Firmy dostrzegają, że wydatki na sztuczną inteligencję (AI) gwałtownie rosną i nie zawsze przekładają się na wymierne wyniki biznesowe. Zamiast skupiać się na maksymalizacji zużycia tokenów, dyrektorzy finansowi (CFO) coraz częściej poszukują sposobów na ich optymalizację, by uniknąć przekroczenia budżetu. Ta zmiana perspektywy sygnalizuje przejście od początkowego entuzjazmu do bardziej dojrzałego i świadomego podejścia do wdrażania zaawansowanych technologii.
Czym był tokenmaxxing i dlaczego zyskał popularność
Termin „tokenmaxxing” opisywał strategię polegającą na maksymalizacji zużycia tokenów, które są podstawowymi jednostkami pomiaru pracy modeli językowych AI. Jeden token odpowiada mniej więcej trzem czwartym słowa lub jego fragmentowi, a jego przetworzenie generuje określony koszt dla dostawcy usługi.
W praktyce oznaczało to, że firmy aktywnie zachęcały swoich pracowników do intensywnego korzystania z zaawansowanych modeli, takich jak Claude od Anthropic czy GPT od OpenAI, bez większych ograniczeń. Głównym założeniem nie było marnotrawstwo, lecz potencjalne wykorzystanie pełnego potencjału AI jako narzędzia do przyspieszania procesów i zwiększania produktywności.
- Przeczytaj również: Kończy się złoty sen CEO. AI stała się droższa od ludzi
Tok myślenia był prosty: im intensywniej wykorzystujemy sztuczną inteligencję, tym większe szanse na stworzenie innowacyjnych rozwiązań. Firmy chętnie inwestowały w każdy pomysł i narzędzie, gdzie istniał choć cień potencjalnej poprawy wydajności, wdrażając AI w różnych obszarach swojej działalności.
To podejście zyskało na popularności, zwłaszcza w startupach i wśród inwestorów venture capital. Wpływowe akceleratory, takie jak Y Combinator, promowały ideę zastępowania tradycyjnego wzrostu zatrudnienia poprzez właśnie tzw. tokenmaxxing.
Przepalanie pieniędzy na wyścigi
W większych organizacjach tokenmaxxing przyjął formę wewnętrznych rankingów. W Meta powstał nawet pulpit nawigacyjny „Claudeonomics”, umożliwiający inżynierom śledzenie zużycia tokenów przez członków zespołu. Niektórzy uczestnicy rywalizacji tworzyli automatyczne skrypty generujące dodatkowe zapytania w celu poprawy swojej pozycji w zestawieniu.
Popularność tego zjawiska wynikała z prostego założenia: wczesne modele AI dawały przewagę tym, którzy używali ich najintensywniej. Inżynierowie mogli szybciej pisać kod, analizować dane czy generować pomysły. Dla małych zespołów tokenmaxxing działał jak mnożnik możliwości.
Jednocześnie, już wtedy pojawiały się wątpliwości. Niektórzy eksperci podkreślali, że samo wysokie zużycie tokenów nie gwarantuje lepszych rezultatów. Lepszy specjalista potrafił osiągnąć ten sam efekt przy mniejszej liczbie zapytań, stosując bardziej precyzyjne instrukcje. Mimo to, przez wiele miesięcy dominowało przekonanie, że „więcej znaczy lepiej”, szczególnie w obliczu silnej konkurencji na rynku technologicznym.
Przełom i pierwsze sygnały rosnących kosztów
W czerwcu 2026 roku pojawił się wyraźny sygnał, że entuzjazm związany z nieograniczonym zużyciem tokenów zaczyna słabnąć.
CEO firmy Pylon, Marty Kausas, opisał publicznie znaczący wzrost rachunków za usługi Anthropic. Jego organizacja odnotowała skok wydatków z 400 tys. dolarów rocznie do potencjalnie 1,5 miliona dolarów, głównie z powodu przekroczenia progu 150 użytkowników.
