Nadbytečné využívání AI kvůli statistikám
Podle svědectví z prostředí velkých technologických firem se mezi hyperscalery (velkými cloudovými firmami) šíří fenomén označovaný jako tokenmaxxing. Část zaměstnanců Amazonu má údajně používat AI nástroje i v situacích, kde to nedává smysl, jen aby navyšovala interní metriky spotřeby tokenů. Firma měla zároveň tlačit na pravidelné týdenní využívání AI a sledovat data v interních žebříčcích, což vytváří tlak na vykazování vyšších čísel místo reálného přínosu.
Tokeny jsou základní jednotkou, se kterou pracují jazykové modely, a jejich spotřeba přímo souvisí s výpočetní náročností i náklady. Pokud se jako cíl nastaví například využívání AI u více než 80 % vývojářů týdně, může to vést k tomu, že lidé začnou optimalizovat samotnou aktivitu, nikoli její užitečnost. Tokenmaxxing tak označuje snahu uměle navyšovat spotřebu jen proto, aby vypadala adopce AI vyšší, než ve skutečnosti je.
Podobné tendence se podle některých zpráv mohou objevovat i v dalších velkých firmách, například u Meta nebo Microsoftu. V prostředí, kde je AI prezentována jako klíčová priorita, vzniká přirozený tlak na vykazování vysokého využití, i když to nemusí mít přímý dopad na kvalitu práce nebo výsledky projektů.
Mohlo by vás zajímat
Žebříčky, nástroje a reálné dopady
Součástí problému jsou i interní nástroje a systémy, které používání AI sledují a porovnávají. V Amazonu se zmiňuje například agentní platforma MeshClaw, která dokáže automatizovat vícekrokové úlohy jako nasazování kódu nebo komunikaci v pracovních nástrojích. Takové systémy sice zvyšují produktivitu, ale zároveň mohou výrazně navyšovat počet požadavků na AI modely a tím i spotřebu tokenů.
Amazon měl zaměstnancům sdělit, že statistiky využívání nebudou přímo součástí hodnocení výkonu. Přesto ale část pracovníků měla pocit, že manažeři tato data sledují, což často stačí k tomu, aby lidé začali své chování přizpůsobovat. Nejistota ohledně toho, co se skutečně měří, tak může sama o sobě vytvářet tlak na „optimalizaci metrik“.
Důležitý rozdíl je mezi reálnou adopcí AI a pouhou intenzitou jejího používání. Zatímco adopce znamená smysluplné zapojení nástroje do práce, intenzita spotřeby může růst i bez skutečného přínosu. To je problém i na úrovni celého odvětví, protože velké firmy plánují obří investice do GPU, pamětí i energetické infrastruktury podle očekávané poptávky. Pokud je ale část spotřeby uměle nafouknutá, může to vést k chybným odhadům i v řádu stovek miliard dolarů.
Zdroj: Tomshardware, LetsDataScience
5 foto