Wydał na AI 4 tys. dolarów w trzy dni. Nie zdawał sobie sprawy

Tokenmaxxing polegał na celowym zwiększaniu zużycia tokenów, czyli podstawowych jednostek, w których mierzy się pracę modeli językowych sztucznej inteligencji. Jeden token to mniej więcej trzy czwarte słowa lub fragment tekstu, a jego przetworzenie generuje konkretny koszt po stronie dostawcy usługi.

Tyle w teorii.

W praktyce oznaczało to, że firmy zachęcały pracowników do jak najbardziej "rozrzutnego" korzystania z zaawansowanych modeli, takich jak Claude od Anthropic czy GPT od OpenAI, bez większych ograniczeń. Celem (przynajmniej w założeniu!) nie było bynajmniej marnotrawstwo, lecz maksymalne wykorzystanie potencjału AI jako narzędzia przyspieszającego pracę.

Koniecznie przeczytaj o tym, jak na naszych oczach dokonują się wielkie zmiany w branży, która jeszcze do niedawna wydawała się nietykalna: Ta praca niedawno była wielkim awansem. "Bardzo dużo się zmieniło"

Tok myślowy był następujący: im więcej sztucznej inteligencji będziemy wykorzystywać, tym większa szansa, że stworzymy coś naprawdę przełomowego. Firmy więc "pchały" AI w każdy sektor swoich firm, inwestując pieniądze w każdy pomysł i narzędzie, gdzie widziano tylko cień potencjału na poprawę.

Tokenomia | Stworzone przy użyciu AI / Copilot

To podejście zyskało szczególne uznanie wśród startupów i w środowisku venture capital. Y Combinator, jeden z najbardziej wpływowych akceleratorów, promuje ideę zastępowania tradycyjnego zwiększania liczby pracowników właśnie tak zwanym tokenmaxxingiem.

Przepalanie pieniędzy na wyścigi

W większych organizacjach tokenmaxxing przybrał formę wewnętrznych rankingów. W firmie Meta powstał na przykład dashboard o nazwie "Claudeonomics", w którym inżynierowie mogli sprawdzać, ile tokenów zużyli inni członkowie zespołu. Niektórzy uczestnicy rywalizacji tworzyli nawet automatyczne skrypty, które generowały dodatkowe zapytania tylko po to, by poprawić swoją pozycję w zestawieniu.

Popularność tego zjawiska wynikała z prostego założenia. Wczesne modele sztucznej inteligencji dawały wyraźną przewagę tym, którzy używali ich najintensywniej. Inżynierowie mogli szybciej pisać kod, analizować dane czy generować pomysły. Dla małych zespołów tokenmaxxing działał jak siła mnożąca możliwości.

Jednocześnie tokenmaxxing budził już wtedy pewne wątpliwości. Niektórzy eksperci zwracali uwagę, że samo zużycie dużej liczby tokenów nie gwarantuje lepszych rezultatów. Lepszy specjalista często potrafił osiągnąć ten sam efekt przy mniejszej liczbie zapytań, stosując bardziej precyzyjne instrukcje. Mimo to przez wiele miesięcy dominowało przekonanie, że im więcej, tym lepiej, zwłaszcza w warunkach silnej konkurencji na rynku technologicznym.

Przełom i pierwsze sygnały rosnących kosztów

W czerwcu 2026 r. pojawił się wyraźny sygnał, że entuzjazm wokół nieograniczonego zużycia tokenów zaczyna słabnąć.

CEO firmy Pylon, Marty Kausas, opublikował publiczny wpis, w którym opisał nagły skok rachunków za usługi Anthropic. Jego organizacja miała przejść z 400 tys. dol. rocznie do nawet 1,5 mln dol. wyłącznie dlatego, że liczba użytkowników przekroczyła 150 pozycji.

Powyżej tego progu firma musiała przejść na droższy pakiet Enterprise, w którym poszczególne miejsca nie zawierały już żadnego wbudowanego limitu zużycia. Od tego momentu każdy token był rozliczany osobno według standardowych stawek interfejsu programistycznego.

Co niezwykle ważne i moim zdaniem kluczowe, to fakt, że Kausas wyraźnie podkreślił również, że… sam nie zdawał sobie wcześniej sprawy z rzeczywistej skali wydatków. W jednym z przykładów przyznał, że przypadkowo wydał 4 tys. dol. w ciągu zaledwie trzech dni podczas pracy z narzędziem Claude Code.

Ta historia szybko rozeszła się w środowisku technologicznym i stała się symbolem szerszego problemu. Wiele firm nagle uświadomiło sobie, że intensywne korzystanie z zaawansowanych modeli sztucznej inteligencji generuje koszty, które trudno przewidzieć i kontrolować.

Paradygmat zużywania tokenów zaczyna się zmieniać

Firmy coraz wyraźniej dostrzegają, że dotychczasowe podejście do sztucznej inteligencji prowadzi do nieprzewidywalnych i często nieuzasadnionych wydatków. Głównym powodem jest brak pełnej widoczności kosztów na poziomie codziennej pracy zespołów.

