Jensen Huang vertelde Nvidia's engineers dat ze AI-tokens ter waarde van minstens de helft van hun jaarsalaris per jaar moeten verbruiken, anders zijn ze niet productief. Managers die AI-gebruik ontmoedigden, noemde hij "gek".
Het voorspelbare gebeurde.
Medewerkers begonnen AI overal voor te gebruiken. Ook voor dingen waarvoor ze het helemaal niet nodig hadden.
Wat tokenmaxxing eigenlijk is
Amazon bouwde een intern scorebord genaamd "Claudeonomics" om bij te houden welke medewerkers de meeste tokens verbrandden. Meta had iets vergelijkbaars. De impliciete boodschap: wie bovenaan staat, is de productiefste persoon in het gebouw.
Teamleden gaven toe dat ze AI voor onnodige taken gebruikten, puur om hun gebruiksscores op te krikken.
Dat is tokenmaxxing. Geen vibe-coding. Geen agentische automatisering. Gewoon het spel spelen dat je opgelegd krijgt, precies zoals mensen altijd spelletjes spelen.
Dit is geen karakterfout. Het is een beloningssysteem dat doet wat beloningssystemen altijd doen.
De wet van Goodhart in een hoodie
Charles Goodhart was een Britse econoom. In 1975 stelde hij iets vast dat inmiddels vanzelfsprekend zou moeten zijn: zodra een maatstaf een doel wordt, houdt ze op een goede maatstaf te zijn.
Je hebt dit eerder gezien. Je bent dit eerder geweest.
Velocity-punten die niets meer betekenden zodra het team leerde groot te schatten. Testdekking die omhoogklom terwijl de kwaliteit van de tests daalde. Responstijden bij incidenten die de SLA-targets haalden, omdat engineers leerden welke meldingen ze het eerst konden sluiten.
"AI-adoptie" is alleen maar de nieuwste variant. Je meet AI-gebruik. Medewerkers produceren AI-gebruik. Je krijgt het cijfer dat je wilde, en geen enkel resultaat dat je nodig had.
De rekening
Microsoft heeft de meeste Claude Code-licenties opgezegd, zes maanden nadat ze aan duizenden medewerkers waren uitgerold. Uber's CTO meldde dat het bedrijf het volledige AI-codeerbudget voor 2026 in vier maanden had opgebruikt. Een onbekend bedrijf gaf per ongeluk 500 miljoen dollar uit aan Claude in één maand, omdat men vergeten was gebruikslimieten in te stellen.
Daarna zei Uber's CTO iets wat de moeite waard is op te schrijven: er is "nog geen verband tussen AI-tokenmaxxing en het succesvol shippen van producten."
Lees dat nog eens. Een bedrijf dat een jaarlijks AI-budget in vier maanden opbrandt, kan niet aantonen dat zijn producten er beter van zijn geworden.
Dat is geen kostenprobleem. Dat is een meetprobleem.
De Jevons-val
Hier helpt "tokens worden goedkoper" je niet.
William Stanley Jevons stelde in 1865 vast dat efficiëntere stoommachines leidden tot meer steenkoolverbruik, niet minder. Efficiëntie verlaagde de kosten per eenheid, maar het verbruik steeg sneller dan de prijs daalde.
AI volgt hetzelfde patroon. Tokenprijzen dalen. Agentische AI-taken verbruiken tot duizend keer meer tokens dan een gewone LLM-query. Goldman Sachs voorspelt een vierentwintigvoudige toename in de tokenvraag tegen 2030, vrijwel volledig gedreven door agentadoptie.
Goedkopere tokens, meer AI-agenten en tokenmaxxing-prikkels samen leiden tot een rekening die je elk kwartaal verrast.
Wat je wél moet meten
Organisaties die echt baat hebben bij AI zijn niet de organisaties die AI-gebruik maximaliseren. Het zijn de organisaties die meten wat AI verandert aan het werk.
Dat betekent:
- Deploymentfrequentie: Worden features sneller geshipt? Hoeveel sneller?
- Foutpercentage in productie: Bereiken er minder bugs de eindgebruiker?
- Doorlooptijd van reviews: Hoe lang duurt het van PR tot merge?
- Tijd aan herstelwerk: Besteden engineers minder tijd aan het repareren van dingen die ze al hadden gebouwd?
Geen van die zijn tokens. En geen van die is te manipuleren door AI een Slack-thread te laten samenvatten die je toch al had gelezen.
Als je AI-adoptieprogramma niet naar één van die cijfers kan wijzen dat de goede kant op beweegt, heb je geen AI-adoptieprogramma. Je hebt een dure ijdelheidsmaatstaf en een scorebord.
De eerlijke bekentenis
De uitspraak van Uber's CTO is het nuttigste wat een technisch leider dit jaar over AI heeft gezegd, juist omdat die niet bedoeld was om nuttig te zijn. Het was geen opiniestuk. Het was een toelichting bij een bezuiniging. En daarin zei hij hardop wat elke eerlijke engineer al vermoedt: we weten eigenlijk niet of dit werkt.
Die onzekerheid is begrijpelijk. Een nieuw gereedschap goed leren meten kost tijd. Wat niet te verdedigen is, is een target bouwen op gebruiksvolume en vervolgens verbaasd doen als gebruiksvolume het enige is wat je terugkrijgt.
Je hebt geen AI-probleem. Je hebt een procesprobleem. Dezelfde logica geldt hier. AI repareert geen kapotte meetcultuur. Het geeft die cultuur alleen iets nieuws om verkeerd te tellen.
De maatstaf is niet tokens. De maatstaf is of dingen worden geshipt, of ze standhouden, en of de engineers die ze hebben gebouwd nog snappen wat er staat.
Al het andere is Claudeonomics.