Tokenmaxxing perde força diante de orçamentos rígidos, mas modelos abertos podem mudar o cenário

A prática de 'tokenmaxxing', que incentivava intensamente o uso de ferramentas de IA, parece estar perdendo fôlego devido aos custos elevados. O movimento, onde funcionários competiam para ver quem consumia mais 'tokens' (unidades de uso de IA), foi impulsionado inicialmente por empresas como Meta e Amazon. No entanto, o alto faturamento das fornecedoras de IA, como OpenAI e Anthropic, forçou uma reavaliação. A tendência agora é o 'tokenminning', focando na eficiência e no custo-benefício.

O artigo original em 12 Grams of Carbon sugere que o 'tokenmaxxing' não foi apenas um incentivo acidental, mas uma estratégia deliberada para superar a resistência inicial de alguns funcionários ao uso de IA. A ideia era forçar a familiarização com as ferramentas, mesmo que isso gerasse custos mais altos inicialmente. Com a adoção mais generalizada, os holofotes agora se voltam para o retorno sobre o investimento (ROI).

A evolução mais clara é a transição do 'tokenmaxxing' para o 'tokenminning'. Anteriormente, o foco era no volume de uso, com empresas chegando a criar rankings internos para incentivar o consumo de tokens. Agora, a preocupação principal é a otimização de custos e a busca por modelos de IA mais eficientes e menos onerosos. A Uber, por exemplo, já consumiu sua projeção de gastos com IA em quatro meses e impôs limites, enquanto Meta e Amazon removeram seus rankings de 'tokenmaxxing'.

A mudança de paradigma do 'tokenmaxxing' para o 'tokenminning' reflete uma maturidade no uso corporativo da IA. Empresas que antes incentivavam o uso indiscriminado agora buscam justificar cada centavo gasto, focando em aplicações que comprovadamente geram valor. Essa busca por eficiência financeira pode acelerar a adoção de modelos de IA de código aberto, que tendem a ser mais acessíveis e customizáveis, abrindo caminho para novas estratégias de ROI.

A capacidade de executar tarefas complexas por longos períodos com IA, a chamada 'compounding correctness', sugere que, embora os custos possam aumentar, o benefício também cresce. O desafio agora é encontrar o equilíbrio. Há uma pressão crescente para vincular diretamente o gasto com IA à entrega de funcionalidades úteis, e a falta dessa conexão clara torna o investimento mais difícil de justificar. A eficiência via modelos mais baratos ou o uso estratégico de modelos avançados em tarefas específicas se tornam cruciais para a sustentabilidade.