Nie trać wątku: jak zapobiec temu, by korzystanie z AI stało się miernikiem wydajności
Problem maksowania tokenów: Pracownicy manipulują wskaźnikami wykorzystania tokenów AI zamiast koncentrować się na rzeczywistej produktywności.
Wady pomiaru: Obecne metody oceny przedkładają aktywność związaną z AI nad znaczące rezultaty, prowadząc do mylących wskaźników wydajności.
Ryzyko wypaczenia: Poleganie na danych dotyczących wykorzystania AI podważa ich wiarygodność, utrudniając ocenę rzeczywistej wydajności pracowników.
Strategie zapobiegania: Organizacje powinny przejść na wskaźniki AI oparte na rezultatach, kładąc nacisk na jakość, a nie ilość, w ocenie wydajności.
Komunikacja przywódcza: Skuteczne przywództwo powinno nadawać priorytet efektom uczenia się w dyskusjach na temat AI, aby wspierać rzeczywisty rozwój kompetencji.
Na początku kwietnia 2026 roku wyciek z wewnętrznego panelu Meta ujawnił, że firma klasyfikowała około 85 000 swoich pracowników według zużycia tokenów AI.
Tokeny to jednostki danych przetwarzane przez modele AI, a ktoś w Meta uznał, że ich zliczanie będzie użytecznym sposobem śledzenia, kto faktycznie korzysta z AI. Najaktywniejszy użytkownik zużył 281 miliardów tokenów w ciągu jednego miesiąca. Łączne zużycie odnotowane na panelu przekroczyło 60 bilionów tokenów, zanim panel został wyłączony.
Niedługo później Financial Times poinformował o podobnym zjawisku w Amazonie. Pracownicy automatyzowali niepotrzebne zadania wyłącznie po to, aby zawyżyć swoje wskaźniki wykorzystania AI, tworząc pozory zaangażowania w wdrażanie AI przez firmę.
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
Zachowanie to zyskało od tego czasu nazwę „tokenmaxxing”, zapożyczoną z języka pokolenia Z i oznaczającą maksymalizowanie czegoś — w tym przypadku widocznych przejawów korzystania z AI, a nie tego, co korzystanie z AI powinno przynosić.
Dwie największe firmy na świecie, ta sama dynamika i nazwa sugerująca, że zjawisko się rozprzestrzenia.
Tokenmaxxing nie jest w takim stopniu problemem technologicznym, jak problemem związanym z zarządzaniem efektywnością i kulturą organizacyjną, a jego ślady prowadzą do działów HR i operacyjnych — niezależnie od tego, czy HR uczestniczył w podejmowaniu pierwotnych decyzji, które do niego doprowadziły.
Ktoś ustalił bodziec. Ktoś zbudował tabelę wyników albo tolerował jej istnienie. Ktoś uznał, że zużycie jest rozsądnym przybliżeniem kompetencji. Ten artykuł dotyczy zrozumienia, jak do tego dochodzi i co zrobić, zanim to nastąpi.
Dlaczego pomiary zawodzą
Organizacje zazwyczaj nie zamierzają tworzyć kultur opartych na tabelach wyników. Tokenmaxxing pojawia się w przestrzeni między tym, co firmy naprawdę chcą osiągnąć dzięki AI, a tym, co są obecnie w stanie zmierzyć.
Badanie Gallup z lutego 2026 roku, przeprowadzone wśród ponad 23 000 pracowników w USA, wykazało, że połowa zatrudnionych dorosłych korzysta z AI co najmniej kilka razy w roku, a pracownicy organizacji wdrażających AI zgłaszają większe zakłócenia i obawy związane z zatrudnieniem niż osoby pracujące w organizacjach, które jeszcze go nie wdrożyły.
Tymczasem dane Gartnera pokazują, że tylko jedna na 50 inwestycji w AI przynosi wartość transformacyjną, a tylko jedna na pięć generuje jakikolwiek mierzalny zwrot z inwestycji. Raport McKinsey State of AI 2025 wykazał, że mimo szybkiego wdrażania większość organizacji wciąż znajduje się na wczesnym etapie uzyskiwania wartości na poziomie całego przedsiębiorstwa.
Według McKinsey tym, co odróżnia rezultaty o wyższej wartości od tych o niższej wartości, jest przeprojektowanie procesów pracy i zarządzanie, a nie sama skala wykorzystania.
