A pressão para adotar a Inteligência Artificial (IA) no ambiente de trabalho é inegável, mas uma nova e controversa tendência está ganhando força: o Token Maxxing. Empresas ao redor do mundo começaram a ranquear seus funcionários pelo volume de tokens de IA consumidos, transformando o uso da tecnologia em uma métrica de desempenho individual. Mas será que essa corrida por números realmente impulsiona a produtividade ou apenas cria uma ilusão perigosa?
O Que é Token Maxxing e Por Que Virou Tendência?
Token Maxxing refere-se à prática de maximizar o consumo de tokens de IA, muitas vezes com o objetivo de demonstrar alta produtividade ou engajamento com a tecnologia.
Relatos do New York Times mostram que um engenheiro da OpenAI consumiu o equivalente a 33 Wikipedias em uma semana, enquanto outros profissionais relatam gastos pessoais significativos com ferramentas como o Claude.
Na Meta, funcionários criaram tabelas internas para ranquear colegas pelo uso de tokens, evidenciando a internalização dessa métrica.
A visão mais audaciosa vem de Jensen Huang, CEO da Nvidia, que propôs orçamentos anuais em tokens equivalentes à metade do salário para engenheiros.
Ele projeta um futuro onde 75 mil humanos trabalharão com 7,5 milhões de agentes de IA em sua empresa, um sinal claro de uma nova era.
Essa defesa do consumo intenso de IA não é apenas visionária; para Huang, há um evidente interesse econômico, já que a Nvidia vende as GPUs que processam essa demanda.
Outros CEOs também veem o uso massivo de IA como um sinal de ambição, eficiência e adaptação ao futuro do trabalho.
- Um engenheiro da OpenAI consumiu 210 bilhões de tokens em uma semana.
- Na Meta, funcionários criaram rankings internos de consumo de tokens.
- O CEO da Nvidia propôs orçamentos de tokens equivalentes a metade do salário.
A Pressão Invisível pela Adoção da IA
No Brasil, a lógica do Token Maxxing já se manifesta, mesmo sem o nome. Há uma pressão crescente de investidores e executivos para acelerar a adoção da IA em diversos setores.
A intenção é compreensível: a IA está transformando o mercado e ninguém quer ficar para trás na busca por ganhos de produtividade.
Contudo, a forma como essa adoção é conduzida é o grande problema. Muitas empresas cobram o uso da IA sem oferecer o suporte necessário.
Os principais desafios na adoção da IA incluem:
- Falta de capacitação mínima: Colaboradores são cobrados a usar a IA sem treinamento adequado.
- Ausência de políticas claras: Não há diretrizes bem definidas sobre como a IA deve ser utilizada.
- Dificuldade em medir a qualidade: As empresas não sabem como avaliar a eficácia real das entregas geradas por IA.
Essa pressão pode levar funcionários a usar a IA apenas para parecer mais produtivos, em vez de realmente aprimorar seu trabalho.
Um sintoma preocupante é o “Workslop”, termo que descreve entregas descuidadas feitas com IA que, embora pareçam rápidas, carecem de resultados e qualidade.
O Perigo das Métricas de Desempenho Baseadas em IA
A velocidade com que o uso de IA se tornou uma métrica de desempenho individual surpreende. Empresas como Meta, Shopify e OpenAI já sinalizam essa expectativa.
Em muitos ambientes, não usar IA em ritmo acelerado, independentemente da qualidade do que se entrega, pode se tornar um risco para a carreira.
Essa narrativa, no entanto, não é unânime. Bryan Catanzaro, vice-presidente da Nvidia, contradiz seu chefe ao afirmar que “para a minha equipe, o custo de computação está muito acima do custo dos funcionários”.
Empresas que demitiram juniores para investir em agentes de IA começam a questionar se o custo de processamento somado ao retrabalho não supera os salários cortados.
A incerteza é constante, e medir a produtividade apenas pelo consumo de IA se mostra um caminho complexo e cheio de armadilhas.
A Lei de Goodhart e a Ilusão da Produtividade
Um princípio econômico fundamental, a Lei de Goodhart, ajuda a entender os riscos do Token Maxxing: “Toda métrica, quando vira meta, deixa de ser uma boa métrica”.
O Token Maxxing é uma versão moderna desse princípio. Quando o uso de tokens se torna o objetivo principal, a otimização se volta para a quantidade, não para a qualidade.
Funcionários passam a focar em parecer produtivos, gerando volumes altos de saídas de IA, mas sem necessariamente entregar resultados de valor.
Se as empresas adotarem essa métrica como central, correm o sério risco de cair na “ilusão de desempenho”.
Em vez de identificar quem trabalha melhor, elas acabarão medindo quem apenas parece usar mais IA, mascarando a verdadeira eficácia e comprometendo a inovação.
Para evitar essa armadilha, é crucial focar em resultados tangíveis e na capacitação contínua dos colaboradores, garantindo que a IA seja uma ferramenta para aprimorar, não para simular.
