Взлет и падение токен­максинга: почему ком­пании сначала поощ­ряли использование ИИ​ сотрудниками, а потом стали ограничивать

Такой подход стали называть токенмаксингом — когда продуктивность сотрудника измеряется количеством токенов, которые он потратил на генерации в нейросетях. Разработчики сравнивали разные решения, загружали больше контекста, запускали несколько агентов одновременно. Игровые механики корпораций только добавляли азарта и вовлекали.

Сначала токенмаксинг выглядел почти рационально. Чем больше сотрудники экспериментируют, тем выше шанс найти полезные сценарии использования нейросетей. Но потом метрику по количеству потраченных токенов начали считать критерием продуктивности. И тогда сжигание токенов из способа решать рабочие задачи превратилось в самоцель.

Руководители компаний, главные сторонники токенмаксинга, стали признавать, что высокие расходы на ИИ не означают лучших результатов. Но они считали это действенным способом заставить сотрудников быстрее привыкнуть к нейросетям. Партнер Sequoia Capital Соня Хуан формулировала это прямолинейно: «Нам всем надо токенмаксить». По ее логике, часть компаний успеет перестроиться под новую технологию, а часть — нет.

Проблема в том, что расход токенов стал выглядеть как самостоятельная ценность. Пока нейросетями пользовались точечно, это было не так заметно. Но с учетом масштабов ошибки стали обходиться очень дорого, в том числе из-за отсутствия оптимизации:

• мощные и дорогие модели использовали и для простых задач, с которыми справились бы более дешевые;
• в запрос загружали слишком много контекста на всякий случай — например, весь документ вместо нужного фрагмента, весь репозиторий вместо конкретного файла, длинную историю переписки вместо краткого резюме;
• агентов запускали параллельно, чтобы они предложили разные решения, хотя часть работы при этом дублировалась.

Особенно дорогими оказались задачи, где ИИ работает не как чат-бот, а как агент. Исследователи показывали, что в программировании такие агенты могут тратить в тысячу раз больше токенов, чем обычный чат. При этом больший расход не всегда давал более точный результат.

Аналитическая компания Jellyfish сопоставила, сколько токенов разработчики потратили в первом квартале 2026 года и сколько изменений в коде довели до результата — то есть провели через проверку и добавили в рабочие проекты. У нижних 20% по расходу токенов на это ушло около 3 $ за квартал, в среднем на 11 пул-реквестов. У верхних 20% — уже 1 822 $ и 23 пул-реквеста. То есть результат вырос примерно вдвое, а расходы — в сотни раз.

Uber предположительно израсходовала годовой бюджет на ИИ за первые четыре месяца 2026 года. Президент компании при этом отмечал, что пока трудно увидеть прямую связь между ростом расходов на Claude Code и тем, что Uber стала выпускать больше полезных функций для пользователей.

Microsoft тоже начала сокращать расходы на сторонние ИИ-инструменты. Компания стала отменять большую часть прямых лицензий Claude Code и переводить сотрудников на собственный Microsoft Copilot.

Самый громкий пример — история про неназванную компанию, которая, по данным Axios, могла потратить 500 млн долларов на Claude за один месяц, потому что не поставила лимиты на использование лицензий для сотрудников.

Из-за высоких расходов от токенмаксинга стали отказываться: когда токены уходят на лишний контекст, параллельных агентов и красивые внутренние метрики, ИИ превращается в новую статью затрат.

Сначала стоимость токенов была проблемой корпораций. Обычным пользователям многие ИИ-сервисы давали ощущение почти безлимитного доступа при оплате недорогой подписки. Человек платил примерно 20 $ в месяц и не думал, сколько стоит каждый запрос. Можно было попросить нейросеть переписать письмо десять раз, разобрать длинный документ, проверить код или запустить агента на большую задачу — почти все укладывалось в лимиты по подписке.

Постепенно реальную стоимость работы нейросетей стали перекладывать на пользователей. Лимиты во всех тарифах ужесточили, самые дорогие задачи, вроде генерации видео, ограничили. Часть моделей в популярных подписках заменили более дешевыми. Пара примеров:

• в Gemini с подпиской Plus можно создать два коротких видео в день, а картинки по умолчанию генерирует не продвинутая Nano Banana Pro, а более простая Nano Banana 2;
• в Claude пятичасовой лимит запросов уходит менее чем за час активного использования даже для текстовых задач;
• в ChatGPT после исчерпания лимита по подписке запросы перекидываются на мини-версии моделей, а для Codex и ChatGPT в Excel можно докупать кредиты отдельно;
• GitHub Copilot с 1 июня 2026 года перешел на оплату по количеству использованных кредитов — никакого безлимита.

Раньше быстрый вопрос и многочасовая автономная сессия могли стоить для пользователя одинаково, а разницу покрывал сам сервис. Теперь использование мощных моделей стало гораздо дороже.

1. Идея токенмаксинга в том, что чем больше токенов тратят сотрудники, тем выше их производительность. Большой расход поощряли как способ быстрее приучить команды пользоваться новыми инструментами.
2. Но работа нейросетей не бесплатная. Оказалось, что если давать сотрудникам безлимитный доступ к ИИ, они могут прожигать сотни тысяч долларов, не принося измеримой пользы.
3. Компании отказались от токенмаксинга и начали сокращать расходы на нейросети — вводить жесткие лимиты или отказываться от сторонних ИИ-инструментов.
4. Одновременно с этим лимиты на использование чат-ботов ужесточились и для рядовых пользователей.