สื่อต่างประเทศอย่าง Fortune ประเมินว่า แนวคิด “tokenmaxxing” ซึ่งเคยเป็นที่นิยมภายในองค์กร กำลังลดความนิยมลง โดย tokenmaxxing หมายถึงการใช้จำนวนโทเค็นที่พนักงานหรือทีมเรียกใช้โมเดล AI เป็นตัวชี้วัดประมาณการของระดับนวัตกรรมและประสิทธิภาพการทำงาน แต่เนื่องจากค่าใช้จ่ายเพิ่มขึ้นและการเรียกใช้งานที่ไม่มีประสิทธิภาพเพิ่มมากขึ้น แนวทางนี้จึงเริ่มถูกจำกัดโดยบริษัทต่างๆ มากขึ้น
บทความระบุว่าก่อนหน้านี้บริษัทต่างๆ เช่น Meta, Amazon, OpenAI ฯลฯ ได้เคยมีการจัดอันดับโทเค็นอย่างเป็นทางการหรือไม่เป็นทางการ เพื่อกระตุ้นให้วิศวกรแข่งขันกันในการเรียกใช้โมเดล ปัญหาคือ เมื่อตัวชี้วัดเองกลายเป็นเป้าหมายในการประเมิน ก็มักจะเบี่ยงเบนจากจุดประสงค์เดิม หนังสือพิมพ์ฟินานเชียลไทมส์ของอังกฤษเคยรายงานว่า พนักงานบางส่วนของ Amazon เคยให้ตัวแทน AI ดำเนินงานที่ไม่มีความหมายจริง เพียงเพื่อรักษาข้อมูลการใช้งาน
แรงกดดันด้านต้นทุนเริ่มปรากฏชัด
พร้อมกับการขยายตัวอย่างกว้างขวางของ AI แบบสร้างสรรค์ภายในองค์กร ค่าใช้จ่ายในการเรียกใช้งานโมเดลก็เพิ่มขึ้นอย่างรวดเร็ว บทความระบุว่า บริษัทบางแห่งเริ่มจำกัดพนักงานไม่ให้ใช้ตัวแทน AI ภายนอก โดยเฉพาะเครื่องมือที่พึ่งพาโมเดลระดับสูง Meta ได้ถอดถอนตารางอันดับ Token ที่พนักงานสร้างขึ้นด้วยตนเองแล้ว; The Verge รายงานว่า Microsoft ได้ยกเลิกการสมัครใช้งาน Claude Code สำหรับพนักงานในแผนกผลิตภัณฑ์หลักหลายแผนก
Uber ยังเปิดเผยว่า บริษัทได้ใช้เงินงบประมาณโทเค็นทั้งหมดสำหรับปีนี้ภายในสี่เดือนแรกของปี 2026 โดยมีค่าใช้จ่ายบางส่วนมาจากการใช้งาน Claude Code อย่างถี่ถ้วน Marc Benioff ซีอีโอของ Salesforce กล่าวว่า บริษัทได้จ่ายค่าใช้จ่ายให้กับ Anthropic ประมาณ 3 พันล้านดอลลาร์สหรัฐในปีนี้ และหวังว่าจะมีระบบการจัดเส้นทางที่ฉลาดกว่าในอนาคต เพื่อกระจายคำขอต่างๆ ไปยังโมเดลที่มีต้นทุนเหมาะสมกว่า
บริษัทให้ความสำคัญกับผลลัพธ์ทางธุรกิจ
บทความชี้ว่า สาเหตุหลักที่บริษัทลดเกณฑ์การใช้โทเค็นไม่ได้เกิดขึ้นเพียงเพราะการลดค่าใช้จ่าย แต่ยังเนื่องจากช่องว่างระหว่างการลงทุนกับผลตอบแทน แอนดรูว์ แมคโดนัลด์ หัวหน้าเจ้าหน้าที่ปฏิบัติการของ Uber ได้แสดงความเห็นเมื่อเร็วๆ นี้ว่า บริษัทพบความยากลำบากในการเชื่อมโยงการเพิ่มประสิทธิภาพของพนักงานบางส่วนกับการส่งมอบฟีเจอร์ใหม่สำหรับผู้ใช้หรือผลลัพธ์การดำเนินงานโดยรวม หากไม่สามารถสร้างผลลัพธ์ทางธุรกิจที่ชัดเจน ต้นทุนของโมเดลก็จะยากต่อการพิสูจน์ความสมเหตุสมผลอย่างต่อเนื่อง
นี่คือเหตุผลที่การติดตามการใช้โทเค็นเพียงอย่างเดียว ยิ่งยากที่จะถือว่าเป็นเครื่องมือการจัดการที่มีประสิทธิภาพ มันสามารถสะท้อนขนาดของการเรียกใช้งาน แต่ไม่สามารถบอกได้ว่าการเรียกใช้งานเหล่านั้นจริงๆ แล้วช่วยปรับปรุงผลิตภัณฑ์ กระบวนการ หรือรายได้หรือไม่
ผลตอบแทนที่แท้จริงมาจากการปรับโครงสร้างกระบวนการ
บทความอ้างความเห็นของ Azeem Azhar ผู้เขียน Exponential View ว่า ความไม่สอดคล้องระหว่างการลงทุนด้าน AI กับผลิตภาพในปัจจุบัน คล้ายกับ “เส้นโค้ง J ของผลิตภาพ” ที่พบได้บ่อยในช่วงเริ่มต้นของเทคโนโลยีทั่วไปใหม่ บริษัทมักจะเพิ่มต้นทุนการทดลองในระยะเริ่มต้น แต่ยังไม่เห็นผลตอบแทนที่ชัดเจนในระยะสั้น โดยผลลัพธ์ด้านประสิทธิภาพจะปรากฏอย่างชัดเจนเฉพาะเมื่อกระบวนการทางธุรกิจได้รับการออกแบบใหม่
ตัวอย่างเช่นโรงงานที่ปรับปรุงระบบไฟฟ้า บริษัทเริ่มต้นด้วยการเปลี่ยนแสงสว่างหรือแหล่งพลังงาน แต่การเพิ่มประสิทธิภาพการผลิตอย่างมีนัยสำคัญเกิดขึ้นหลังจากจัดวางโรงงานและอุปกรณ์แต่ละชิ้นใหม่ทั้งหมดให้สอดคล้องกับเทคโนโลยีใหม่ สำหรับ AI หลายบริษัทในปัจจุบันยังคงอยู่ในขั้นตอนการทดลองใช้งานแบบบางส่วนหรือการเสริมเครื่องมือ ยังไม่ได้ก้าวเข้าสู่การปรับเปลี่ยนกระบวนการอย่างลึกซึ้ง
ความคิดเห็นระบุว่า สาเหตุพื้นฐานที่ทำให้การแข่งขันการใช้งานโทเค็นลดลง คือมันเน้นที่ “ใช้ไปเท่าไหร่” มากกว่า “สร้างอะไรขึ้นมา” สำหรับบริษัท คุณค่าของ AI สุดท้ายยังต้องกลับมาที่การส่งมอบผลิตภัณฑ์ รูปแบบธุรกิจ และผลการดำเนินงานด้านรายได้ ไม่ใช่เพียงอันดับการเรียกใช้โมเดล