Mist ikke overblikket: Sådan forhindrer du, at brugen af AI bliver et præstationsmål
Problemet med tokenmaksimering: Medarbejdere manipulerer målinger af AI-tokenforbrug i stedet for at fokusere på den faktiske produktivitet.
Fejl ved målingen: De nuværende evalueringsmetoder prioriterer AI-aktivitet frem for meningsfulde resultater, hvilket fører til misvisende præstationsindikatorer.
Risici for forvridning: Afhængighed af brugsdata kompromitterer deres pålidelighed og gør det vanskeligt at vurdere medarbejdernes reelle præstationer.
Forebyggelsesstrategier: Organisationer bør skifte til resultatbaserede AI-målinger og lægge vægt på kvalitet frem for kvantitet i præstationen.
Kommunikation fra ledelsen: Effektiv ledelse skal prioritere læringsresultater i AI-diskussioner for at fremme ægte udvikling af kompetencer.
I begyndelsen af april 2026 afslørede et lækket internt oversigtspanel fra Meta, at virksomheden havde rangeret sine cirka 85.000 medarbejdere efter deres forbrug af AI-tokens.
Tokens er de dataenheder, som AI-modeller behandler, og nogen hos Meta besluttede, at optælling af dem var en nyttig måde at følge med i, hvem der faktisk brugte AI. Den største bruger havde brugt 281 milliarder tokens på en enkelt måned. Det samlede forbrug, som oversigtspanelet fulgte, oversteg 60 billioner tokens, før det blev taget ned.
Kort efter rapporterede Financial Times om et parallelt mønster hos Amazon. Medarbejdere automatiserede unødvendige opgaver specifikt for at øge deres AI-forbrugstal og skabe et indtryk af engagement i virksomhedens AI-satsning.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Adfærden har siden fået navnet “tokenmaxxing”, lånt fra Gen Z-slang for at maksimere noget — i dette tilfælde den synlige brug af AI snarere end det, som brugen af AI egentlig skal skabe.
To af verdens største virksomheder, den samme dynamik og et navn, der antyder, at det er ved at sprede sig.
Tokenmaxxing er ikke så meget et teknologiproblem, som det er et problem med resultatstyring og kultur, og det bærer fingeraftryk fra HR og drift, uanset om HR var involveret, da de oprindelige beslutninger blev truffet, som skaber problemet.
Nogen fastsatte incitamentet. Nogen byggede eller tolererede ranglisten. Nogen besluttede, at forbrug var en rimelig indikator for kompetence. Denne artikel handler om at forstå, hvordan det sker, og hvad man kan gøre, før det sker.
Hvorfor målinger går galt
Organisationer går som regel ikke bevidst i gang med at skabe kulturer omkring ranglister. Tokenmaxxing opstår i mellemrummet mellem det, virksomheder faktisk ønsker, at AI skal levere, og det, de i øjeblikket kan måle.
En Gallup-undersøgelse fra februar 2026 blandt mere end 23.000 amerikanske medarbejdere viste, at halvdelen af de beskæftigede voksne bruger AI mindst et par gange om året, og at medarbejdere i organisationer, der anvender AI, rapporterer om mere forstyrrelse og større bekymring for bemandingen end medarbejdere i organisationer, der endnu ikke har taget AI i brug.
Samtidig viser data fra Gartner, at kun én ud af 50 AI-investeringer skaber transformerende værdi, og at kun én ud af fem skaber et målbart investeringsafkast. McKinseys State of AI 2025 viste, at de fleste organisationer stadig befinder sig i de tidlige faser af at realisere værdi på virksomhedsniveau trods den hurtige udbredelse.
Det, der ifølge McKinsey adskiller resultater med høj værdi fra resultater med lav værdi, er omlægning af arbejdsgange og styring — ikke den samlede brugsvolumen.
Men bestyrelser og administrerende direktører mærker ikke denne nuancering. De mærker et presserende behov, og dette behov forplanter sig til krav om synlige beviser på anvendelsen, som igen forplanter sig til mellemledere, der leder efter noget at vise frem. Når man ikke kan måle, om AI rent faktisk forbedrer resultaterne, måler man det næstbedste, nemlig aktiviteten. Her kommer oversigtspanelet ind i billedet.
Yakov Filippenko, administrerende direktør for den professionelle netværksplatform Intch, drager en parallel til kravene om at vende tilbage til kontoret. Virksomheder sendte delvist medarbejderne tilbage til kontorerne, fordi aktionærerne ejede dyre, tomme bygninger, argumenterer han.
Nu bruger organisationer tokens for at demonstrere over for investorer, at de ikke går glip af AI-revolutionen. I begge tilfælde skabte et legitimt underliggende pres — synlighed over for aktionærerne og konkurrencemæssig positionering — en måling, der tjente det udadtil synlige snarere end driften.
