Компании в США и других технологических центрах пересматривают подход к использованию генеративного искусственного интеллекта после волны модных практик вроде prompt engineering, vibe coding и «токенмаксинга» — стремления наращивать потребление ИИ-сервисов ради внутренних метрик, а не ради измеримого результата. Поводом для разворота стали растущие расходы на вычисления, давление на бюджеты и сомнения менеджеров в том, что высокий объем запросов к моделям сам по себе повышает производительность.
Термин «токенмаксинг» закрепился в корпоративной среде как обозначение поведения, при котором сотрудники стараются увеличить число токенов — единиц текста, которые обрабатывают большие языковые модели. Изначально компании поощряли такую активность как форму эксперимента и ускоренного внедрения ИИ. Однако к середине 2026 года руководители все чаще называют этот показатель пустой или даже вредной метрикой, если он не связан с выпуском продуктов, качеством кода, скоростью обслуживания клиентов или прямой экономией.
По данным публикаций деловых и технологических СМИ, разворот уже заметен в нескольких крупных компаниях. В Amazon признали, что внутри компании закрыли внутренний рейтинг, связанный с токенами, и сместили фокус на практическую отдачу от ИИ. В Cognizant генеральный директор Рави Кумар С. прямо назвал «токенмаксинг» vanity metric, то есть показателем тщеславия, который не отражает реальной ценности для бизнеса. В Uber президент и операционный директор Эндрю Макдональд заявил, что компания пока не видит прямой связи между ростом потребления ИИ и выпуском успешных потребительских продуктов.
Почему мода на ИИ-метрики начала давать сбой
Ранний этап внедрения генеративного ИИ сопровождался убеждением, что чем активнее сотрудники используют модели OpenAI, Anthropic, Google и других поставщиков, тем быстрее бизнес получит выигрыш в эффективности. На этой волне появились новые роли и практики: от специалистов по prompt engineering до команд, которые оценивали прогресс по объемам запросов и числу обработанных токенов.
Но по мере перехода от пилотных проектов к масштабному применению выяснилось, что такой подход дорого обходится компаниям. Финансовые директора и инженерные подразделения стали внимательнее смотреть не на число обращений к моделям, а на стоимость одного полезного результата: готового программного модуля, обработанного кейса поддержки, созданного документа или ускоренного бизнес-процесса. Особенно остро вопрос встал в компаниях с тысячами сотрудников, где массовое использование платных моделей быстро превращается в заметную строку расходов.
Дополнительный фактор — разрыв между экспериментальной активностью и качеством результата. Сотрудники могут генерировать больше запросов, прогонять больше текста через модели и поднимать внутренние показатели, но это не гарантирует ни лучшего кода, ни более точных ответов клиентам, ни ускорения вывода продуктов на рынок. Более того, избыточное использование ИИ может создавать новые издержки: необходимость перепроверки, риски утечек данных, ошибки в коде и нагрузку на команды безопасности и комплаенса.
Что меняется в корпоративной стратегии
На фоне этих сомнений бизнес переходит от гонки за объемом к контролю за эффективностью. Компании вводят лимиты, смотрят на окупаемость по подразделениям, закрывают внутренние лидерборды и требуют от команд более четко обосновывать, зачем именно нужен тот или иной ИИ-инструмент. Для рынка это важный сигнал: после периода ажиотажа корпоративные заказчики хотят видеть не абстрактную «адопцию ИИ», а конкретную отдачу в деньгах, времени и качестве.
Это не означает отказ от генеративного ИИ как такового. Напротив, крупнейшие компании продолжают внедрять модели в разработку, аналитику, поддержку и документооборот. Но критерии успеха становятся жестче. Вместо простой логики «используйте ИИ как можно больше» бизнес переходит к вопросу: где именно ИИ дает устойчивый прирост, а где лишь раздувает затраты и создает красивую отчетность без результата.
Для поставщиков ИИ-моделей и инфраструктуры такой сдвиг тоже чувствителен. Если корпоративные клиенты перестанут считать объем токенов главным признаком прогресса, рынок начнет сильнее давить на цены, прозрачность биллинга и доказанную производительность моделей в реальных задачах. Это может изменить баланс в отрасли, где инвесторы долго смотрели прежде всего на скорость роста потребления вычислений.
Коротко о главном
Мода на prompt engineering и «токенмаксинг» помогла быстро втянуть бизнес в использование генеративного ИИ, но к 2026 году компании столкнулись с простым ограничением: высокий расход токенов не равен высокой эффективности. Теперь рынок входит в более зрелую фазу, где победят не те, кто заставит сотрудников чаще обращаться к моделям, а те, кто сумеет привязать ИИ к измеримой бизнес-ценности. В ближайшие месяцы можно ожидать ужесточения контроля расходов, пересмотра внутренних KPI и роста спроса на решения, которые доказывают окупаемость, а не просто наращивают потребление.
