Ikke mist tråden: Slik hindrer du at KI-bruk blir et resultatmål
Utfordringen med tokenmaksimering: Ansatte manipulerer måltall for KI-tokens i stedet for å fokusere på faktisk produktivitet.
Svakheter ved målingen: Dagens evalueringsmetoder prioriterer KI-aktivitet fremfor meningsfulle resultater, noe som fører til misvisende prestasjonsindikatorer.
Risiko for korrupsjon: Avhengighet av bruksdata svekker påliteligheten, noe som gjør det vanskelig å vurdere de ansattes faktiske prestasjoner.
Forebyggingsstrategier: Organisasjoner bør gå over til resultatbaserte KI-måltall og legge vekt på kvalitet fremfor kvantitet i prestasjonsvurderingen.
Kommunikasjon fra ledelsen: Effektiv ledelse må prioritere læringsresultater i samtaler om KI for å fremme reell kompetanseutvikling.
Tidlig i april 2026 avslørte et lekket internt dashbord fra Meta at selskapet hadde rangert sine rundt 85 000 ansatte etter AI-tokenforbruk.
Tokens er dataenhetene AI-modeller behandler, og noen i Meta bestemte at det var en nyttig måte å følge med på hvem som faktisk brukte AI. Den øverste brukeren hadde brukt opp 281 milliarder tokens på én måned. Det totale forbruket som ble fulgt på dashbordet, oversteg 60 billioner tokens før det ble tatt ned.
Kort tid etter rapporterte Financial Times om et tilsvarende mønster hos Amazon. Ansatte automatiserte unødvendige oppgaver spesifikt for å blåse opp AI-brukstallene sine og skape inntrykk av engasjement rundt selskapets AI-satsing.
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
Atferden har siden fått navnet «tokenmaxxing», hentet fra Gen Z-slang for å maksimere noe, som i dette tilfellet er den synlige bruken av AI fremfor det AI-bruken faktisk skal føre til.
To av verdens største selskaper, den samme dynamikken og et navn som antyder at dette sprer seg.
Tokenmaxxing er ikke først og fremst et teknologiproblem, men et problem knyttet til prestasjonsstyring og kultur, og det bærer preg av HR og drift, uansett om HR var involvert da de opprinnelige beslutningene som skaper dette, ble tatt.
Noen fastsatte insentivet. Noen bygget eller tolererte resultatlisten. Noen bestemte at forbruk var en rimelig stedfortreder for kompetanse. Denne artikkelen handler om å forstå hvordan dette skjer, og hva man kan gjøre før det skjer.
Hvorfor måling går galt
Organisasjoner setter vanligvis ikke ut for å bygge kulturer basert på resultatlister. Tokenmaxxing oppstår i mellomrommet mellom det selskaper faktisk ønsker at AI skal levere og det de for øyeblikket kan måle.
En Gallup-undersøkelse fra februar 2026 blant mer enn 23 000 amerikanske ansatte viste at halvparten av alle yrkesaktive voksne bruker AI minst noen ganger i året, og at ansatte i organisasjoner som tar i bruk AI, rapporterer mer uro og bemanningsrelatert usikkerhet enn ansatte i organisasjoner som ennå ikke har tatt det i bruk.
Samtidig viser Gartner-data at bare én av 50 AI-investeringer leverer transformativ verdi, og at bare én av fem gir noen målbar avkastning på investeringen. McKinseys Tilstanden for AI 2025 viste at de fleste organisasjoner fortsatt er i en tidlig fase når det gjelder å hente ut verdi på virksomhetsnivå, til tross for rask utbredelse.
Det som skiller resultater med høyere verdi fra resultater med lavere verdi, ifølge McKinsey, er arbeidsflytutforming og styring, ikke rått bruksvolum.
Men styrer og toppledere opplever ikke denne nyansen. De kjenner på hastverk, og dette hastverket fører til krav om synlige bevis på bruk, som igjen fører til at mellomledere leter etter noe å vise frem. Når du ikke kan måle om AI faktisk forbedrer resultatene, måler du det nærmeste du kommer, nemlig aktivitet. Dermed kommer dashbordet inn i bildet.
Yakov Filippenko, administrerende direktør i den profesjonelle nettverksplattformen Intch, trekker en parallell til pålegg om å vende tilbake til kontoret. Selskaper presset ansatte tilbake til kontorene delvis fordi aksjonærene eide dyre, tomme bygninger, hevder han.
Nå bruker organisasjoner opp tokens for å demonstrere overfor investorer at de ikke går glipp av AI-revolusjonen. I begge tilfeller førte et legitimt underliggende press — synlighet overfor aksjonærer og konkurranseposisjonering — til en måling som tjente fremtoning snarere enn drift.
