در این پدیده عجیب هرچه افراد از توکنهای هوش مصنوعی بیشتری استفاده کنند، در رقابت جلوتر میافتند.
در روزهایی که تب هوش مصنوعی شرکتهای فناوری را فرا گرفته است، مهندسان نرمافزار برای اثبات ارزش و میزان بهرهوری خود وارد یک رقابت عجیب و بیسابقه شدهاند. آنها دیگر فقط با سرعت کدنویسی یا رفع باگها سنجیده نمیشوند، بلکه معیار جدیدی ایجاد شده است: رکوردشکنی در مصرف توکنهای هوش مصنوعی که به آن «توکنمکسینگ» (Tokenmaxxing) میگویند. در ادامه با این پدیده عجیب بیشتر آشنا میشوید.
میدانیم هوش مصنوعی باعث افزایش بهرهوری میشود و به همین دلیل بسیاری از مدیران عامل با شور و حرارت از کارمندان میخواهند تا حد امکان وظایف خود را به هوش مصنوعی بسپارند، بااینحال مدیران مالی از قبضهای نجومی و الگوی جدید هزینهتراشی وحشتزده شدهاند. این تضاد باعث ایجاد پدیده توکنمکسینگ در شرکتهای فناوری شده است.
توکنمکسینگ چیست؟
برای درک بهتر این بحران، ابتدا باید بدانیم توکن چیست. مدلهای زبانی هوش مصنوعی (مانند چتجیپیتی یا کلود) کلمات را مانند انسانها نمیخوانند؛ آنها متن را به واحدهای دادهای کوچکی به نام «توکن» خرد میکنند. بهطور میانگین، هر توکن معادل حدود ۴ حرف یا سهچهارم یک کلمه انگلیسی است. مدلهای هوش مصنوعی این توکنها را به عنوان ورودی (پرامپت) دریافت و خروجی را نیز در قالب توکن تولید میکنند.
هنگامی که مهندسان از هوش مصنوعی برای کارهای سنگینی مانند برنامهنویسی یا تکمیل یک جریانکار ایجنتمحور استفاده میکنند، این مدلها در عرض چند دقیقه هزاران یا حتی میلیونها توکن را پردازش میکنند.
نکته مهم اینجاست: مدل کسبوکار شرکتهایی مانند OpenAI و آنتروپیک دقیقاً برپایه فروش همین توکنها بنا شده است. شرکتهایی که هوش مصنوعی را از طریق API در سیستمهای خود ادغام میکنند، مانند قبض برق، براساس میزان مصرف ماهانه توکنهایشان هزینه میپردازند. به عبارت سادهتر: هرچه کارمندان یک شرکت بیشتر با هوش مصنوعی چت کنند یا از آن کد بخواهند، حساب بانکی شرکتهای ارائهدهنده هوش مصنوعی پرتر میشود.
به گفته «کالوین لی» (Calvin Lee)، مدیر محصول و مهندس ارشد در پلتفرم مدیریت مالی Ramp، هزینههای تجاری برای خرید توکن از ابتدای سال جاری میلادی به شکل انفجاری افزایش یافته است. رواج دستیارهای کدنویسی مانند Claude Code و OpenClaw نقش اصلی را در این آتشسوزی مالی ایفا میکند.
از سوی دیگر، فشار از بالا به پایین به شدت احساس میشود. مدیرانی مانند «توبی لوتکه» (Tobi Lütke)، مدیرعامل Shopify، علناً به کارمندان خود اولتیماتوم دادهاند که باید استفاده از ابزارهای هوش مصنوعی را در کارهای روزمره خود ادغام کنند، در غیر این صورت جایی در شرکت نخواهند داشت.
«جنسن هوانگ»، مدیرعامل انویدیا، نیز ایده استفاده از توکنها به عنوان «واحد اندازهگیری بهرهوری» را مطرح کرده است. او در پادکست معروف All-In گفت:
«اگر یک مهندس با حقوق ۵۰۰ هزار دلار در سال، حداقل معادل ۲۵۰ هزار دلار توکن مصرف نکند، من بسیار نگران خواهم شد.»