Wiele osób, w tym liderzy organizacji, nie zdawało sobie sprawy, ile dokładnie kosztuje intensywne korzystanie z zaawansowanych modeli. Dopiero gdy rachunki zaczęły rosnąć lawinowo, pojawiła się potrzeba dokładniejszego monitorowania tego, na co naprawdę idą pieniądze. Ta nagła świadomość sprawiła, że wiele firm zaczęło kwestionować sens dalszego maksymalizowania zużycia tokenów bez wyraźnego powiązania z konkretnymi rezultatami biznesowymi.

Sztuczna inteligencja jest "dokręcona" na maksa | NicoElNino / Shutterstock

Kluczowe znaczenie ma tutaj kwestia zwrotu z inwestycji. Zaawansowane modele sztucznej inteligencji przynoszą największe korzyści w pracy inżynierów, gdzie potrafią znacząco przyspieszyć pisanie kodu, debugowanie czy analizę złożonych problemów. W tych obszarach dodatkowe wydatki na tokeny często się zwracają, ponieważ oszczędzają więcej czasu i zasobów ludzkich niż same generują kosztów.

Natomiast w innych rolach, takich jak wsparcie klienta, marketing czy rutynowe zadania administracyjne, korzyści bywają znacznie mniejsze. Powstają wtedy aplikacje lub procesy, z których nikt później nie korzysta, a wydatki na tokeny pozostają wysokie bez wymiernego efektu. To właśnie w tych obszarach firmy zaczynają dostrzegać, że dalsze zwiększanie zużycia nie przekłada się na lepsze wyniki.

Presja zarządu: nie chcemy przecież stracić!

Na zmianę paradygmatu wpływa również rosnąca presja ze strony dyrektorów finansowych oraz zarządów. Budżety przeznaczone na sztuczną inteligencję przestały być traktowane jako niewielki eksperymentalny wydatek. Zamiast tego stały się znaczącą pozycją w planach finansowych, którą trzeba starannie kontrolować.

Badania wśród kadry zarządzającej pokazują, że zdecydowana większość dyrektorów i prezesów wyraża obawy związane z niekontrolowanym wzrostem tych kosztów. W efekcie pojawia się potrzeba wprowadzania jasnych zasad, limitów oraz raportowania, które pozwolą utrzymać wydatki w założonych ramach. Firmy nie chcą już ryzykować sytuacji, w której linia budżetowa poświęcona AI rośnie szybciej niż przychody generowane dzięki tej technologii.

Zmiana planów z dnia na dzień

Dodatkowym czynnikiem jest zmiana strategii po stronie dostawców modeli sztucznej inteligencji. OpenAI, Anthropic oraz inne duże podmioty przygotowują się do wejścia na giełdę lub już prowadzą działania związane z upublicznieniem swoich spółek. W takiej sytuacji nie mogą sobie pozwolić na dalsze subsydiowanie intensywnego zużycia tokenów przez klientów.

Wcześniej wiele narzędzi było oferowanych w modelu stałej opłaty, która pozwalała na bardzo swobodne korzystanie. Gdy jednak liczba użytkowników i złożoność zadań gwałtownie wzrosła, dostawcy zaczęli przechodzić na rozliczenie wyłącznie za rzeczywiste zużycie. To z kolei zmusiło klientów do bardziej przemyślanego podejścia, ponieważ każdy dodatkowy token zaczął bezpośrednio wpływać na wysokość faktury.

Open AI, twórca ChatGPT | Justin Sullivan / Getty Images

Ruszyła też reakcja łańcuchowa. Wygląda to trochę tak, jakby dostawcy AI byli przerażeni, że klienci nie chcą zostawiać u nich nieskończonych pieniędzy. Już teraz pojawiają się bowiem głosy o zmniejszaniu cen za narzędzia nie tylko chińskich firm (Deepseek), jak i amerykańskich gigantów (plotkuje się o obniżkach cen narzędzi OpenAI).

Korzystajmy, ale efektywnie

W tym całym chaosie cieszy jednak odejście od pytania "czy ludzie w ogóle korzystają ze sztucznej inteligencji" w stronę pytania "czy korzystają z niej w sposób efektywny i przynoszący wartość". Niektóre organizacje, takie jak Coinbase, wprowadziły systemy alertów informujących pracowników o zbliżaniu się do limitu wydatków. Inne firmy, na przykład Harness, zainwestowały w szkolenia zespołu z efektywnego korzystania z modeli oraz w wewnętrzne narzędzia pomagające ograniczać niepotrzebne zużycie.

Zamiast pozwalać na długie, autonomiczne sesje pracy z najdroższymi modelami, zespoły uczą się dzielić zadania na mniejsze części i stosować tańsze warianty tam, gdzie nie jest wymagana najwyższa jakość odpowiedzi.

