Black Friday Gaming Deals — up to -75%
REKLAMA
REKLAMA
REKLAMA
REKLAMA
REKLAMA
EGW-NewsTokenmaxxing w pracy: kiedy AI staje się wyścigiem?
Tokenmaxxing w pracy: kiedy AI staje się wyścigiem?
15
Add as a Preferred Source
0
0

Tokenmaxxing w pracy: kiedy AI staje się wyścigiem?

W pierwszej połowie 2026 roku liczba zużytych tokenów stała się w Dolinie Krzemowej czymś w rodzaju waluty prestiżu. Rankingi, poziomy i tabele wyników brzmią znajomo każdemu graczowi, bo właśnie tak od lat opisuje się rywalizację w grach. Kilka miesięcy później zachwyt wyraźnie opadł. Dla polskich firm, które dopiero układają zasady pracy z AI, ta historia to przydatna lekcja na cudzym budżecie.

Kto rozkręcił modę na tokeny?

Najgłośniej o tokenach mówił Jensen Huang. Szef Nvidii stwierdził, że jeśli inżynier zarabiający 500 tys. dolarów rocznie nie zużywa tokenów za co najmniej 250 tys., coś jest nie tak. Sam Altman z OpenAI zapowiadał z kolei, że z ciekawością obserwuje startupy, które budują pracę wokół maksymalnego zużycia.

Andrej Karpathy, współzałożyciel OpenAI, przyznał, że niewykorzystane tokeny pod koniec miesiąca wywołują u niego spory niepokój. Garry Tan z Y Combinator dodał, że jego środowisko maksymalizuje zużycie dłużej niż większość firm.

Za słowami poszły narzędzia. Według „New York Timesa” wewnętrzne rankingi zużycia, przypominające tabele wyników w grach, działały w Meta i OpenAI. Fundusz Sequoia Capital prowadził własne zestawienie, a jedna z jego partnerek przyznała, że podobne tabele mają liczne spółki z portfela funduszu. Polski użytkownik tych samych narzędzi widzi w nich zwykle tylko swoje limity, a nie miejsce w rankingu.

Odznaki, tytuły i nagrody

Najwięcej uwagi przyciągnął panel Claudeonomics, który pracownicy Meta zbudowali na własną rękę. Osoby z czołówki zdobywały w nim tytuły w rodzaju Token Legend, niczym osiągnięcia i poziomy w grze. W innych firmach za wysokie zużycie przyznawano trofea i nagrody, a dodatkowy budżet tokenów zaczął funkcjonować obok premii i akcji jako element wynagrodzenia.

Mechanizm jest dobrze znany z gier, gdzie odznaki, poziomy i tabele wyników porządkują postępy i zachęcają do powrotu. Dobrze zaprojektowana nagroda ma tam jedną ważną cechę: jest konkretna. Gracz z Polski, który porównuje oferty, na przykład hit n spin casino 25 euro, od razu widzi, o jaką kwotę chodzi, a zasady zna przed pierwszą rundą, choć takie oferty są przeznaczone wyłącznie dla osób pełnoletnich. W biurze jest odwrotnie: tytuł Token Legend nie mówi nic o tym, czy zadanie zostało dobrze wykonane, a reguł tej rozgrywki nikt do końca nie opisał.

Dlaczego licznik wprowadza w błąd?

Krytycy nie kwestionowali samej sztucznej inteligencji, tylko sposób mierzenia pracy z nią. Polskie firmy dostają w ten sposób wiedzę od ludzi, którzy rankingi oglądali z bliska. Padały przy tym konkretne argumenty:

  • Porównanie z marketingiem – Cristina Cordova z Linear zauważyła, że nikt nie ocenia działu marketingu po tym, kto wydał najwięcej pieniędzy.
  • Boty nabijające wynik – Jon Chu z Khosla Ventures słyszał o programach, które spalają tokeny tylko dla miejsca w tabeli.
  • Gra pod premię – Gergely Orosz z The Pragmatic Engineer przypominał, że programiści zawsze dopasowują się do wskaźnika powiązanego z awansem.
  • Historia linijek kodu – Raffi Krikorian z Mozilli porównał tokeny do dawnej miary wydajności, z której branża zrezygnowała.
  • Zbędne treści – Vincent Gusdorf z Moody’s Ratings zwracał uwagę, że z pomocą AI łatwo stworzyć coś, czego nikt nie potrzebuje.

