Після tokenmaxxing: чому витрати на токени — це вартість, а не показник продуктивності

Логіка була простою. Якщо AI робить інженерів швидшими, то інженер, який використовує більше AI, мабуть, і робить більше. Тож обсяг використання став сигналом амбіцій, а сигнал перетворився на табло. Приклади, про які писали у 2026 році, показують, як далеко це зайшло:

• Рейтинги. The New York Times писала про внутрішні рейтинги використання токенів у великих компаніях, що активно працюють з AI, а Fortune повідомляв, що один такий рейтинг у Meta охоплював десятки тисяч співробітників і десятки трильйонів токенів на місяць.
• Токени як частина компенсації. Дженсен Хуанг із Nvidia запропонував давати інженерам бюджет у токенах приблизно на половину базової зарплати, а Алі Годсі з Databricks сказав, що його б насторожило, якби високооплачуваний інженер не витрачав на токени значну частку своєї зарплати.
• Рахунки розміром із зарплату. Окремі інженери розповідали журналістам, що, ймовірно, витрачають на AI більше, ніж заробляють, а різницю покриває роботодавець.

Ніхто з цих людей не діяв нераціонально. На початку технологічного зсуву інтенсивне використання справді непогано показує, що команда вчиться. Проблема починається тоді, коли замінник мети стає метою.

До весни тон історій змінився. Повідомлялося, що Uber витратив увесь AI-бюджет на 2026 рік приблизно за чотири місяці, а керівництво компанії публічно визнало, що зв’язок між витратами на AI і тим, що дійшло до клієнтів, поки неочевидний. Аналітики почали прогнозувати, що витрати на AI-кодинг на одного розробника за кілька років можуть наблизитися до його зарплати — значною мірою тому, що ліцензування переходить від місць до оплати за споживання.

Телеметрія від вендорів інженерної аналітики додала другу, менш приємну картину. Команди з інтенсивним використанням AI закривали більше задач і зливали більше pull request-ів, але водночас мали більше багів на розробника, довше рев’ю і більше змін, злитих без рев’ю. На вході стало більше роботи; не вся вона вийшла з іншого боку як цінність.

Витрати було легко побачити. Що за них купили — ні.

Оцінювати інженерів за токенами — це повторювати найстарішу помилку в метриках розробки: рахувати рядки коду. Велике число може означати багато корисної роботи, а може — багато руху на місці. З агентами для коду другий випадок трапляється часто, і на це є структурна причина.

Сесія агента — це цикл. На кожному кроці моделі заново надсилається весь контекст, що постійно росте, тож більшу частину рахунку становлять вхідні токени, а не код, який пише агент. Опубліковані розбори агентних сесій показують, що вхідних токенів більше, ніж вихідних, у понад двадцять разів. Сесія, що постійно повторює спроби, перечитує файли й відходить від задачі, спалює токени швидше, ніж та, що чисто завершується, а двоє інженерів з тим самим інструментом на схожій роботі можуть відрізнятися за вартістю на порядок.

Рейтинг не здатен відрізнити ці рядки один від одного. Він винагороджує їх однаково.

Природна реакція на вичерпаний бюджет — ліміт. Обмеження на місце, примусовий перехід на дешевші моделі, заморожування преміум-планів. Це зупиняє кровотечу, але використовує ту саму зламану метрику навпаки: тепер кожен токен вважається марнотратством, а не прогресом.

• Однаковий ліміт карає інженерів, чиї дорогі сесії справді доходять до продакшну, разом із тими, хто ходить по колу.
• Дешевша модель може коштувати більше за кожну завершену зміну, якщо їй потрібно більше кроків і повторних спроб.
• Заморожування ховає проблему до наступного бюджетного циклу і нікому не каже, які робочі процеси були варті грошей.

Витрати на токени — реальне число, і йому місце на дашборді. Просто поруч із роботою, за яку заплачено, а не окремо. Зсув — від «скільки ми використали» до «скільки коштувала кожна випущена зміна і що коштувало грошей, нічого не випустивши»:

1. 1

   Вартість кожної випущеної зміни

   Простежте зміну від задачі до AI-сесії, коміту, pull request-у, CI та деплою і складіть, скільки вона коштувала на цьому шляху.
2. 2

   Витрати, що нікуди не привели

   Сесії без коміту, pull request-и, закриті без злиття, і невдалі запуски CI — саме тут tokenmaxxing непомітно перетворюється на втрати.
3. 3

   Основа кожного числа

   Знайте, які цифри повідомив провайдер, які виміряно й помножено на ціну, а які оцінено. Відсутня ціна — це прогалина, а не нуль.
4. 4

   Проєкти й процеси, а не люди

   Корисне питання — які види роботи AI робить дешевшими. Ранжування людей за витратами, в будь-який бік, відтворює проблему рейтингів.

Саме навколо цього погляду побудовано Nythrex: вартість кожної зміни від AI-промпту до продакшну, основа кожної цифри поруч із нею та іменовані правила, що вказують на гроші, які не дали результату. Він не ранжує людей і не оцінює продуктивність. Як працює ланцюг · Як виглядають поради.

Tokenmaxxing був етапом, і, мабуть, корисним: він змусив команди справді освоїти інструменти. Наступний етап менш захопливий і важливіший. Витрати на AI стають однією з найбільших статей інженерного бюджету, і, як кожну велику статтю, їх попросять пояснити. Команди, які можуть показати, скільки коштувала кожна зміна і куди гроші пішли без жодного результату, збережуть свої бюджети. Команди, які можуть показати лише кількість токенів, їх втратять.

• Faros AI — Tokenmaxxing: why token consumption isn’t AI engineering productivity (2026)
• Forbes — After tokenmaxxing, token spend has become the new metric to watch (липень 2026)
• CNBC — Nvidia’s Huang pitches AI tokens on top of salary (березень 2026)
• Forbes — The ‘AI gods’ spending as much as they can on AI tokens (березень 2026)
• Vantage — The hidden cost driver in agentic coding sessions (квітень 2026)