie naar meer gedisciplineerd gebruik gaat.
Lessen voor de onderneming
De tokenmaxxing-aflevering biedt een waarschuwend verhaal voor bedrijven die door het AI-landschap navigeren. Hoewel toonaangevende AI-modelontwikkelaars zoals OpenAI en Anthropic hebben geprofiteerd van de stijging van het verbruik, heeft de ervaring veel organisaties ertoe aangezet om meer afgemeten benaderingen te hanteren, waarbij ze zich richten op specifieke gebruiksscenario's waarbij AI meetbare rendementen oplevert in plaats van het maximaliseren van ruwe gebruiksstatistieken.
Nu de aanvankelijke AI-hypecyclus plaats maakt voor een pragmatische implementatie, kunnen de bedrijven die hierin slagen wellicht degenen zijn die AI als een precisie-instrument behandelen in plaats van als een bot instrument, waarbij ze het juiste model aan de juiste taak koppelen en de rekening nauwlettend in de gaten houden.
