A mídia estrangeira Fortune comentou que o “tokenmaxxing”, anteriormente popular dentro das empresas, está perdendo força. O termo “tokenmaxxing” refere-se à prática de usar o número de tokens chamados por funcionários ou equipes em modelos de IA como um indicador aproximado de inovação e eficiência. No entanto, com o aumento das contas e o crescimento de chamadas ineficazes, cada vez mais empresas estão restringindo essa abordagem.
O artigo menciona que empresas como Meta, Amazon e OpenAI já adotaram, formal ou informalmente, práticas de classificação de tokens, incentivando engenheiros a competirem pelo volume de chamadas de modelos. O problema é que, assim que a métrica em si se torna um objetivo de avaliação,容易 desviar-se do propósito original. O jornal britânico Financial Times relatou anteriormente que alguns funcionários da Amazon fizeram agentes de IA executarem tarefas sem significado prático apenas para manter o desempenho dos dados de uso.
A pressão sobre os custos começou a se manifestar
À medida que a IA generativa se espalha em larga escala dentro das empresas, os custos de chamada de modelos também aumentam rapidamente. O artigo afirma que algumas empresas já começaram a restringir o uso de agentes de IA de terceiros pelos funcionários, especialmente ferramentas que dependem de modelos de alto desempenho. A Meta removeu a lista de classificação de tokens criada pelos próprios funcionários; o The Verge relatou que a Microsoft cancelou as assinaturas do Claude Code de funcionários em vários departamentos-chave de produtos.
O Uber também revelou que a empresa já utilizou todo o orçamento anual de tokens nos primeiros quatro meses de 2026, com parte das despesas provenientes do uso frequente do Claude Code. O CEO da Salesforce, Marc Benioff, afirmou que a empresa pagou cerca de 300 milhões de dólares à Anthropic este ano e espera desenvolver, no futuro, um sistema de roteamento mais inteligente para atribuir diferentes solicitações a modelos com custos mais adequados.
As empresas valorizam mais os resultados de negócios.
O artigo argumenta que a razão principal pela qual as empresas estão apertando os indicadores de tokens não é apenas a contenção de gastos, mas sim a disparidade entre investimento e retorno. O diretor de operações da Uber, Andrew Macdonald, afirmou recentemente que a empresa tem dificuldade em relacionar diretamente o aumento da eficiência de alguns funcionários com a entrega de novas funcionalidades voltadas ao usuário ou com os resultados gerais do negócio. Se não for possível gerar resultados de negócios claros, torna-se mais difícil justificar continuamente a viabilidade dos custos do modelo.
É por isso que rastrear apenas o consumo de tokens está se tornando cada vez mais difícil de ser considerado uma ferramenta de gestão eficaz. Ele pode refletir a escala das chamadas, mas não indica se essas chamadas realmente melhoraram o produto, o processo ou a receita.
O verdadeiro retorno vem da reestruturação do processo
O artigo cita a opinião de Azeem Azhar, autor do Exponential View, de que o descompasso atual entre investimentos em IA e produtividade é mais semelhante à “curva-J da produtividade” comum nos estágios iniciais de uma nova tecnologia geral. Durante a fase de exploração, as empresas frequentemente aumentam os custos de experimentação, mas não observam benefícios claros a curto prazo; apenas após a reengenharia dos processos de negócios é que os ganhos de eficiência se manifestam de forma concentrada.
O artigo usa a modernização de fábricas elétricas como exemplo: inicialmente, as empresas apenas substituem iluminação ou fontes de energia, mas os verdadeiros aumentos significativos na produtividade ocorrem apenas após a reestruturação do layout da fábrica e dos equipamentos individuais em torno da nova tecnologia. Analogamente, no caso da IA, muitas empresas ainda permanecem na fase de testes pontuais ou adição de ferramentas, sem ainda entrarem em transformações de processos mais profundas.
Os comentários afirmam que a razão fundamental para o declínio da corrida pelo uso de tokens é que ela se concentra em "quanto foi usado", e não em "o que foi criado". Para as empresas, o valor da IA ainda deve se concretizar na entrega de produtos, modelos de negócios e desempenho de receita, e não em rankings de chamadas de modelos.