Metas teknologidirektør Andrew Bosworth gjorde denne logikken tydelig da han offentlig beskrev sin beste ingeniør som en som bruker et beløp tilsvarende lønnen sin på AI-tokens, og som derfor er «5 til 10 ganger mer produktiv». «Det er liksom lettjente penger. Bare fortsett. Ingen grense.»
At en senior teknologileder i et av verdens mest innflytelsesrike selskaper fremstiller tokenforbruk som et produktivitetssignal, er ikke en isolert oppfatning. Det gjenspeiler en bredere manglende evne til å skille mellom korrelasjon og årsakssammenheng. Den høyt presterende medarbeideren bruker tilfeldigvis mange tokens, og dermed begynner tokens å se ut som årsaken til de gode prestasjonene, snarere enn et biprodukt av dem.
Feilen forsterkes raskt. Ledere som ser denne fremstillingen bli fremmet fra toppen, trenger ikke en formell resultatliste for å ta budskapet til seg. Atferden følger signalet, selv når ingen hadde til hensikt å sende signalet.
Hva det koster
Bruksdashbord var allerede et upålitelig mål på AI-produktivitet før noen begynte å manipulere dem.
Yasser Drif, grunnlegger av Roman AI, delte data fra kundegrunnlaget sitt som tyder på at avstanden mellom aktivitet og resultat er større enn de fleste organisasjoner antar. Bare rundt 24 % av AI-kjøringene som er initiert av mennesker, produserer et nyttig resultat. Resten består av iterasjoner og arbeid under utvikling, som volummålinger blåser opp til et inntrykk av produktivitet. Det er utgangspunktet. Tokenmaxxing gjør det verre.
Den første kostnaden er signalforvrengning. Når bruk blir måleenheten, blir bruksdata upålitelige. Du kan ikke lenger se på hvem som bruker mest AI og trekke pålitelige konklusjoner om hvem som presterer, lærer eller tilfører verdi.
Dataene har blitt manipulert, og du vet ikke alltid av hvem. All analyse av arbeidsstyrken som bygger på dem, arver denne forurensningen.
Den andre kostnaden går dypere. Når ansatte optimaliserer for å fremstå som om de behersker AI, i stedet for å faktisk utvikle denne kompetansen, har du snudd opp ned på læringsbetingelsene du egentlig trenger. Ekte utvikling av AI-kompetanse krever eksperimentering, inkludert mislykkede eksperimenter, og ærlig rapportering om hva som fungerte.
En tokenmaxxing-kultur skaper press om å demonstrere kompetanse offentlig, samtidig som ærlig rapportering føles risikabelt. Dette er uforenlige betingelser.
Den tredje kostnaden gjelder det som skjer med de ansatte som ikke manipulerer noe. I et miljø der tokenforbruk har blitt synlig og verdsatt, begynner personen som utfører nøye, tydelig avgrenset AI-arbeid som gir gode resultater, men ikke genererer oppsiktsvekkende tall, å føle seg akterutseilt.
Den følelsen korrigeres ikke med forsikringer. Den raskeste måten å få ekte utvikling av AI-kompetanse til å føles utrygg på, er å la mennesker som ikke blåser opp tallene sine, tro at de taper et kappløp de ikke forstår.
Amazon svarte, rosverdig nok, på problemet de selv hadde skapt, ved å begrense synligheten av bruksstatistikk for hele teamet, slik at bare enkeltpersoner og deres nærmeste ledere kunne se den. Det er et korrigerende tiltak. Forebygging krever en annen type handling tidligere i prosessen.
Slik forebygger du det
Det praktiske spørsmålet for en CHRO eller COO er hvor man skal begynne. «Mål resultater, ikke innsats» er riktig, men forteller ingen hva som må endres mandag morgen.
Begynn med en gjennomgang av hva som spores i dag, og hvem som ser det. Filippenko peker på alle KPI-er for AI-adopsjon som er direkte knyttet til lønn eller annen kompensasjon, som et umiddelbart faresignal.
Det tilsvarer å måle en advokats prestasjon ut fra antallet sider vedkommende skriver ut, eller en utviklers effektivitet ut fra antallet kodelinjer.
Yasser Drif, hvis selskap Roman AI utvikler AI-verktøy som tas i bruk på tvers av organisasjoner, foreslår et praktisk utgangspunkt.
Hent ut 30 dager med bruksdata, sorter etter forbruk, og spør hva som faktisk ble levert. Kan personen vise deg et konkret resultat?
Faresignalene teamet hans ser etter, omfatter brukere med høyt forbruk uten et tilknyttet leveranseresultat, oppblåst kjøring der en oppgave samler ti eller flere AI-interaksjoner uten at status endres, og én enkelt AI-forkjemper som bruker en uforholdsmessig stor andel av brukskredittene, samtidig som vedkommende produserer lite ferdig arbeid. Hvis oversiktene deres ikke kan svare på spørsmålet «hva ble levert», er det det første problemet som må løses.
