Firmy technologiczne wycofują się z tokenmaxxingu, mody na maksymalne zużycie AI

Jeszcze kilka miesięcy temu szefowie największych firm technologicznych chwalili się, ile tysięcy dolarów miesięcznie ich inżynierowie wydają na tokeny modeli AI. Dziś ten sam trend, nazwany tokenmaxxingiem, jest uznawany za jeden z najkosztowniejszych błędów korporacyjnego wdrażania sztucznej inteligencji, a firmy takie jak Uber i Microsoft już policzyły rachunek.

Skąd wziął się tokenmaxxing

Termin zrobił karierę na początku 2026 roku, gdy narzędzia takie jak Claude Code i Codex stały się na tyle sprawne, że firmy zaczęły traktować zużycie tokenów jako miarę zaangażowania i innowacyjności pracowników. Impuls dał w marcu prezes Nvidii Jensen Huang, mówiąc, że byłby głęboko zaniepokojony, gdyby inżynier zarabiający 500 tysięcy dolarów rocznie nie wydał 200 tysięcy dolarów na tokeny.

Byłbym głęboko zaniepokojony, gdyby inżynier zarabiający 500 tysięcy dolarów nie wydał 200 tysięcy dolarów na tokeny - Jensen Huang, prezes Nvidii

Prezes Databricks Ali Ghodsi poszedł o krok dalej, publicznie chwaląc pracownika, który w ciągu dwóch tygodni wydał ponad 7 tysięcy dolarów na zapytania do modeli. Taka postawa liderów branży miała zachęcać zespoły inżynierskie do maksymalnego korzystania z premium modeli, bez większej refleksji nad tym, czy każde zapytanie faktycznie przynosi wartość.

Rachunek, który przyszedł szybciej niż zysk

Pierwsze poważne pęknięcie trendu ujawnił Uber, który wdrożył Claude Code wśród około 5 tysięcy inżynierów i już w kwietniu wyczerpał budżet zaplanowany na cały 2026 rok. Microsoft poszedł w innym kierunku, ograniczając licencje na Claude Code po tym, jak koszty przewyższyły spodziewane korzyści z narzędzia.

Karthik Sj z LogicMonitor, cytowany przez Forbes, zwraca uwagę, że sam wysoki poziom zużycia tokenów nie oznacza, że są one wykorzystywane sensownie. Zauważył przypadki, w których pracownicy uruchamiali drogie, premium modele językowe do zadań tak prostych jak sprawdzenie treści maila, czyli zadań, które nie wymagały żadnej zaawansowanej mocy obliczeniowej.

Od maksymalizacji zużycia do maksymalizacji wartości

Po doniesieniach o Uberze i Microsofcie firmy zaczęły odchodzić od modelu opartego wyłącznie na jednym premium dostawcy na rzecz mieszanego portfolio tańszych i droższych modeli, dobieranych do konkretnego zadania. Carmen Li z Silicon Data opisuje to jako wyraźne przesunięcie w stronę bardziej przemyślanej konsumpcji tokenów wśród zespołów programistycznych.

Token spend przypominał dziki zachód, z niewielkim wglądem w to, jaką rzeczywistą wartość przynoszą te wydatki - Mike Sinoway, Lucidworks

Mike Sinoway z Lucidworks zwraca uwagę, że dopiero teraz firmy zaczynają traktować widoczność kosztów tokenów jako priorytet zarządczy, a nie techniczny detal. Wcześniej wydatki na AI rosły bez systemowej kontroli, bo liczył się sam wolumen zużycia, a nie efekt biznesowy, jaki ono przynosiło.

Nowe problemy z rozliczaniem

Mieszanie wielu dostawców i modeli w jednej organizacji rodzi też nowe kłopoty księgowe. Michael Hahn z firmy audytorskiej Vaudit wskazuje, że błędne rozliczenia powstają między innymi wtedy, gdy niewypełnione żądania do API są mimo to fakturowane, gdy powtórzenia zapytań z mechanizmów retry generują podwójne koszty, albo gdy stawki za tokeny są naliczane niepoprawnie względem cennika dostawcy.

Debo Dutta z Nutanix zwraca uwagę, że obecne wydatki inżynierów, wahające się od kilku tysięcy do ponad 50 tysięcy dolarów rocznie na osobę, to dopiero początek. Przejście z asystentów kodujących na w pełni agentowe systemy, które samodzielnie wykonują serie zadań bez nadzoru człowieka przy każdym kroku, ma zwiększyć zużycie tokenów o rząd wielkości.

Co to oznacza dla polskich firm

Dla firm w Polsce, które dopiero skalują wdrożenia narzędzi takich jak Claude Code czy Copilot, doświadczenia Ubera i Microsoftu są ostrzeżeniem, by od początku mierzyć zwrot z wydatków na tokeny, a nie tylko sam poziom ich zużycia. Brak takiej kontroli kosztów może oznaczać, że budżet zaplanowany na cały rok zniknie w ciągu kilku miesięcy, zanim narzędzia zdążą przynieść wymierne oszczędności czasu pracy.

Branża analityczna sygnalizuje, że kolejnym etapem będzie ściślejsze powiązanie wydatków na tokeny z konkretnymi wskaźnikami biznesowymi, takimi jak czas zaoszczędzony na zadaniu czy liczba wdrożonych funkcji, zamiast traktowania samego wolumenu zapytań jako miary postępu we wdrażaniu sztucznej inteligencji.