Zarządy i dyrektorzy generalni nie dostrzegają jednak tych niuansów. Odczuwają presję, a ta presja przeradza się w żądania widocznych dowodów wdrożenia, które następnie prowadzą do sytuacji, w której menedżerowie średniego szczebla szukają czegoś, co mogliby pokazać. Kiedy nie można zmierzyć, czy AI rzeczywiście poprawia wyniki, mierzy się rzecz najbardziej zbliżoną — aktywność. I tak pojawia się panel.
Yakov Filippenko, dyrektor generalny platformy zawodowej Intch, dostrzega tu analogię do nakazów powrotu do biur. Jego zdaniem firmy nakłaniały pracowników do powrotu do biur częściowo dlatego, że akcjonariusze byli właścicielami drogich, pustych budynków.
Teraz organizacje zużywają tokeny, aby pokazać inwestorom, że nie przegapiają rewolucji AI. W obu przypadkach uzasadniona presja — widoczność dla akcjonariuszy i pozycjonowanie konkurencyjne — doprowadziła do powstania pomiaru, który służył pozorom, a nie działalności operacyjnej.
Andrew Bosworth, dyrektor ds. technicznych Meta, jasno wyraził tę logikę, publicznie opisując swojego najlepszego inżyniera jako osobę wydającą na tokeny AI równowartość swojej pensji i dzięki temu „5–10 razy bardziej produktywną”. „To łatwe pieniądze. Rób tak dalej. Bez limitu”.
Przedstawianie wydatków na tokeny jako sygnału produktywności przez starszego rangą lidera technologicznego jednej z najbardziej wpływowych firm na świecie nie jest odosobnioną opinią. Odzwierciedla szerszą niezdolność do odróżnienia korelacji od związku przyczynowego. Osoba osiągająca wysokie wyniki przypadkiem korzysta z dużej liczby tokenów, więc tokeny zaczynają wyglądać jak przyczyna wysokiej efektywności, a nie jej produkt uboczny.
Błąd szybko się pogłębia. Menedżerowie, którzy widzą takie przedstawienie sprawy promowane odgórnie, nie potrzebują formalnej tabeli wyników, aby przyswoić sobie ten przekaz. Zachowanie podąża za sygnałem, nawet jeśli nikt nie zamierzał go wysyłać.
Jaki jest tego koszt
Panele wykorzystania były już wcześniej zawodnym miernikiem produktywności AI, zanim ktokolwiek zaczął nimi manipulować.
Yasser Drif, założyciel Roman AI, udostępnił dane pochodzące z bazy klientów, sugerujące, że różnica między aktywnością a wynikami jest większa, niż zakłada większość organizacji. Zaledwie około 24% uruchomień AI zainicjowanych przez człowieka prowadzi do powstania użytecznego rezultatu. Reszta to iteracje i praca w toku, które wskaźniki ilościowe zawyżają, tworząc pozory produktywności. Taki jest punkt wyjścia. Tokenmaxxing tylko pogarsza sytuację.
Pierwszym kosztem jest zniekształcenie sygnału. Gdy wykorzystanie staje się miernikiem, dane o wykorzystaniu stają się niewiarygodne. Nie można już spojrzeć na to, kto korzysta z AI najczęściej, i wyciągnąć wiarygodnych wniosków na temat tego, kto osiąga najlepsze wyniki, uczy się lub wnosi wartość.
Danymi można było manipulować i nie zawsze wiadomo, przez kogo. Każda forma analityki siły roboczej oparta na tych danych dziedziczy to skażenie.
Drugi koszt sięga głębiej. Gdy pracownicy optymalizują wizerunek biegłości w zakresie AI, zamiast ją rozwijać, odwracacie warunki uczenia się, których naprawdę potrzebujecie. Rozwijanie rzeczywistych umiejętności związanych z AI wymaga eksperymentowania, w tym nieudanych eksperymentów, oraz uczciwego raportowania tego, co zadziałało.
Kultura tokenmaxxingu wywiera presję na publiczne demonstrowanie kompetencji, jednocześnie sprawiając, że szczere raportowanie wydaje się ryzykowne. Są to warunki wzajemnie nie do pogodzenia.
