متا معیار ارزیابی مهندسان را از میزان مصرف توکن به کیفیت کد تغییر داد

تصور کنید برای ترفیع شغلی، به جای کیفیت کد، تعداد صفحاتی که چاپ کرده‌اید را بشمارند؛ این دقیقاً همان وضعیتی است که مهندسان متا با آن دست‌وپنجه نرم می‌کردند. حالا این شرکت تصمیم گرفته است تا سیستم پاداش‌دهی خود را به‌طور کامل بازنگری کند.

به گزارش The Information در ۸ سپتامبر ۲۰۲۶، مدیران ارشد متا، ماهر سابا و سانتوش جاناردان، تأیید کردند که دیگر میزان مصرف توکن (Token) — که مثل برش‌های کوچک یک کیک است و مدل‌های هوش مصنوعی متن را تکه‌تکه می‌خورند — معیاری برای سنجش بازدهی مهندسان نخواهد بود. این تغییر در پاسخ به پدیده‌ای به نام «توکن‌مکسینگ» (Tokenmaxxing) رخ داد؛ وضعیتی که در آن کارکنان برای صعود در جدول رده‌بندی داخلی، منابع هوش مصنوعی را به‌طور انبوه و بی‌هدف مصرف می‌کردند. این رویکرد در راستای تغییر معیار سنجش کارکنان در متا است تا تمرکز از سهمیه مصرف به کاربردهای واقعی منتقل شود.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی هزینه‌های پنهان استنتاج در سازمان‌ها اشاره کردیم، تبدیل ابزارهای بهره‌وری به معیارهای نمایشی، منجر به ایجاد انگیزه‌های منحرف می‌شود. در متا، این رفتار باعث شد کیفیت کد فدای کمیتِ مصرفِ منابع شود.

طبق مستندات داخلی این شرکت، پیامدهای مالی این بازی با سیستم بسیار سنگین است:

• پیش‌بینی می‌شود هزینه‌های عملیاتی هوش مصنوعی در داخل متا تا سال ۲۰۲۶ به میلیاردها دلار برسد.
• متا برای مقابله با این وضعیت، از سال ۲۰۲۷ بودجه‌های سخت‌گیرانه و یک داشبورد ردیابی متمرکز را اجرا خواهد کرد. این چالش‌های بودجه‌ای یادآور تجربه مشابهی است که اوبر در مدیریت بودجه سالانه هوش مصنوعی خود با آن مواجه شد.
• ارزیابی‌های عملکردی از این پس منحصراً بر اساس کیفیت، سرعت و پیچیدگی خروجی نهایی سنجیده می‌شوند.

در کنار بحران هزینه‌ها، اصطکاک‌های داخلی بر سر اتوماسیون پیشرفته‌تر نیز دیده می‌شود. به نقل از WIRED، متا در حال آزمایش Hatch است؛ یک عامل (Agent) — شبیه دستیاری که می‌تواند به‌طور مستقل کارهای کامپیوتری را انجام دهد — اما کارکنان به دلیل نگرانی‌های حریم خصوصی در اتصال این ابزار به حساب‌های شخصی، با آن مخالفت کرده‌اند.

این چرخش راهبردی نشان می‌دهد که اندازه‌گیری «میزان پذیرش» هوش مصنوعی، معیار نادرستی برای سنجش بهره‌وری است. وقتی شرکت‌ها به جای نتیجه، به استفاده از ابزار پاداش می‌دهند، فرهنگی از فعالیت‌های مصنوعی می‌سازند که بدون بهبود محصول، تراز مالی را تخریب می‌کند.

گام بعدی شما

• اگر مدیر تیم هستید، معیارهای KPI خود را از «تعداد دفعات استفاده از AI» به «کاهش زمان تحویل ویژگی‌ها» تغییر دهید.
• در مورد ابزارهای عامل‌محور، پروتکل‌های دسترسی به داده‌های شخصی را پیش از استقرار تعریف کنید.
• هزینه‌های استنتاج را به عنوان یک متغیر عملیاتی در بودجه سالانه لحاظ کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.