Az AI-t sok helyen már nem csak kipróbálni kell, hanem „maxolni” — és közben kiderül, hogy a legdrágább erőforrás gyakran a legkönnyebben pazarolható. A tokenekben mért költség olyan, mint egy céges taxikártya: ha nincs szabály, előbb-utóbb valaki reptér helyett a sarki pékségig megy vele.

Mi történt

Egy amerikai fintech cégnél, a Slash-nél a vezetés kifejezetten bátorította a dolgozókat, hogy AI kódolóeszközöket használjanak „amennyit csak lehet” — ezt a jelenséget hívják tokenmaxxingnak. A gond az, hogy a nagy nyelvi modellek (LLM-ek) használata tokenekben van árazva: a token nagyjából a szöveg apró darabja (szavak/szótagok körüli egység), és minden beküldött kérdés + minden kapott válasz tokeneket fogyaszt. Ha sokat kérdezel, hosszú választ kérsz, vagy újra és újra futtatsz egy feladatot, a költség gyorsan elszáll.

A Slash-nél egy alkalmazott állítólag mintegy 80 ezer dollárnyi tokent égetett el egy „vibe coding” jellegű projektre: ez az a módszer, amikor nem lépésről lépésre tervezel és implementálsz, hanem inkább „ráérzésből” iterálsz az AI-val, amíg valami működőnek tűnik. Az eredmény egy egyszerű, mémekre épülő lövöldözős játék lett, amit a cég még marketingköltségként is megpróbált volna elszámolni.

A jelenség nem egyedi: nagyvállalati környezetben is előfordul, hogy nem mérnökök viszik el a tokenfogyasztás jelentős részét. Példaként felbukkant, hogy irodai munkatársak AI-büdzséből olyan feladatokra használnak LLM-et, mint PDF-ek PowerPointtá alakítása — ami sokszor megoldható lenne olcsóbb, célzott eszközökkel is.

Miért fontos

Ez a történet kevésbé szól „lusta dolgozókról”, és inkább arról, hogy a cégek sokszor rosszul illesztik be az AI-t a folyamatokba. A tokenalapú árazás olyan, mint a felhőszámla: nem attól lesz magas, hogy „rossz a technológia”, hanem attól, hogy nincs költségkeret, nincs irányelv, és a felhasználók nem érzik a fogyasztás következményét. Közben az AI-hoz fűzött klasszikus üzleti ígéret (termelékenység nő, költség csökken) csak akkor teljesül, ha a feladat tényleg AI-ért kiált, és a kimenet minősége stabilan elég jó ahhoz, hogy ne kelljen utómunkával „visszafizetni” a megtakarítást.

Mire figyelj

  1. Költségkontroll tokenre bontva: legyen látható csapat- és felhasználószinten, mire megy el a token, és hol van a plafon.
  2. „AI-t mindenre” helyett feladattérkép: különítsd el, mi az, ahol az LLM tényleg hozzáad (szövegvariációk, ügyféltámogatási vázlatok, kódrészletek), és mi az, ahol egy egyszerű automatizmus olcsóbb és megbízhatóbb.
  3. Minőségmérés és utómunka: ha a válaszok ellenőrzése több idő, mint a feladat kézzel, akkor a token nem befektetés, hanem rejtett adó.
  4. Árazási fordulat: a Futurism által idézett iparági párhuzamok alapján a szolgáltatók előbb-utóbb kénytelenek lehetnek árat emelni a magas működési költségek miatt — és ilyenkor a „tokenmaxxing” hirtelen nem bátorítás, hanem pénzügyi kockázat lesz.

A tanulság prózai: az AI nem ingyenes varázslat, hanem egy mérhetően drága erőforrás — és ugyanúgy menedzselni kell, mint bármelyik vállalati költségsort.