Metas teknologidirektør Andrew Bosworth gjorde denne logik tydelig, da han offentligt beskrev sin bedste ingeniør som en person, der brugte et beløb svarende til sin løn på AI-tokens og som følge heraf var "5x til 10x mere produktiv". "Det er ligesom, at det her er nemme penge. Bliv ved med det. Ingen grænse."
Den fremstilling af tokenforbrug som et produktivitetssignal, der kommer fra en højtstående teknologileder i en af verdens mest indflydelsesrige virksomheder, er ikke en isoleret holdning. Den afspejler en bredere manglende evne til at skelne mellem korrelation og årsagssammenhæng. Den højtydende medarbejder bruger tilfældigvis mange tokens, så tokens begynder at ligne årsagen til den høje præstation snarere end et biprodukt af den.
Fejlen vokser hurtigt. Ledere, der ser denne fremstilling blive fremmet fra toppen, behøver ikke en formel rangliste for at tage budskabet til sig. Adfærden følger signalet, selv når ingen havde til hensigt at sende signalet.
Hvad det koster
Oversigtspaneler over brug var allerede et upålideligt mål for AI-produktivitet, før nogen begyndte at manipulere dem.
Yasser Drif, grundlægger af Roman AI, delte data fra sin kundebase, som antyder, at afstanden mellem aktivitet og resultat er større, end de fleste organisationer antager. Kun omkring 24 % af AI-kørsler, der er igangsat af mennesker, skaber et nyttigt resultat. Resten er iterationer og igangværende arbejde, som volumenmålinger oppuster til et skær af produktivitet. Det er udgangspunktet. Tokenmaxxing gør det værre.
Den første omkostning er signalforvrængning. Når brug bliver måleenheden, bliver brugsdata upålidelige. Du kan ikke længere se på, hvem der bruger mest AI, og drage pålidelige konklusioner om, hvem der præsterer, lærer eller skaber værdi.
Dataene er blevet manipuleret, og du ved ikke altid af hvem. Alle analyser af arbejdsstyrken, der bygger oven på dem, arver denne forurening.
Den anden omkostning stikker dybere. Når medarbejdere optimerer efter at fremstå AI-kompetente i stedet for at udvikle kompetencen, har du vendt op og ned på de læringsbetingelser, du faktisk har brug for. Ægte udvikling af AI-kompetencer kræver eksperimenter, herunder mislykkede eksperimenter, og ærlig rapportering om, hvad der virkede.
En tokenmaksimeringskultur skaber et pres for offentligt at demonstrere kompetence, samtidig med at ærlig rapportering føles risikabel. Det er uforenelige betingelser.
Den tredje omkostning handler om, hvad der sker med de medarbejdere, der ikke manipulerer noget. I et miljø, hvor tokenforbruget er blevet synligt og værdsat, begynder den person, der udfører omhyggeligt og velafgrænset AI-arbejde, som skaber stærke resultater, men ikke genererer opsigtsvækkende tal, at føle sig bagud.
Den følelse forsvinder ikke med beroligelse. Den hurtigste måde at få ægte udvikling af AI-kompetencer til at føles utryg på er at lade folk, der ikke oppuster deres tal, tro, at de er ved at tabe et kapløb, de ikke forstår.
Amazon reagerede, i virksomhedens forsvar, på det problem, den selv havde skabt, ved at begrænse synligheden af brugsstatistikker på teamniveau, så kun enkeltpersoner og deres direkte ledere kunne se dem. Det er et korrigerende tiltag. Forebyggelse kræver en anden form for handling tidligere i processen.
Sådan forebygger du det
Det praktiske spørgsmål for en CHRO eller COO er, hvor man skal begynde. "Mål resultater, ikke input" er rigtigt, men fortæller ikke nogen, hvad der skal ændres mandag morgen.
Begynd med en gennemgang af, hvad der i øjeblikket bliver fulgt, og hvem der kan se det. Filippenko fremhæver alle KPI'er for AI-anvendelse, der er direkte knyttet til aflønning, som et øjeblikkeligt advarselssignal.
Det svarer til at måle en advokats præstation på antallet af sider, vedkommende printer, eller en udviklers effektivitet på antallet af kodelinjer.
Yasser Drif, hvis virksomhed Roman AI udvikler AI-værktøjer, der anvendes på tværs af organisationer, tilbyder et praktisk udgangspunkt.
Hent 30 dages brugsdata, sorter efter forbrug, og spørg, hvad der faktisk blev leveret. Kan personen vise dig et konkret resultat?
De advarselssignaler, hans team holder øje med, omfatter brugere med højt forbrug uden et tilknyttet leveret resultat, oppustet kørsel, hvor en opgave akkumulerer ti eller flere AI-interaktioner uden nogen ændring i status, samt en enkelt AI-forkæmper, der bruger en uforholdsmæssigt stor andel af forbrugskreditterne, mens vedkommende producerer meget lidt færdigt arbejde. Hvis dine kontrolpaneler ikke kan besvare spørgsmålet "hvad blev leveret", er det det første problem, der skal løses.