Po przekroczeniu tej liczby firma musiała przejść na droższy pakiet Enterprise, w którym poszczególne licencje nie miały już wbudowanych limitów zużycia. Od tego momentu każdy token był rozliczany indywidualnie według standardowych stawek API.
x.com
Co kluczowe, Kausas przyznał, że sam nie zdawał sobie sprawy z rzeczywistej skali tych wydatków. W jednym z przykładów stwierdził, że przypadkowo wydał 4000 dolarów w ciągu zaledwie trzech dni podczas pracy z narzędziem Claude Code.
- Przeczytaj również: Firmy toną w rachunkach za AI. Polymarket: przypadkiem wydali 2 mld zł na tokeny
Ta historia szybko rozeszła się w środowisku technologicznym, stając się symbolem szerszego problemu. Wiele firm nagle uświadomiło sobie, że intensywne korzystanie z zaawansowanych modeli AI generuje trudne do przewidzenia i kontrolowania koszty.
Paradygmat zużywania tokenów zaczyna się zmieniać
Firmy coraz wyraźniej dostrzegają, że dotychczasowe podejście do AI prowadzi do nieprzewidywalnych i często nieuzasadnionych wydatków. Głównym powodem jest brak pełnej widoczności kosztów na poziomie codziennej pracy zespołów.
Wielu użytkowników, w tym liderzy organizacji, nie zdawało sobie sprawy z faktycznych kosztów intensywnego wykorzystania zaawansowanych modeli. Dopiero lawinowy wzrost rachunków wymusił potrzebę dokładniejszego monitorowania wydatków. Ta nagła świadomość sprawiła, że wiele firm zaczęło kwestionować sens dalszego maksymalizowania zużycia tokenów bez wyraźnego powiązania z konkretnymi rezultatami biznesowymi.
Kluczowe znaczenie ma tu zwrot z inwestycji (ROI). Zaawansowane modele AI przynoszą największe korzyści w pracy inżynierów, znacząco przyspieszając pisanie kodu, debugowanie czy analizę złożonych problemów. W tych obszarach dodatkowe koszty związane z tokenami często się zwracają, ponieważ oszczędność czasu i zasobów ludzkich przewyższa generowane wydatki.
Natomiast w innych obszarach, takich jak obsługa klienta, marketing czy rutynowe zadania administracyjne, korzyści bywają znacznie mniejsze. Powstają aplikacje lub procesy, z których nikt nie korzysta, a koszty tokenów pozostają wysokie bez wymiernego efektu. Właśnie w tych obszarach firmy zaczynają dostrzegać, że dalsze zwiększanie zużycia nie przekłada się na lepsze wyniki.
Presja zarządu: nie chcemy przecież stracić!
Zmiana paradygmatu jest również napędzana rosnącą presją ze strony dyrektorów finansowych i zarządów. Budżety na AI przestały być traktowane jako niewielki wydatek eksperymentalny, stając się znaczącą pozycją w planach finansowych, wymagającą starannej kontroli.
- Przeczytaj również: Czemu firmy naprawdę decydują się na AI? Jeden powód dominuje
Badania wskazują, że zdecydowana większość kadry zarządzającej wyraża obawy związane z niekontrolowanym wzrostem kosztów AI. W efekcie pojawia się potrzeba wprowadzenia jasnych zasad, limitów i systemów raportowania, które pozwolą utrzymać wydatki w założonych ramach. Firmy nie chcą ryzykować sytuacji, w której budżet na AI rośnie szybciej niż przychody generowane dzięki tej technologii.
Zmiana planów z dnia na dzień
Dodatkowym czynnikiem jest zmiana strategii po stronie dostawców modeli AI. OpenAI, Anthropic i inne wiodące firmy przygotowują się do wejścia na giełdę lub już prowadzą działania związane z upublicznieniem swoich spółek. W takiej sytuacji nie mogą pozwolić sobie na dalsze subsydiowanie intensywnego zużycia tokenów przez klientów.
