Tappa inte tråden: Så förhindrar du att AI-användning blir ett prestationsmått
Problemet med tokenmaximering: Medarbetare manipulerar mått på AI-tokenanvändning i stället för att fokusera på faktisk produktivitet.
Brister i mätningen: Nuvarande utvärderingsmetoder prioriterar AI-aktivitet framför meningsfulla resultat, vilket leder till missvisande prestationsindikatorer.
Risker för urholkning: Beroendet av användningsdata försämrar dess tillförlitlighet och gör det svårt att bedöma medarbetares faktiska prestation.
Strategier för att förebygga detta: Organisationer bör övergå till resultatbaserade AI-mått och betona kvalitet framför kvantitet i prestationsbedömningen.
Kommunikation från ledningen: Ett effektivt ledarskap behöver prioritera läranderesultat i diskussioner om AI för att främja genuin kompetensutveckling.
I början av april 2026 avslöjade en läckt intern instrumentpanel från Meta att företaget hade rangordnat sina ungefär 85 000 anställda efter AI-tokenförbrukning.
Token är de dataenheter som AI-modeller bearbetar, och någon på Meta beslutade att det var ett användbart sätt att följa vilka som faktiskt använde AI. Den främsta användaren hade förbrukat 281 miljarder token under en enda månad. Den totala användningen som följdes på instrumentpanelen översteg 60 biljoner token innan den togs bort.
Kort därefter rapporterade Financial Times om ett parallellt mönster på Amazon. Anställda automatiserade onödiga uppgifter specifikt för att blåsa upp sina AI-användningssiffror och skapa intrycket av engagemang i företagets 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
Beteendet har sedan fått namnet ”tokenmaxxing”, lånat från Gen Z-slang för att maximera något, vilket i det här fallet är den synliga användningen av AI snarare än det som AI-användningen är tänkt att åstadkomma.
Två av världens största företag, samma dynamik och ett namn som antyder att det sprider sig.
Tokenmaxxing är inte så mycket ett teknikproblem som ett problem med prestationsstyrning och företagskultur, och det bär spår av HR och verksamhetsstyrning, oavsett om HR var med i rummet när de ursprungliga beslut som skapar problemet fattades.
Någon skapade incitamentet. Någon byggde eller tolererade topplistan. Någon beslutade att förbrukning var en rimlig ersättning för kompetens. Den här artikeln handlar om att förstå hur det går till och vad man kan göra innan det händer.
Varför mätningar går fel
Organisationer ger sig vanligtvis inte in för att skapa kulturer med topplistor. Tokenmaxxing uppstår i utrymmet mellan vad företag faktiskt vill att AI ska leverera och vad de för närvarande kan mäta.
En Gallup-undersökning från februari 2026 bland fler än 23 000 anställda i USA visade att hälften av de yrkesverksamma vuxna använder AI åtminstone några gånger om året, och att anställda i organisationer som använder AI rapporterar mer omvälvningar och oro kring bemanning än de som arbetar i organisationer som ännu inte har infört AI.
Samtidigt visar data från Gartner att endast en av 50 AI-investeringar skapar omvälvande värde, och att endast en av fem ger någon mätbar avkastning på investeringen. McKinseys State of AI 2025 visade att de flesta organisationer fortfarande befinner sig i ett tidigt skede när det gäller att realisera värde på företagsnivå, trots den snabba användningen.
Det som enligt McKinsey skiljer resultat med högre värde från resultat med lägre värde är omformning av arbetsflöden och styrning, inte den totala användningsvolymen.
Men styrelser och vd:ar upplever inte den nyansen. De känner en brådska, och den brådskan övergår i krav på synliga bevis på användning, vilket i sin tur leder till att mellanchefer letar efter något att visa upp. När man inte kan mäta om AI faktiskt förbättrar resultaten mäter man det närmaste man kan komma, nämligen aktivitet. Då kommer instrumentpanelen in i bilden.
Yakov Filippenko, vd för den professionella nätverksplattformen Intch, drar en parallell till kraven på återgång till kontoret. Företag tvingade delvis tillbaka anställda till kontoren eftersom aktieägarna ägde dyra tomma byggnader, menar han.
