Tokenmaxxing

Tokenmaxxing เป็นคำที่โผล่ขึ้นมาจากภายใน Meta ในปี 2026 และกลายเป็นข่าวใหญ่ในช่วงกลางปี ใช้เรียกพฤติกรรมของพนักงานที่เร่งใช้ token ของเครื่องมือ AI ให้มากที่สุดเท่าที่ทำได้ เพื่อไต่อันดับบนกระดานผู้ใช้งานภายในและเพื่อให้ดูเหมือนว่ากำลังใช้ AI อย่างจริงจัง โดยที่ผลงานจริงไม่ได้ดีขึ้นตามปริมาณที่ใช้ ท้ายคำว่า maxxing มาจากสแลงอินเทอร์เน็ตที่แปลว่าดันตัวเลขอะไรสักอย่างให้สุดทาง จุดเริ่มต้นคือ Meta ตั้งการใช้ AI ให้เป็นความคาดหวังหลักในการประเมินผลงาน แล้วทำกระดานอันดับภายในชื่อ Claudeonomics ที่โชว์ผู้ใช้โทเคนสูงสุด 250 อันดับแรกพร้อมฉายาอย่าง Token Legend และ Cache Wizard ผลคือมีการรายงานว่าพนักงานใช้โทเคนรวมกัน 73.7 ล้านล้านโทเคนภายในราวสามสิบวัน และมีคนที่ใช้คนเดียว 281,000 ล้านโทเคนในช่วงเวลาเดียวกัน

ปัญหาที่คำนี้ชี้ให้เห็นคือการวัดผลด้วยตัวเลขที่ผิด สิ่งที่พนักงานทำเพื่อดันอันดับคือยิงคำถามซ้ำๆ และรันงานคู่ขนานโดยไม่จำเป็น ซึ่งเป็นตัวอย่างตรงตัวของกฎ Goodhart ที่ว่าเมื่อตัวชี้วัดกลายเป็นเป้าหมาย มันจะเลิกเป็นตัวชี้วัดที่ดี ปลายทางคือต้นทุนที่มีรายงานว่าแตะระดับพันล้านดอลลาร์ต่อปีจากการใช้งานภายในอย่างเดียว Andrew Bosworth ซึ่งเป็น CTO ของ Meta ออกบันทึกภายในเบรกเรื่องนี้ด้วยประโยคว่า "Nobody should be using AI tools just for the sake of using them" และ "All motion is not progress and token usage alone is not a measure of impact of any kind." จากนั้นบริษัทยุบกระดานอันดับทิ้ง และวางแผนคุมด้วยงบโทเคนรายทีม แดชบอร์ดกลางชื่อ AI Gateway ที่ดูการใช้งานกับค่าใช้จ่ายในที่เดียว และการแจ้งเตือนอัตโนมัติเมื่อค่าใช้จ่ายพุ่งผิดปกติ โดยตั้งเป้าใช้จริงในปี 2027 ข้อควรระวังคือตัวเลขต้นทุนที่สื่อรายงานเป็นการประมาณจากราคาต่อล้านโทเคน และ Meta ไม่เคยยืนยันตัวเลขนี้อย่างเป็นทางการ ส่วนไทม์ไลน์ของเรื่องนี้แหล่งข่าวแต่ละเจ้าก็ระบุไม่ตรงกันเป๊ะ จึงควรอ่านเป็นภาพรวมมากกว่ายึดวันที่แบบละเอียด

สำหรับองค์กรไทยที่กำลังผลักดันให้พนักงานใช้ AI ให้ทั่วถึง กรณีนี้เป็นบทเรียนที่ใช้ได้ทันที เพราะวิธีที่ง่ายที่สุดในการวัดว่าใครใช้ AI แล้วบ้างคือดูปริมาณการใช้ ซึ่งเป็นตัวเลขที่ปั่นได้ง่ายที่สุดพอดี ตัวชี้วัดที่ทนต่อการปั่นมากกว่าคือสิ่งที่ผูกกับผลงานปลายทาง เช่น เวลาที่ใช้ต่อชิ้นงานลดลงไหม คุณภาพงานที่ส่งออกไปเปลี่ยนไปอย่างไร หรือมีงานประเภทไหนที่เคยทำไม่ไหวแล้วตอนนี้ทำได้ ประเด็นนี้ต่อตรงกับการคิด ai-roi เพราะถ้าองค์กรวัด adoption ด้วยปริมาณการใช้อย่างเดียว ตัวเลขจะสวยขึ้นเรื่อยๆ พร้อมกับบิลที่โตขึ้นเรื่อยๆ โดยไม่มีใครตอบได้ว่าได้อะไรกลับมา

ตัวอย่างจากบทสนทนาจริง

ผู้บริหาร: "ไตรมาสนี้เราจะวัด AI adoption ด้วยจำนวนโทเคนที่แต่ละทีมใช้ แล้วทำ leaderboard ประกาศทุกเดือน ทีมไหนใช้เยอะสุดได้รางวัล ว่าไง"

หัวหน้าฝ่ายข้อมูล: "ผมขอค้านตรงนี้ครับ Meta ทำแบบนี้มาก่อนแล้วเจอสิ่งที่เขาเรียกว่า tokenmaxxing คือพนักงานยิงคำถามซ้ำๆ เพื่อดันอันดับ ตัวเลขขึ้นสวยแต่ผลงานเท่าเดิม สุดท้ายเขาต้องยุบกระดานทิ้ง ถ้าเราอยากวัดจริงๆ ผมเสนอวัดที่งาน เช่น ทีมบริการลูกค้าปิดเคสเร็วขึ้นกี่เปอร์เซ็นต์ แล้วค่อยเอาต้นทุนโทเคนมาหารดูว่าคุ้มไหม แบบนั้นปั่นตัวเลขไม่ได้ครับ"

ระวังสับสนกับ

• ai-roi : AI ROI คือการวัดว่าเงินที่ลงไปกับ AI ได้ผลตอบแทนกลับมาคุ้มหรือไม่ ซึ่งเป็นสิ่งที่ควรวัด ส่วน tokenmaxxing คืออาการที่เกิดขึ้นเมื่อองค์กรวัดผิดจุด คือไปวัดปริมาณการใช้แทนผลลัพธ์
• shadow-ai : shadow AI คือการที่พนักงานแอบใช้เครื่องมือ AI นอกระบบที่องค์กรอนุมัติ ซึ่งเป็นปัญหาเรื่องการควบคุมและความปลอดภัย ส่วน tokenmaxxing เกิดในเครื่องมือที่องค์กรอนุมัติและสนับสนุนเอง เป็นปัญหาเรื่องแรงจูงใจกับต้นทุน
• cache-tokens : cache tokens เป็นกลไกทางเทคนิคที่ช่วยลดต้นทุนต่อครั้งเมื่อส่งบริบทเดิมซ้ำ เป็นเรื่องของการประหยัด ส่วน tokenmaxxing เป็นเรื่องพฤติกรรมคนที่ทำให้ยอดใช้งานรวมพุ่ง แม้ราคาต่อหน่วยจะถูกลงก็ตาม