Coraz częściej pojawia się również krytyka samego pomysłu tokenmaxxingu jako wskaźnika sukcesu. Niektórzy liderzy biznesu otwarcie nazywają go próżnym miernikiem, który nie oddaje rzeczywistej wartości pracy. Lepszy specjalista często osiąga lepsze rezultaty przy mniejszej liczbie tokenów, stosując precyzyjniejsze instrukcje i lepsze zrozumienie możliwości modelu.

Wewnętrzne rankingi oparte wyłącznie na zużyciu tokenów mogą wręcz zachęcać do nieefektywnych zachowań, takich jak generowanie zbędnych zapytań tylko po to, by poprawić swoją pozycję w zestawieniu. Ta świadomość sprawia, że firmy zaczynają szukać innych, bardziej miarodajnych sposobów oceny wpływu sztucznej inteligencji na działalność.

A może da się taniej?

Coraz większą rolę odgrywają również tańsze alternatywy dla najdroższych modeli. Wiele organizacji zaczyna korzystać z rozwiązań pochodzących od chińskich dostawców lub modeli open source, które w wielu rutynowych zadaniach osiągają wystarczająco dobrą jakość przy ułamku kosztów. Zamiast używać najpotężniejszego dostępnego modelu do każdego zapytania, firmy stosują strategię mieszaną.

Najbardziej wymagające zadania trafiają do zaawansowanych narzędzi, podczas gdy podstawowe czynności, takie jak proste generowanie tekstu czy wstępna analiza danych, są realizowane przez tańsze opcje. Takie podejście pozwala utrzymać wysoką produktywność przy znacznie niższych wydatkach całkowitych.

Pracodawcy zaczynają szukać oszczędności | Take Production Studios / Shutterstock

Powstają również inicjatywy branżowe, takie jak Tokenomics Foundation wspierana przez duże korporacje, których celem jest opracowanie standardowych sposobów mierzenia zwrotu z inwestycji w sztuczną inteligencję. Dzięki temu dyrektorzy finansowi otrzymują bardziej miarodajne dane niż samo zestawienie liczby zużytych tokenów.

Wiele firm dostrzega, że ograniczenia budżetowe mogą prowadzić do większej kreatywności w sposobie korzystania z narzędzi. Zamiast pozwalać na niekontrolowane eksperymenty, zespoły uczą się lepiej planować pracę z modelami i wyciągać z nich maksimum wartości przy minimalnych nakładach. Firmy, które najszybciej opanują te kompetencje, zyskują przewagę nad tymi, które nadal koncentrują się wyłącznie na zwiększaniu skali zużycia.

Co zrobić, by nie stracić?

Firmy, które do tej pory traktowały wysokie zużycie tokenów jako oznakę postępu, muszą teraz przejść na bardziej świadome i efektywne zarządzanie kosztami sztucznej inteligencji. Poniżej znajdziesz konkretne, sprawdzone w praktyce wskazówki, które pomagają obniżyć wydatki bez utraty produktywności.

Zacznij od pełnej przejrzystości wydatków:

Pierwszym i najważniejszym krokiem jest dokładne zrozumienie, ile naprawdę kosztuje korzystanie z AI w Twojej organizacji. Wprowadź narzędzia do monitorowania zużycia tokenów na poziomie poszczególnych zespołów, projektów lub nawet pojedynczych pracowników. Wiele firm odkrywa dopiero po wdrożeniu takiego systemu, że największe koszty generują nie kluczowe zadania inżynierskie, lecz rutynowe czynności. Gdy ludzie zobaczą swoje osobiste liczby, często sami zaczynają ograniczać niepotrzebne zapytania.

Wprowadź jasne limity i procesy zatwierdzania:

Zamiast pozwalać na niekontrolowane wydatki, ustal budżety na poziomie zespołu lub roli. Przykładowo, niektóre organizacje wprowadzają tygodniowe lub miesięczne limity w zależności od stanowiska. Wszystko, co przekracza ustalony próg, wymaga dodatkowej zgody przełożonego lub osoby odpowiedzialnej za finanse. Taki mechanizm nie blokuje pracy, ale wymusza refleksję przed każdym większym wydatkiem.

Szkolenia zespołu z efektywnego korzystania z modeli:

Zorganizuj warsztaty, podczas których zespoły nauczą się:

• formułować precyzyjne i zwięzłe instrukcje,
• dzielić duże zadania na mniejsze etapy,
• korzystać z mechanizmów pamięci podręcznej promptów (prompt caching),
• wybierać odpowiedni model do konkretnego zadania.

Stosuj strategię mieszania modeli:

Nie każdy problem wymaga najdroższego, najbardziej zaawansowanego modelu. Coraz więcej organizacji łączy drogie modele z tańszymi alternatywami (w tym chińskimi rozwiązaniami lub modelami dostępnymi przez OpenRouter). Dzięki temu znacząco obniżają koszty bez zauważalnego spadku jakości.

Mierz wartość, a nie tylko zużycie:

Zmień sposób oceny efektywności AI w organizacji. Zamiast pytać "ile tokenów zużyliśmy?", pytaj "ile czasu zaoszczędziliśmy" lub "jakie konkretne rezultaty biznesowe uzyskaliśmy".