Trzecim kosztem jest wpływ na pracowników, którzy niczego nie zawyżają. W środowisku, w którym zużycie tokenów stało się widoczne i cenione, osoba wykonująca staranną, dobrze ukierunkowaną pracę z AI, przynoszącą dobre rezultaty, ale niegenerującą imponujących liczb, zaczyna czuć się w tyle.
Tego poczucia nie da się skorygować samymi zapewnieniami. Najszybszym sposobem, by sprawić, że rzeczywisty rozwój umiejętności związanych z AI stanie się niebezpieczny, jest pozwolenie, aby osoby, które nie zawyżają swoich wyników, uwierzyły, że przegrywają wyścig, którego zasad nie rozumieją.
Amazon, trzeba to przyznać, zareagował na stworzony przez siebie problem, ograniczając widoczność statystyk wykorzystania w całych zespołach, tak aby mogli je widzieć tylko poszczególni pracownicy i ich bezpośredni przełożeni. To działanie korygujące. Zapobieganie wymaga innego rodzaju działania na wcześniejszym etapie procesu.
Jak temu zapobiegać
Praktyczne pytanie dla dyrektora ds. zasobów ludzkich (CHRO) lub dyrektora operacyjnego (COO) brzmi: od czego zacząć? Stwierdzenie „Mierz rezultaty, nie dane wejściowe” jest prawdziwe, ale nie mówi nikomu, co zmienić w poniedziałek rano.
Zacznij od audytu tego, co jest obecnie śledzone, i tego, kto ma do tego wgląd. Filippenko wskazuje, że każdy wskaźnik KPI dotyczący wdrożenia AI, bezpośrednio powiązany z wynagrodzeniem, jest natychmiastowym sygnałem ostrzegawczym.
To odpowiednik mierzenia wyników prawnika na podstawie liczby drukowanych przez niego stron albo efektywności programisty na podstawie liczby wierszy kodu.
Yasser Drif, którego firma Roman AI tworzy narzędzia AI wdrażane w różnych organizacjach, proponuje praktyczny punkt wyjścia.
Pobierz dane o wykorzystaniu z 30 dni, posortuj je według wydatków i zapytaj, co faktycznie zostało wdrożone. Czy ta osoba może pokazać Ci konkretny rezultat?
Sygnały ostrzegawcze, których wypatruje jego zespół, obejmują użytkowników generujących wysokie wydatki bez przypisanego rezultatu, zawyżanie liczby uruchomień, gdy zadanie obejmuje dziesięć lub więcej interakcji z AI bez zmiany statusu, oraz pojedynczego entuzjastę AI zużywającego nieproporcjonalną część kredytów na wykorzystanie, a jednocześnie wytwarzającego niewiele ukończonej pracy. Jeśli pulpity nawigacyjne nie potrafią odpowiedzieć na pytanie „co zostało wdrożone”, jest to pierwszy problem do rozwiązania.
Jeśli w Twojej organizacji istnieją pulpity nawigacyjne wykorzystania AI z widocznością danych innych pracowników lub jeśli wielkość wykorzystania pojawia się gdziekolwiek w ocenie wyników, cyklu wyznaczania celów albo procesie raportowania menedżerskiego, właśnie tam występuje ryzyko tokenmaxxingu. Pytanie nie brzmi, czy dane są gromadzone — lecz czy są widoczne w sposób wywołujący presję konkurencyjną na wielkość wykorzystania zamiast na jakość.
Pomiar AI oparty na rezultatach wygląda różnie w zależności od funkcji. W sprzedaży może śledzić, czy kontakt z klientami wspierany przez AI poprawił współczynniki konwersji, a nie ile promptów wysłał przedstawiciel handlowy. W operacjach może śledzić skrócenie czasu realizacji lub wskaźnik błędów w procesach wspieranych przez AI, a nie dzienniki wykorzystania systemu.
Zasada projektowa jest taka sama we wszystkich tych obszarach. Mierz to, co zmieniło się w wyniku wykorzystania AI, a nie samo wykorzystanie. Wymaga to współpracy liderów poszczególnych funkcji z działem HR w celu ustalenia, jak w praktyce wygląda „lepiej”, zanim powstaną ramy pomiaru, a nie dopiero po ich utworzeniu.
