توکن‌مکسینگ: روند خطرناک و جدید هوش مصنوعی که شرکت‌ها باید متوقفش کنند

برخی شرکت‌ها کارمندان خود را تشویق می‌کنند تا حد امکان از هوش مصنوعی استفاده کنند و حتی آن‌ها را بر اساس میزان توکن‌هایی که مصرف می‌کنند، رتبه‌بندی می‌کنند.

به دنیای عجیب «توکن‌مکسینگ» (Tokenmaxxing) خوش آمدید.

توکن‌ها در واقع واحد پول هوش مصنوعی مولد هستند. آن‌ها قطعات کوچکی از متن هستند که مدل‌های هوش مصنوعی هنگام دریافت پرامپت یا ارائه پاسخ، آن‌ها را پردازش می‌کنند و شرکت‌هایی مانند OpenAI، Anthropic و Google معمولاً بر اساس میزان استفاده از این توکن‌ها از کسب‌وکارها هزینه دریافت می‌کنند.

این موضوع باعث می‌شود مصرف توکن معیار مفیدی برای پیگیری هزینه‌های هوش مصنوعی باشد. اما مشکل از جایی شروع می‌شود که کسب‌وکارها آن را به عنوان معیاری برای سنجش میزان پذیرش هوش مصنوعی، بهره‌وری یا اشتیاق کارمندان در نظر می‌گیرند.

این رویکرد باعث شده تا کارمندان به‌طور عمدی مصرف توکن خود را به حداکثر برسانند تا در جدول رتبه‌بندی بالا بروند، به اهداف تعیین‌شده برسند یا ثابت کنند که با آغوش باز پذیرای هوش مصنوعی هستند.

در شرایطی که کسب‌وکارها میلیاردها دلار روی هوش مصنوعی سرمایه‌گذاری می‌کنند، این معیار ظاهراً بی‌ضرر می‌تواند به یک اشتباه فوق‌العاده گران‌قیمت تبدیل شود.

ماجرا از چه قرار است؟

اگرچه منشأ دقیق این اصطلاح مشخص نیست، اما احتمالاً اولین بار بسیاری از افراد این کلمه را در گزارش‌های مربوط به جدول رده‌بندی «کلودونومیکس» (Claudeonomics) در شرکت Meta شنیده‌اند؛ جدولی که توسط یکی از کارمندان برای رتبه‌بندی پرسنل بر اساس میزان مصرف توکن ساخته شده بود.

در حالی که کارمندان از سوی مدیران تحت فشار بودند تا نشان دهند از هوش مصنوعی برای افزایش بهره‌وری، یا حداقل صرفاً برای استفاده از آن بهره می‌برند، این جدول رده‌بندی نام ۲۵۰ مصرف‌کننده برتر توکن را نشان می‌داد. البته این جدول مدت کوتاهی پس از رسانه‌ای شدن، به‌سرعت حذف شد.

این اتفاق شاید شبیه به یک شوخی درون‌سازمانی میان همکاران به نظر برسد، اما بازتاب‌دهنده فرهنگی بود که در آن بیش از حد به معیار به‌راحتی قابل‌اندازه‌گیریِ مصرف توکن اتکا می‌شد؛ به‌ویژه زمانی که هیچ شواهدی مبنی بر ارتباط آن با بهره‌وری، بهبود تجربه مشتری یا رشد درآمد وجود نداشت.

البته Meta تنها غول فناوری درگیر این ماجرا نبود. گزارش‌ها نشان می‌دهد کارمندان Amazon نیز راه‌هایی برای دور زدن جدول رتبه‌بندی خود پیدا کرده بودند تا خود را مشتاق‌تر از آنچه واقعاً بودند، نشان دهند.

از آن زمان، این ایده فراتر از سیلیکون‌ولی گسترش یافته است. بر اساس گزارش‌های منتشرشده، کارمندان در JP Morgan و همچنین Disney بر اساس مصرف توکن به دسته‌های کاربران سبک یا سنگین تقسیم‌بندی شده‌اند (اگرچه Disney بعداً شفاف‌سازی کرد که می‌خواهد بدون اتکا به توکن‌مکسینگ با سرعت بیشتری پیش برود).