Hvis organisasjonen din har oversikter over AI-bruk med innsyn på tvers av ansatte, eller hvis bruksvolum dukker opp noe sted i en medarbeidersamtale, en målsettingssyklus eller en rapporteringsprosess for ledere, er det der risikoen for tokenmaxxing er til stede. Spørsmålet er ikke om dataene samles inn – men om de er synlige på måter som skaper konkurransepress rundt volum i stedet for kvalitet.
AI-måling basert på resultater ser ulik ut avhengig av funksjon. I en salgssammenheng kan man for eksempel måle om AI-assistert oppsøkende kontakt forbedret konverteringsratene, ikke hvor mange instruksjoner en selger sendte. I driftsfunksjoner kan man måle reduksjon i gjennomløpstid eller feilrate i AI-assisterte prosesser, ikke logger over systembruk.
Designprinsippet er det samme for alle. Mål hva som endret seg som følge av AI-bruken, ikke selve bruken. Dette krever at funksjonsledere og HR samarbeider om hva «bedre» faktisk betyr, før målerammeverkene bygges, ikke etterpå.
More Articles
- Hva mellomstore selskaper lærte om AI-transformasjon i 2025
- Kontinuerlig tilbakemelding på prestasjoner høres banebrytende ut – helt til du ser hvordan bedrifter bruker det
- KI i forretningsdriften: Gjør fremvoksende teknologi til et strategisk fortrinn for virksomheten
- Visepresident for mennesker og organisasjon i en AI-enhjørning sier at HR-ledere må bli arkitektene bak en menneske-maskin-arbeidsstyrke
- Talentrådgiver sier at KI akselererer organisatorisk gjeld, ikke løser den
Hvilket budskap sender du?
Ledelseskommunikasjon må kalibreres på nytt i takt med måleparameterne. Hvis de eneste budskapene ansatte hører om AI, handler om adopsjonsrater og milepæler for bruk, er det underforståtte signalet at det er forbruket som følges med på.
Ledere som ønsker å utvikle reell AI-kompetanse, må snakke om konkrete resultater, om hvordan AI endret måten et team arbeider på, hva et bestemt eksperiment lærte organisasjonen, hvor en implementering mislyktes, og hva det avdekket. Denne typen historiefortelling signaliserer at organisasjonen verdsetter læring, ikke det å prestere i læringen.
Å korrigere kursen i et team der maksimering av tokenbruk allerede forekommer, krever omtanke. Ansatte som manipulerte en måleparameter, reagerte vanligvis på et signal ledelsen hadde skapt. Hvis man behandler det som et individuelt atferdsproblem, overser man dette og skaper nettopp de forholdene som gjør at ærlig rapportering føles utrygt.
«Når ansatte er villige til å gjøre meningsløst arbeid bare for å krysse av en boks,» sier Filippenko. Det er operasjonell forråtnelse.
Å løse det innebærer at ledelsen erkjenner signalet den sendte, før den ber folk endre atferden sin.
Det mer produktive perspektivet for ledere er å nullstille forventningene til hva organisasjonen faktisk bryr seg om, og deretter gi folk en vei til å demonstrere reell kompetanse. Det betyr at synlige eksempler på resultater basert på måloppnåelse blir anerkjent, ikke bare at den gamle måleparameteren fjernes.
Drifts foreslåtte tiltak er direkte og verdt å vurdere: Gi måleparameteren offentlig et nytt navn, fra «AI-bruk» til «arbeid fullført med AI». Selve navneendringen signaliserer til folk hva organisasjonen faktisk verdsetter, uten at noen trenger å pekes ut for atferden den gamle måleparameteren skapte.
Å navigere i tvetydighet
Den dypere disiplinen her er å være tålmodig med tvetydighet. De fleste organisasjoner er ennå ikke i stand til å måle AI-ens bidrag til forretningsresultater med presisjon, og presset for å kunne vise til noe i mellomtiden er reelt. Dashbord og resultatlister fyller dette tomrommet fordi de produserer tall, og tall føles som ansvarlighet.
Problemet er at ansvarligheten de skaper, gjelder feil ting. Det tar lengre tid å bygge målesystemer som holder folk ansvarlige for resultater, og det krever mer tverrfunksjonelt designarbeid, men det er den eneste tilnærmingen som ikke fordreier dataene du til slutt trenger for å ta bedre beslutninger.
Maksimering av tokenbruk er et tidlig varselsignal, ikke et endepunkt. Behandle det som et kultursignal det er verdt å ta på alvor nå, så får du langt renere resultatdata og en langt sunnere AI-adopsjon på sikt.