Wcześniej wiele narzędzi oferowano w modelu stałej opłaty, umożliwiającym swobodne korzystanie. Jednak wzrost liczby użytkowników i złożoność zadań doprowadziły do przejścia dostawców na model rozliczeń wyłącznie za rzeczywiste zużycie. To z kolei wymusiło na klientach bardziej przemyślane podejście, gdyż każdy dodatkowy token bezpośrednio wpływa na wysokość faktury.
Nastąpiła reakcja łańcuchowa. Dostawcy AI są zaniepokojeni tym, że klienci nie chcą u nich wydawać nieograniczonych sum. Pojawiają się już głosy o obniżkach cen narzędzi nie tylko od chińskich firm (Deepseek), ale również od amerykańskich gigantów (plotkuje się o obniżkach cen narzędzi OpenAI).
Korzystajmy, ale efektywnie
W tym całym chaosie cieszy jednak odejście od pytania „czy ludzie w ogóle korzystają z AI” w stronę „czy korzystają z niej w sposób efektywny i przynoszący wartość”. Niektóre organizacje, jak Coinbase, wprowadziły systemy alertów informujące pracowników o zbliżaniu się do limitu wydatków. Inne firmy, np. Harness, zainwestowały w szkolenia zespołów z efektywnego korzystania z modeli oraz w wewnętrzne aplikacje pomagające ograniczać niepotrzebne zużycie.
- Przeczytaj również: Pytania warte biliony dolarów. Odpowiedzi na nie zaważą o przyszłości technologii
Zamiast pozwalać na długie, autonomiczne sesje pracy z najdroższymi modelami, zespoły uczą się dzielić zadania na mniejsze części i stosować tańsze warianty tam, gdzie nie jest wymagana najwyższa jakość odpowiedzi.
Coraz częściej pojawia się również krytyka samego pomysłu tokenmaxxingu jako wskaźnika sukcesu. Niektórzy liderzy biznesu otwarcie nazywają go „próżnym miernikiem”, który nie oddaje rzeczywistej wartości pracy. Lepszy specjalista często osiąga lepsze rezultaty przy mniejszej liczbie tokenów, stosując precyzyjniejsze instrukcje i lepsze zrozumienie możliwości modelu.
Wewnętrzne rankingi oparte wyłącznie na zużyciu tokenów mogą wręcz zachęcać do nieefektywnych zachowań, takich jak generowanie zbędnych zapytań w celu poprawy pozycji w zestawieniu. Ta świadomość sprawia, że firmy zaczynają szukać innych, bardziej miarodajnych sposobów oceny wpływu AI na działalność.
A może da się taniej?
Coraz większą rolę odgrywają również tańsze alternatywy dla najdroższych modeli. Wiele organizacji zaczyna korzystać z rozwiązań pochodzących od chińskich dostawców lub modeli open source, które w wielu rutynowych zadaniach osiągają wystarczająco dobrą jakość przy ułamku kosztów. Zamiast używać najpotężniejszego dostępnego modelu do każdego zapytania, firmy stosują strategię mieszaną.
Najbardziej wymagające zadania trafiają do zaawansowanych narzędzi, podczas gdy podstawowe czynności, takie jak proste generowanie tekstu czy wstępna analiza danych, są realizowane przez tańsze opcje. Takie podejście pozwala utrzymać wysoką produktywność przy znacznie niższych całkowitych wydatkach.
Powstają również inicjatywy branżowe, takie jak Tokenomics Foundation, wspierana przez duże korporacje, których celem jest opracowanie standardowych sposobów mierzenia zwrotu z inwestycji w AI. Dzięki temu dyrektorzy finansowi otrzymują bardziej miarodajne dane niż samo zestawienie liczby zużytych tokenów.
- Przeczytaj również: OpenAI rozważa drastyczne obniżki cen ChatGPT. Czy to początek wojny cenowej z Anthropic?