این فشارهای مدیریتی باعث شد تا مصرف هوش مصنوعی از یک ابزار کمکی، به یک مسابقه در محیط کار تبدیل شود. براساس گزارش The Information، چندی پیش یکی از کارمندان متا یک تابلوی امتیازات در شبکه داخلی این شرکت راهاندازی کرد که کارمندان را دقیقاً بر اساس «تعداد توکنهای مصرفشده» رتبهبندی میکرد.
این تابلو که با الهام از مدل هوش مصنوعی آنتروپیک، Claudeonomics نام گرفته بود، به کارمندان اجازه میداد عملکرد خود را با هم مقایسه کنند و القاب پرزرقوبرقی مانند «متخصص مدل» دریافت کنند.
کارمندان متا بلافاصله وارد رقابت جنونآمیزتوکنمکسینگ (به حداکثر رساندن مصرف توکن) شدند. آنها برای رسیدن به صدر جدول، شروع به نوشتن پرامپتهای بیدلیل و طولانی، اجرای موازی و همزمان چندین عامل هوشمند و درگیرکردن سیستم در پردازشهای غیرضروری کردند. طبق گزارشها، رتبه اول این جدول متعلق به کاربری بود که بهطور میانگین ۲۸۱ میلیارد توکن مصرف کرده بود؛ هزینه این رقم حیرتانگیز برای شرکت میتوانست صدها یا هزاران دلار در روز باشد.
دو روز پس از انتشار این خبر مدیران متا متوجه این فاجعه شدند و کارمند سازنده تابلو مجبور شد آن را پاک کند. بااینحال، خود شرکتهای هوش مصنوعی به این آتش میدمند؛ برای مثال، اوپنایآی در برنامهای به نام «توکنهای قدردانی»، برای مشتریانی که رکوردهای ۱۰ میلیارد تا ۱ تریلیون توکن را میشکنند، لوحهای یادبود و هدایای فیزیکی ارسال میکند تا آنها را به مصرف بیشتر ترغیب کند.
توکنسوزی و بحران استفاده بیرویه از هوش مصنوعی
به گفته کارشناسان، مشکل اصلی استفاده از توکنها به عنوان معیار بهرهوری این است که همه توکنها ارزش یکسانی ندارند. توکنمکسینگ درواقع یک سراب است.
در دنیای برنامهنویسی، یک مهندس باهوش ممکن است با نوشتن یک پرامپت کوتاه و دقیق (مثلاً ۲۰۰ توکن) یک باگ پیچیده را برطرف کند یا یک ویژگی جدید و پولساز بسازد. در مقابل، کارمند دیگری ممکن است یک ایجنت را برای مرتبسازی ایمیلهایش تنظیم کند، اما سیستم در یک لوپ بینهایت گیر بیفتد و بهطور تصادفی و بدون هیچ خروجی مفیدی، یک میلیون توکن را بسوزاند و هزینه سنگینی روی دست شرکت بگذارد.
درحالحاضر چالش اصلی تیمهای مالی این است که صورتحسابهای ارائهشده توسط شرکتهای هوش مصنوعی، هیچ جزئیات دقیقی از نحوه مصرف ارائه نمیدهند. یک مدیر مالی در پایان ماه فاکتور دهها هزار دلاری دریافت میکند، اما نمیداند این پول صرف توسعه کدهای مهم شرکت شده است یا کارمندان آن را برای تولید جوک، ساخت تصاویر سرگرمکننده و درگیرشدن در حلقههای باگدار هدر دادهاند.
البته شرکتهای فناوری اکنون درحال گذار از مرحله «استفاده از هوش مصنوعی به هر قیمتی» به مرحله «استفاده هوشمندانه و بهینه از هوش مصنوعی» هستند تا مطمئن شوند توکنهایی که خریداری میکنند، واقعاً به ارزشآفرینی برای سازمان منجر میشوند.
