Відповідно до звіту Associated Press, корпоративна мода на використання технологій штучного інтелекту на «токенмаксінг» досягає межі, оскільки на робочих місцях, які використовують штучний інтелект у всьому, витрати зростають без подібного різкого зростання продуктивності.
Те, що почалося навесні 2026 року як ажіотаж у технологічній індустрії щодо вичавлення якомога більшої кількості роботи, створеної штучним інтелектом, із таких продуктів, як ChatGPT від OpenAI та Claude від Anthropic, перейшло до літньої негативної реакції. Керівники, аналітики та розробники зараз відверто сумніваються, чи було максимізацію споживання токенів AI розумною стратегією. Для постійного висвітлення бізнес-ландшафту ШІ відвідайте наш [останній звіт галузі ШІ] (https://aibuzzwire.news).
Зліт і падіння моди
«Tokenmaxxing» стосується максимального використання токенів — будівельних блоків генеративного штучного інтелекту, які відповідають невеликим фрагментам тексту, який система штучного інтелекту читає або записує. Кожен токен представляє приблизно три чверті слова, і постачальники штучного інтелекту зазвичай накладають обмеження на використання, а дорожчі підписки пропонують вищі обмеження.
Цю тенденцію активно пропагували деякі з найвидатніших технологічних лідерів. Генеральний директор OpenAI Сем Альтман сказав у травні 2026 року, що він «з нетерпінням чекає, що станеться зі стартапами, що використовують tokenmaxxing, як щодо того, як вони працюють всередині, так і щодо продуктів, які вони можуть створити». Генеральний директор Nvidia Дженсен Хуанг заявив, що «якщо ваш інженер із вартістю 500 тисяч доларів не витрачає 250 тисяч доларів у токенах, щось не так». Батьківська компанія Facebook, Мета, провела внутрішній конкурс, винагороджуючи високе використання токенів.
Але в міру накопичення витрат ентузіазм згас. «Коли рахунки почали накопичуватися, люди зрозуміли, що ці нові інструменти досить дорогі, і ви повинні використовувати їх з розумом», — сказав Вінсент Гусдорф, керівник відділу аналітики штучного інтелекту Moody's Ratings і автор нового звіту, який рекомендує більш дисциплінований підхід.
«З ШІ дуже легко створити те, що вам не потрібно», — додав Гусдорф.
Виконавчий люфт
Негативну реакцію очолювали деякі з найвпливовіших представників індустрії технологій. Генеральний директор Microsoft Сатья Наделла визнав, що tokenmaxxing може викликати залежність, але попередив, що клієнти фактично двічі платять за штучний інтелект — спочатку витрачаючи на токени, а по-друге, надаючи свої власні дані постачальникам штучного інтелекту. Коментарі Наделли були незвичайними, оскільки він викликав сумніви щодо гарантій захисту даних провідних компаній штучного інтелекту, навіть коли він просував власну стратегію штучного інтелекту Microsoft.
Генеральний директор Palantir Алекс Карп пішов далі, сказавши CNBC, що щось пішло «зовсім не так». Він сказав, що передає голос приватних американських компаній, які «розлючені» щодо сплати величезних сум за токени, які не створюють жодної вартості.
«Основна думка серед підприємств у цій країні така: «Я збираюся розслабитися і витрачати свій час на токени. Я не отримаю жодної вартості, а вони отримають мою IP», — сказав Карп.
Головний технічний директор Mozilla Раффі Крікоріан порівняв tokenmaxxing із дискредитованою практикою вимірювання продуктивності програміста рядками коду. «Я думаю, що tokenmaxxing рухається точно так само», — сказав він. «Я думаю, що це буде цікавий момент, над яким ми всі озирнемося, щоб посміятися через рік».
Проблема витрат у масштабі
Фінансовий вплив стає різким у масштабах підприємства. Консультант з менеджменту Bain & Company Джу Ван сказала, що багато великих компаній, яким вона консультує, уважніше вивчають прибутки від своїх інвестицій у штучний інтелект.
«Вартість жетонів для них подвоюється майже щомісяця», — сказав Ван. «Скажімо, 200 доларів на кожного розробника на місяць. Помножте це на 20 000 розробників, з якими ми часто маємо справу в цих компаніях, і це швидко приведе вас до числа, яке не є статтею, яку планував жоден генеральний менеджер».
Ван вказав на поширену модель неправильного використання: за замовчуванням використовувати найпотужніші — і найдорожчі — моделі ШІ для завдань, які їх не потребують. «Не для всього потрібен Claude Opus 4.6», — сказала вона про одну з найпотужніших моделей Anthropic, яка підходить для розробки програмного забезпечення чи глибоких досліджень. «І все ж ви бачите так багато компаній, так багато користувачів, які за замовчуванням використовують Opus для всього, включаючи генерування електронних листів».
Зростання моделі маршрутизації та відкритих ваг
Ціновий тиск підживлює попит на інструменти «маршрутизації моделі» штучного інтелекту, які автоматично надсилають простіші запити дешевшим і ефективнішим системам штучного інтелекту, водночас резервуючи потужні моделі для складних завдань. Розробник програмного забезпечення Хассан Ель Мґарі, який є провідним розробником у стартапі Together AI, сказав, що шок компаній через «смішну суму грошей», витрачену на підписки на продукти штучного інтелекту від провідних компаній США, змусив багатьох переглянути підхід до максимального використання.
«Краще просто надати співробітникам повноваження щодо того, як користуватися цим матеріалом, і дозволити їм використовувати ШІ, коли і скільки завгодно, — сказав Ель Мгарі.
Тим часом прихильники високого споживання токенів знаходять нові боєприпаси у відкритих моделях від китайських стартапів, таких як Kimi від Moonshot і GLM від Zhipu, які майже відповідають можливостям найкращих моделей США за незначну вартість. Крикорян визнав, що «теорія про те, що це може трохи підштовхнути tokenmaxxing, має певну обґрунтованість», але стверджував, що ширша тенденція галузі спрямована на більш дисципліноване використання.
Уроки для підприємства
Епізод tokenmaxxing пропонує застереження для компаній, які орієнтуються в ландшафті ШІ. У той час як провідні розробники моделей штучного інтелекту, такі як OpenAI і Anthropic, виграли від різкого зростання споживання, цей досвід спонукав багато організацій застосувати більш зважені підходи, зосереджуючись на конкретних випадках використання, коли штучний інтелект забезпечує вимірну віддачу, а не максимізацію сирих показників використання.
Оскільки початковий цикл ажіотажу щодо штучного інтелекту поступається місцем прагматичному впровадженню, успіху можуть досягнути ті компанії, які сприймають ШІ як точний інструмент, а не грубий інструмент, підбираючи правильну модель для правильного завдання та уважно стежачи за рахунком.