Polski menedżer, który planuje podobne zestawienie w swoim dziale, powinien najpierw ustalić, jaką decyzję ma ono ułatwić. Jeśli odpowiedzi brak, z zestawienia lepiej zrezygnować. Dane o zużyciu nadal się przydają, ale lepiej sprawdzają się przy planowaniu budżetu niż przy ocenie konkretnych osób. Pomaga też oddzielenie tokenów zużytych przez ludzi od tych, które agenci przetwarzają w tle.

Rachunki zmieniły nastrój

Gdy do firm zaczęły spływać faktury od dostawców modeli, okazało się, że koszty rosną szybciej niż wydajność. Firma Ramp, powołując się na dane Gartnera, podawała, że miesięczne wydatki przedsiębiorstw na AI wzrosły w ciągu roku czterokrotnie. Polskie firmy płacą za te same narzędzia według tych samych stawek API, więc ten rachunek dotyczy ich również. Wśród największych graczy zmiany wyglądały tak:

  • Meta – wycofała wewnętrzny ranking i zaleciła inżynierom własnego asystenta MetaCode;
  • Amazon – zdjął tabele zużycia tokenów;
  • Microsoft – Satya Nadella ostrzegł, że klienci zewnętrznych modeli płacą podwójnie: za tokeny i własnymi danymi.

Jue Wang z Bain & Company zauważyła, że duże przedsiębiorstwa zaczęły dokładniej liczyć zwrot z inwestycji w AI. Pytanie nie brzmi już, ile tokenów zużył zespół, lecz co z tego wynikło dla wyników firmy.

Hassan El Mghari z Together AI zwracał uwagę, że firmy coraz rzadziej nagradzają intensywne korzystanie z AI. Jego zdaniem lepiej nauczyć ludzi pracy z modelami i pozwolić im sięgać po nie wtedy, gdy rzeczywiście są potrzebne, bez sztucznych celów do wyrobienia.

Tańsze modele do prostych zadań

Najczęstszą odpowiedzią na wysokie rachunki jest kierowanie zapytań do różnych modeli. Proste pytania trafiają automatycznie do tańszych systemów, a najmocniejsze zostają dla zadań, które naprawdę ich wymagają. Andy Markus z AT&T mówił, że taki podział pozwala zaoszczędzić nawet 90% kosztów. Polski zespół może wdrożyć ten podział bez zmiany dostawcy, bo w ramach jednego konta dostępnych jest kilka wariantów modeli.

Na popularności zyskują też otwarte modele chińskich firm, takie jak Kimi od Moonshot czy GLM od Zhipu. Według AP niemal dorównują one czołowym modelom amerykańskim przy ułamku ich ceny, choć kwestia ochrony danych wymaga przy nich osobnej analizy, zwłaszcza w firmach przetwarzających dane klientów. Raffi Krikorian z Mozilli przyznał, że mogą one na chwilę podtrzymać modę na tokeny.

Jue Wang zauważyła też, że wiele firm używa najdroższych modeli do wszystkiego, łącznie z pisaniem maili. Polskim firmom najłatwiej zacząć od codziennych nawyków: jedno dobrze opisane zadanie zużywa mniej tokenów niż kilka poprawek tego samego polecenia. Wysokie zużycie nadal bywa uzasadnione, na przykład przy analizie dużych baz kodu, ale wtedy wynika z pracy, a nie z rywalizacji. Jak w dobrej grze, liczy się nie sama pozycja w tabeli, lecz to, czy wybrana strategia prowadzi do celu.

REKLAMA
REKLAMA
Zostaw swój komentarz
Podobał Ci się artykuł?
0
0

Komentarze

ADVERTISEMENT
REKLAMA
REKLAMA
REKLAMA
FREE SUBSCRIPTION ON EXCLUSIVE CONTENT
Receive a selection of the most important and up-to-date news in the industry.
*
*Only important news, no spam.
SUBSCRIBE
LATER