Nu förbrukar organisationer token för att visa investerare att de inte missar AI-revolutionen. I båda fallen skapade en legitim underliggande press — synlighet för aktieägare och konkurrenspositionering — en mätning som tjänade ytan snarare än verksamheten.
Metas teknikchef Andrew Bosworth gjorde denna logik tydlig genom att offentligt beskriva hur hans bästa ingenjör förbrukade AI-token motsvarande sin lön och som ett resultat var ”5 till 10 gånger mer produktiv”. ”Det är liksom enkla pengar. Fortsätt göra det. Ingen gräns.”
Denna framställning av tokenförbrukning som en produktivitetssignal, från en högt uppsatt teknikchef på ett av världens mest inflytelserika företag, är inte en isolerad åsikt. Den speglar ett bredare misslyckande med att skilja mellan korrelation och orsakssamband. Den högpresterande personen råkar använda många token, så token börjar framstå som orsaken till den höga prestationen i stället för en biprodukt av den.
Misstaget förstärks snabbt. Chefer som ser denna framställning främjas uppifrån och behöver ingen formell topplista för att ta till sig budskapet. Beteendet följer signalen, även när ingen hade för avsikt att sända den.
Vad det kostar
Användningsinstrumentpaneler var redan ett opålitligt mått på AI-produktivitet innan någon började manipulera dem.
Yasser Drif, grundare av Roman AI, delade data från sin kundbas som antyder att gapet mellan aktivitet och resultat är större än de flesta organisationer antar. Endast omkring 24 % av de AI-körningar som initieras av människor resulterar i ett användbart resultat. Resten består av iterationer och pågående arbete som volymmått blåser upp till skenbar produktivitet. Det är utgångsläget. Tokenmaxxing gör det värre.
Den första kostnaden är signalstörning. När användning blir måttet blir användningsdata opålitliga. Du kan inte längre titta på vem som använder mest AI och dra några tillförlitliga slutsatser om vem som presterar, lär sig eller tillför värde.
Data har manipulerats, och du kommer inte alltid att veta av vem. All arbetskraftsanalys som bygger på den ärver den föroreningen.
Den andra kostnaden går djupare. När medarbetare optimerar för skenet av AI-kompetens i stället för att utveckla den har du vänt på de lärandeförutsättningar du faktiskt behöver. Äkta utveckling av AI-kompetens kräver experimenterande, inklusive misslyckade experiment, och ärlig rapportering om vad som fungerade.
En tokenmaximeringskultur skapar press att offentligt visa upp kompetens, samtidigt som ärlig rapportering känns riskfylld. Det är oförenliga förutsättningar.
Den tredje kostnaden är vad som händer med de medarbetare som inte manipulerar något. I en miljö där tokenförbrukning har blivit synlig och hyllad börjar den person som utför noggrant, välavgränsat AI-arbete som ger starka resultat men inte genererar uppseendeväckande siffror känna sig efter.
Den känslan försvinner inte genom lugnande ord. Det snabbaste sättet att få genuin utveckling av AI-kompetens att kännas osäker är att låta personer som inte blåser upp sina siffror tro att de förlorar ett lopp de inte förstår.
Amazon reagerade, till sin heder, på problemet de hade skapat genom att begränsa synligheten för användningsstatistik på teamnivå, så att endast individer och deras närmaste chefer kunde se den. Det är en korrigerande åtgärd. Förebyggande arbete kräver en annan typ av insats tidigare i processen.
Så förhindrar du det
Den praktiska frågan för en CHRO eller COO är var man ska börja. ”Mät resultat, inte insatser” stämmer, men säger ingen vad som ska ändras på måndag morgon.
Börja med en granskning av vad som för närvarande följs upp och vem som ser det. Filippenko flaggar för alla KPI:er för AI-användning som är direkt kopplade till ersättning som en omedelbar varningssignal.
Det motsvarar att mäta en advokats prestation utifrån hur många sidor de skriver ut, eller en utvecklares effektivitet utifrån antalet kodrader.
Yasser Drif, vars företag Roman AI bygger AI-verktyg som används i organisationer, erbjuder en praktisk utgångspunkt.
Hämta 30 dagars användningsdata, sortera efter kostnad och fråga vad som faktiskt levererades. Kan personen visa dig ett konkret resultat?