More Articles
- Czego firmy średniej wielkości nauczyły się o transformacji AI w 2025 roku
- Ciągła informacja zwrotna na temat wyników pracy brzmi przełomowo, dopóki nie zobaczysz, jak firmy ją wdrażają
- Sztuczna inteligencja w operacjach biznesowych: jak przekształcić nowe technologie w strategiczną przewagę biznesową
- Wiceprezes ds. Ludzi i Organizacji w firmie AI o statusie jednorożca mówi, że liderzy HR muszą stać się architektami zespołu ludzi i maszyn
- Doradczyni ds. talentów mówi, że sztuczna inteligencja przyspiesza narastanie długu organizacyjnego, zamiast go rozwiązywać
Jaki komunikat wysyłasz?
Komunikacja przywódcza wymaga ponownej kalibracji wraz ze wskaźnikami. Jeśli jedyne komunikaty, jakie pracownicy słyszą na temat AI, dotyczą wskaźników adopcji i kamieni milowych użytkowania, ukryty sygnał jest taki, że monitorowane jest wykorzystanie.
Liderzy, którzy chcą rzeczywistego rozwoju kompetencji w zakresie AI, powinni mówić o konkretnych rezultatach: o tym, jak AI zmieniła sposób pracy zespołu, czego nauczył organizację konkretny eksperyment, gdzie wdrożenie się nie powiodło i co to ujawniło. Tego rodzaju narracja sygnalizuje, że organizacja ceni uczenie się, a nie samo demonstrowanie uczenia się.
Skorygowanie kursu w zespole, w którym maksymalizowanie tokenów jest już obecne, wymaga ostrożności. Pracownicy, którzy manipulowali wskaźnikiem, zwykle reagowali na sygnał wysłany przez kierownictwo. Traktowanie tego jako problemu indywidualnego zachowania pomija ten fakt i tworzy dokładnie takie warunki, w których szczere raportowanie zaczyna wydawać się ryzykowne.
Gdy pracownicy są gotowi wykonywać bezsensowną pracę tylko po to, by odhaczyć pole, nie jest to problem ze wskaźnikiem — mówi Filippenko. To rozkład operacyjny.
Naprawa sytuacji oznacza, że kierownictwo musi uznać sygnał, który wysłało, zanim poprosi ludzi o zmianę zachowania.
Bardziej produktywne podejście dla menedżerów polega na ponownym określeniu oczekiwań dotyczących tego, na czym organizacji naprawdę zależy, a następnie zapewnieniu ludziom możliwości zademonstrowania rzeczywistych kompetencji. Oznacza to widoczne przykłady doceniania sukcesów opartych na rezultatach, a nie tylko usunięcie starego wskaźnika.
Sugerowana przez Drif interwencja jest bezpośrednia i warta rozważenia: publiczna zmiana nazwy wskaźnika z „wykorzystanie AI” na „praca wykonana z pomocą AI”. Sama zmiana nazwy wysyła ludziom sygnał, co naprawdę ceni organizacja, bez konieczności wskazywania kogokolwiek za zachowanie wywołane przez stary wskaźnik.
Poruszanie się w warunkach niejednoznaczności
Głębsza dyscyplina w tym obszarze polega na cierpliwym akceptowaniu niejednoznaczności. Większość organizacji nie jest jeszcze w stanie precyzyjnie mierzyć wpływu AI na rezultaty biznesowe, a presja, by w międzyczasie pokazać cokolwiek, jest realna. Panele wskaźników i rankingi wypełniają tę próżnię, ponieważ generują liczby, a liczby sprawiają wrażenie rozliczalności.
Problem polega na tym, że rozliczalność, którą generują, dotyczy niewłaściwej rzeczy. Budowanie systemów pomiarowych, które rozliczają ludzi z rezultatów, trwa dłużej i wymaga większego zaangażowania w projektowanie międzyfunkcyjne, ale jest to jedyne podejście, które nie zniekształci danych, których ostatecznie będziecie potrzebować, aby podejmować lepsze decyzje.
Maksymalizowanie tokenów to sygnał ostrzegawczy na wczesnym etapie, a nie cel końcowy. Potraktujcie go jako sygnał kulturowy, który już teraz należy traktować poważnie, a w przyszłości będziecie dysponować znacznie lepszymi danymi dotyczącymi wyników i znacznie zdrowszą adopcją AI.