Hvis din organisation har kontrolpaneler for AI-anvendelse med synlighed på tværs af medarbejdere, eller hvis brugsvolumen optræder et sted i en præstationsvurdering, en målsætningscyklus eller en ledelsesrapporteringsproces, er det dér, risikoen for tokenmaksimering er aktuel. Spørgsmålet er ikke, om dataene indsamles — men om de er synlige på måder, der skaber konkurrencepres omkring volumen frem for kvalitet.
Måling af AI baseret på resultater ser forskellig ud afhængigt af funktionen. I en salgskontekst kan man følge, om AI-assisteret opsøgende kontakt forbedrede konverteringsraterne, ikke hvor mange prompter en sælger sendte. I driften kan man følge reduktioner i gennemløbstid eller fejlprocenten i AI-assisterede processer, ikke systemets brugslogge.
Designprincippet er det samme for dem alle. Mål, hvad der ændrede sig som følge af AI-anvendelsen, ikke selve anvendelsen. Det kræver, at funktionsledere og HR samarbejder om, hvordan "bedre" faktisk ser ud, før målerammerne opbygges, ikke bagefter.
More Articles
- Hvad mellemstore virksomheder lærte om AI-transformation i 2025
- Løbende feedback om præstationer lyder transformerende, indtil man ser, hvordan virksomheder bruger det
- Kunstig intelligens i forretningsdrift: Gør ny teknologi til en strategisk forretningsfordel
- Vicepræsident for mennesker & organisation hos AI-unicorn siger, at HR-ledere skal blive arkitekterne bag en menneske-maskine-arbejdsstyrke
- Talentrådgiver siger, at AI fremskynder organisatorisk gæld i stedet for at løse den
Hvilket budskab sender du?
Ledelseskommunikation skal genkalibreres sammen med målingerne. Hvis de eneste budskaber, medarbejderne hører om AI, handler om adoptionsrater og milepæle for brug, er det underforståede signal, at det er forbruget, der bliver overvåget.
Ledere, der ønsker en reel udvikling af AI-kompetencer, skal tale om specifikke resultater: hvor AI ændrede den måde, et team arbejder på, hvad et bestemt eksperiment lærte organisationen, hvor en implementering mislykkedes, og hvad det afslørede. Denne form for historiefortælling signalerer, at organisationen værdsætter læring, ikke det at fremstå som om man lærer.
Det kræver omtanke at korrigere kursen i et team, hvor tokenmaksimering allerede forekommer. Medarbejdere, der manipulerede en måling, reagerede som regel på et signal, ledelsen havde skabt. Hvis man behandler det som et individuelt adfærdsproblem, overser man dette og skaber præcis de betingelser, der får ærlig rapportering til at føles utryg.
Når medarbejdere er villige til at udføre meningsløst arbejde bare for at sætte et flueben, er det ikke et måleproblem," siger Filippenko. Det er driftsmæssigt forfald.
At rette op på det betyder, at ledelsen anerkender det signal, den sendte, før den beder folk om at ændre deres adfærd.
Den mere produktive tilgang for ledere er at nulstille forventningerne til, hvad organisationen faktisk går op i, og derefter give folk en vej til at demonstrere reelle kompetencer. Det betyder synlige eksempler på, at succes baseret på resultater bliver anerkendt, ikke blot at den gamle måling fjernes.
Drifs foreslåede indgreb er direkte og værd at overveje: Omdøb offentligt målingen fra "AI-anvendelse" til "arbejde udført med AI". Selve omdøbningen sender et signal til folk om, hvad organisationen faktisk værdsætter, uden at nogen behøver at blive udpeget på grund af den adfærd, den gamle måling skabte.
At navigere i tvetydighed
Den dybere disciplin her er tålmodighed med tvetydighed. De fleste organisationer er endnu ikke i stand til præcist at måle AIs bidrag til forretningsresultater, og presset for at vise noget i mellemtiden er reelt. Kontrolpaneler og ranglister udfylder dette tomrum, fordi de producerer tal, og tal føles som ansvarlighed.
Problemet er, at den ansvarlighed, de skaber, gælder for det forkerte. Det tager længere tid at opbygge målesystemer, der holder folk ansvarlige for resultater, og det kræver mere tværfunktionelt designarbejde, men det er den eneste tilgang, der ikke forvrider de data, du i sidste ende får brug for til at træffe bedre beslutninger.
Tokenmaksimering er et tidligt advarselssignal, ikke et slutpunkt. Betragt det som et kultursignal, der er værd at tage alvorligt nu, så får du langt renere resultatdata og en langt sundere AI-anvendelse på længere sigt.