De varningssignaler hans team håller utkik efter omfattar användare med höga kostnader utan någon kopplad leverans, uppblåsta körningar där en uppgift samlar på sig tio eller fler AI-interaktioner utan någon statusförändring, samt en enda AI-förespråkare som förbrukar en oproportionerligt stor andel av användningskrediterna samtidigt som personen producerar lite färdigt arbete. Om dina instrumentpaneler inte kan besvara frågan ”vad levererades?”, är det det första problemet att åtgärda.
Om din organisation har instrumentpaneler för AI-användning med insyn mellan medarbetare, eller om användningsvolym förekommer någonstans i en prestationsbedömning, målsättningscykel eller chefsrapporteringsprocess, är det där risken för tokenmaximering är aktuell. Frågan är inte om data samlas in — utan om den är synlig på sätt som skapar konkurrenstryck kring volym snarare än kvalitet.
AI-mätning baserad på resultat ser olika ut beroende på funktion. Inom försäljning kan man följa upp om AI-assisterad kundbearbetning förbättrade konverteringsgraden, inte hur många uppmaningar en säljare skickade. Inom verksamhetsdrift kan man följa upp minskad genomloppstid eller felfrekvens i AI-assisterade processer, inte systemets användningsloggar.
Designprincipen är densamma för alla. Mät vad som förändrades till följd av AI-användningen, inte själva användningen. Det kräver att funktionsansvariga och HR samarbetar kring hur ”bättre” faktiskt ser ut innan mätmodeller byggs, inte efteråt.
Vilket budskap förmedlar du?
Ledarskapskommunikationen behöver kalibreras om parallellt med mätvärdena. Om de enda budskapen om AI som medarbetarna hör handlar om användningsgrad och användningsmilstolpar, är den underförstådda signalen att det är förbrukningen som övervakas.
Ledare som vill uppnå verklig utveckling av AI-kompetens behöver tala om specifika resultat, hur AI förändrade sättet ett team arbetar på, vad ett visst experiment lärde organisationen, var en implementering misslyckades och vad det avslöjade. Den här typen av berättande signalerar att organisationen värdesätter lärande, inte att man visar upp lärande.
Att korrigera kursen i ett team där tokenmaxxing redan förekommer kräver varsamhet. Medarbetare som manipulerade ett mätvärde reagerade vanligtvis på en signal som ledningen hade skapat. Om man behandlar det som ett individuellt beteendeproblem missar man detta och skapar exakt de förhållanden som gör att ärlig rapportering känns otrygg.
”När dina medarbetare är villiga att utföra meningslöst arbete bara för att bocka av en ruta, är det inte ett mätproblem”, säger Filippenko. Det är verksamhetsmässigt förfall.
Att åtgärda det innebär att ledningen erkänner den signal den skickade innan den ber människor att ändra sitt beteende.
Det mer produktiva perspektivet för chefer är att återställa förväntningarna på vad organisationen faktiskt bryr sig om och sedan ge människor en väg att visa verklig kompetens. Det innebär synliga exempel på att framgång baserad på resultat uppmärksammas, inte bara att det gamla mätvärdet tas bort.
Drifs föreslagna åtgärd är rak och värd att överväga: byt offentligt namn på mätvärdet, från "AI-användning" till "arbete som slutförts med AI". Själva namnbytet sänder en signal till människor om vad organisationen faktiskt värdesätter, utan att någon behöver pekas ut för det beteende som det gamla mätvärdet skapade.
Att navigera i tvetydighet
Den djupare disciplinen här är tålamod med tvetydighet. De flesta organisationer är ännu inte i en position där de med precision kan mäta AI:s bidrag till verksamhetens resultat, och pressen att visa upp något under tiden är verklig. Instrumentpaneler och topplistor fyller det tomrummet eftersom de producerar siffror, och siffror känns som ansvarsutkrävande.
Problemet är att det ansvarsutkrävande de skapar gäller fel sak. Att bygga mätsystem som håller människor ansvariga för resultat tar längre tid och kräver mer tvärfunktionellt designarbete, och det är den enda metoden som inte förvränger de data du så småningom kommer att behöva för att fatta bättre beslut.
Tokenmaxxing är en tidig varningssignal, inte slutmålet. Se det som en kultursignal värd att ta på allvar nu, så kommer du att ha mycket renare resultatdata och ett mycket hälsosammare införande av AI längre fram.