جنسن هوانگ، مدیرعامل NVIDIA، نیز از این روند حمایت کرد و گفت اگر یک مهندس با حقوق ۵۰۰ هزار دلاری، حداقل ۲۵۰ هزار دلار توکن در سال مصرف نکند، «عمیقاً نگران» خواهد شد. البته طبیعی است که شرکت او یکی از ذی‌نفعان اصلی این رویکرد باشد.

این پدیده فقط در شرکت‌های بزرگ رخ نمی‌دهد، اگرچه در دنیای کسب‌وکارهای کوچک معمولاً با این شدت و هیاهو انجام نمی‌شود.

روایت‌های غیررسمی حاکی از آن است که برخی شرکت‌ها به کارمندان خود می‌گویند تا جای ممکن از هوش مصنوعی استفاده کنند تا بتوانند استفاده از عباراتی مانند «مبتنی بر هوش مصنوعی» (AI-first) را در تبلیغات خود توجیه کنند. همچنین تسلط بر هوش مصنوعی را در شرح وظایف شغلی که شاید اصلاً نیازی به آن نباشد، می‌گنجانند تا بتوانند از آن به عنوان معیاری برای ارزیابی عملکرد استفاده کنند.

با گذشت حدود یک سال از پیدایش این اصطلاح، معنای آن از یک استراتژی به هشداری جدی علیه استفاده ناکارآمد از هوش مصنوعی تغییر یافته است. دلیل آن در ادامه آمده است.

چرا توکن‌مکسینگ ایده بدی است؟

توان پردازشی هوش مصنوعی گران است و این موضوع به‌ویژه زمانی که کسب‌وکارها شروع به استفاده از ایجنت‌های هوش مصنوعی برای انجام کارهای خودکار می‌کنند، بیشتر به چشم می‌آید. برآوردها نشان می‌دهد هزینه به‌کارگیری ایجنت‌ها بین ۱۰ تا ۱۰۰ برابر هزینه استفاده از چت‌بات‌های معمولی هوش مصنوعی است.

البته، سال ۲۰۲۶ سال ایجنت‌ها بود و بسیاری از شرکت‌ها با سرعت سرسام‌آوری در حال سوزاندن توکن‌ها بودند. یکی از نمونه‌های بارز آن Uber است که طبق گزارش‌ها، کل بودجه سالانه هوش مصنوعی خود را تنها در چهار ماه ابتدایی سال جاری میلادی خرج کرده است.

این موضوع باعث می‌شود توکن‌مکسینگ، به‌ویژه زمانی که احتمال تقلب در آن وجود دارد، برای رویه‌ای که تنها تلاش را به حداکثر می‌رساند و نه نتایج را، به شدت پرهزینه باشد.

علاوه بر این، خطرات امنیتی نیز وجود دارد. اجرای هر ایجنت یا چت‌بات جدید، مشکلات امنیتی بالقوه‌ای مانند مجوزها و خطرات احراز هویت را به همراه دارد. کار بی‌هوده با هوش مصنوعی که صرفاً برای بالا رفتن در جدول رده‌بندی انجام می‌شود، احتمال بروز مشکل به دلیل پیاده‌سازی ناامن را افزایش می‌دهد.

توصیه کارشناسان این است که سازمان‌ها به جای این کار، روی «ارزش‌مکسینگ» (Valuemaxxing) تمرکز کنند. این رویکرد شامل تشویق تیم‌های استفاده‌کننده از هوش مصنوعی به ارائه گزارش و پاسخگویی در قبال پیشرفت کارهاست. در این روش، تأثیر هوش مصنوعی بر معیارهایی که قرار است بهبود یابند، از طریق گزارش کارهای انجام‌شده، زمان صرفه‌جویی‌شده و بهبود بازخورد مشتریان سنجیده می‌شود.

امروزه، کسب‌وکارها مشتاقند نشان دهند که از هوش مصنوعی استفاده می‌کنند و شمارش توکن‌ها ساده‌ترین راه برای اثبات این موضوع به نظر می‌رسد.

اما نشان دادن اینکه هوش مصنوعی واقعاً در حال خلق ارزش است، بسیار دشوارتر است. با این حال، با توجه به اینکه سهام‌داران، سرمایه‌گذاران و مشتریان به‌زودی خواستار مشاهده نتایج ملموس خواهند شد، شرکت‌ها دیر یا زود باید از این پل عبور کنند.