Wiele firm dostrzega, że ograniczenia budżetowe mogą prowadzić do większej kreatywności w sposobie korzystania z narzędzi. Zamiast pozwalać na niekontrolowane eksperymenty, zespoły uczą się lepiej planować pracę z modelami i wyciągać z nich maksimum wartości przy minimalnych nakładach. Firmy, które najszybciej opanują te kompetencje, zyskują przewagę nad tymi, które nadal koncentrują się wyłącznie na zwiększaniu skali zużycia.
Co zrobić, by nie stracić?
Firmy, które do tej pory traktowały wysokie zużycie tokenów jako oznakę postępu, muszą teraz przejść na bardziej świadome i efektywne zarządzanie kosztami AI. Poniżej znajdziesz konkretne, sprawdzone w praktyce wskazówki, które pomagają obniżyć wydatki bez utraty produktywności.
Zacznij od pełnej przejrzystości wydatków:
Pierwszym i najważniejszym krokiem jest dokładne zrozumienie, ile naprawdę kosztuje korzystanie z AI w Twojej organizacji. Wprowadź narzędzia do monitorowania zużycia tokenów na poziomie poszczególnych zespołów, projektów lub nawet pojedynczych pracowników. Wiele firm odkrywa dopiero po wdrożeniu takiego systemu, że największe koszty generują nie kluczowe zadania inżynierskie, lecz rutynowe czynności. Gdy ludzie zobaczą swoje osobiste liczby, często sami zaczynają ograniczać niepotrzebne zapytania.
Wprowadź jasne limity i procesy zatwierdzania:
Zamiast pozwalać na niekontrolowane wydatki, ustal budżety na poziomie zespołu lub roli. Przykładowo, niektóre organizacje wprowadzają tygodniowe lub miesięczne limity w zależności od stanowiska. Wszystko, co przekracza ustalony próg, wymaga dodatkowej zgody przełożonego lub osoby odpowiedzialnej za finanse. Taki mechanizm nie blokuje pracy, ale wymusza refleksję przed każdym większym wydatkiem.
- Przeczytaj również: Jak AI zmienia usługi profesjonalne. Zwolniliśmy juniorów, za 10 lat zapłacimy za to podwójnie
Szkolenia zespołu z efektywnego korzystania z modeli:
Zorganizuj warsztaty, podczas których zespoły nauczą się:
- formułować precyzyjne i zwięzłe instrukcje,
- dzielić duże zadania na mniejsze etapy,
- korzystać z mechanizmów pamięci podręcznej promptów (prompt caching),
- wybierać odpowiedni model AI do konkretnego zadania.
Stosuj strategię mieszania modeli:
Nie każde zadanie wymaga najdroższego, najbardziej zaawansowanego modelu. Coraz więcej organizacji łączy drogie modele z tańszymi alternatywami (w tym rozwiązaniami od chińskich dostawców lub modelami dostępnymi przez API agregujące różne opcje). Dzięki temu znacząco obniżają koszty bez zauważalnego spadku jakości.
Mierz wartość, a nie tylko zużycie:
Zmień sposób oceny efektywności AI w organizacji. Zamiast pytać „ile tokenów zużyliśmy?”, pytaj „ile czasu zaoszczędziliśmy?” lub „jakie konkretne rezultaty biznesowe uzyskaliśmy?”.
Dziękujemy, że przeczytałaś/eś nasz artykuł do końca. Bądź na bieżąco! Obserwuj nas w Google News.
Wyniki Biznes Fakty:
- Firmy przechodzą od entuzjazmu do optymalizacji kosztów AI.
- „Tokenmaxxing” jako strategia maksymalizacji zużycia tokenów staje się mniej popularny.
- Dyrektorzy finansowi naciskają na kontrolę budżetów AI.
- Wzrost kosztów doprowadził do większej świadomości wśród firm.
- Kluczowe jest mierzenie wartości i ROI z inwestycji w AI, a nie tylko zużycia.
- Firmy szukają tańszych alternatyw i strategii mieszania modeli AI.
- Konieczne jest wprowadzenie przejrzystości, limitów i szkoleń z efektywnego korzystania z AI.
Więcej informacji na : businessinsider.com.pl