Ygo Leite
CPTO Viaflow
No artigo anterior desta série, lazy prompting e shadow AI (https://viaflow.com.br/adocao-de-inteligencia-artificial-nas-empresas/) foram apresentados não como problemas de funcionário, mas como resultado previsível de uma liderança que tratou a adoção de IA como um problema de acesso. Compra a ferramenta, libera o login, anuncia no all-hands. E espera que a transformação aconteça sozinha.
Algumas empresas leram a crítica. Ou chegaram nela por conta própria, pressionadas por auditorias, incidentes de segurança ou pela consciência tardia de que “todo mundo usando ChatGPT sem que a gente saiba” é um problema de governança. E fizeram alguma coisa a respeito.
Bloquearam as ferramentas não autorizadas. Criaram políticas de uso. Elegeram plataformas oficiais. Colocaram o shadow AI em um slide no board e disseram que tinham resolvido.
Depois, para mostrar que a empresa estava avançando, criaram métricas. Dashboards de uso. Metas de adoção. Em alguns casos, leaderboards internos que ranqueavam quem usava mais IA. Tokens consumidos por semana. Percentual de código gerado por IA. Número de interações diárias com os modelos.
Os números subiram. As apresentações ficaram bonitas. E a empresa criou, sem perceber, um problema mais sofisticado e mais difícil de diagnosticar do que o anterior.
O que é tokenmaxxing e por que ele importa
Nos últimos meses, um comportamento emergiu com força suficiente para ganhar nome próprio dentro das maiores empresas de tecnologia do mundo. A Meta construiu um leaderboard interno chamado “Claudeonomics” que ranqueava funcionários pelo volume de tokens de IA consumidos entre seus mais de 85 mil colaboradores. O líder do período chegou a 281 bilhões de tokens em 30 dias, a um custo estimado de mais de 1,4 milhão de dólares por um único usuário. A Amazon criou sistemas similares. A Salesforce foi além: definiu metas mínimas de gasto semanal em ferramentas como Claude Code e Cursor, com um widget no Mac que mostrava o saldo disponível a cada quinze minutos.
O nome que se deu a esse fenômeno é tokenmaxxing /ˈtoʊ.kən.mæk.sɪŋ/: a prática de maximizar o consumo de tokens de IA não porque isso produza resultados melhores, mas porque é a métrica que está sendo observada. Engenheiros admitiram publicamente que fazem perguntas ao modelo sobre documentação que já conhecem de cor, só para inflar os números. Que mandam o modelo gerar protótipos de funcionalidades que nunca serão desenvolvidas. Que reescrevem o mesmo código várias vezes para manter a contagem elevada.
Um engenheiro novo em uma dessas empresas explicou com uma candura que deveria constranger qualquer gestor: “não quero ser visto como alguém que usa IA de menos.” Ele não estava usando mal a ferramenta por ignorância. Estava usando mal por medo. E a empresa construiu, tijolo por tijolo, o ambiente que tornava esse medo racional.
O tokenmaxxing não é uma curiosidade exótica do Vale do Silício. É a fotografia mais nítida que já tivemos do que acontece quando uma organização impõe metas de IA sem antes construir a capacidade de usar IA com propósito.
Goodhart estava certo, e isso não é novidade
Há uma lei na teoria de gestão atribuída ao economista Charles Goodhart que diz, em essência: quando uma medida se torna uma meta, ela deixa de ser uma boa medida. O princípio tem décadas e foi testado em contextos que vão de bancos centrais a hospitais. Ele descreve com precisão o que acontece com qualquer métrica suficientemente importante que seja adotada como critério de avaliação de pessoas.
O número de tokens consumidos é uma proxy razoável para engajamento com IA em um ambiente onde as pessoas já sabem usar IA bem. Nesse contexto, quem consome mais provavelmente está produzindo mais, experimentando mais, desenvolvendo mais fluência. O leaderboard da Shopify começou exatamente assim: celebrando quem usava muito porque esses eram, de fato, os engenheiros que estavam construindo coisas extraordinárias com os modelos.
O problema é que não se pode usar a mesma métrica em um ambiente onde a maioria das pessoas ainda não sabe o que “usar IA bem” significa. Quando a empresa não investiu em AI Literacy, ou seja, na capacidade real de entender o que os modelos fazem, onde erram e como estruturar problemas para extrair valor genuíno, a única resposta racional ao leaderboard é o tokenmaxxing. As pessoas otimizam para o que é medido porque não têm outra referência sobre o que otimizar.
A Shopify percebeu o problema e renomeou seu leaderboard de “ranking de tokens” para “painel de uso” por razões que o próprio Head de Engenharia resumiu sem eufemismos: não queriam encorajar competição pelo topo da lista. A diferença entre os dois nomes é pequena. A diferença de intenção, enorme. E mesmo com a mudança de nome, o problema de fundo permanece se a empresa não tiver construído antes o contexto de aprendizado.
O arco de três falhas que nenhuma empresa quer ver em si mesma
O padrão que se repete nas empresas que passaram pelos três momentos: shadow AI, adoção forçada e tokenmaxxing, segue sempre a mesma sequência de decisões.
O primeiro movimento é a omissão. A empresa ignora a questão da IA até que ela se torna visível como risco. Shadow AI começa a aparecer. Incidentes de dados surgem. A resposta, tardia e ansiosa, é o bloqueio.
O segundo movimento é o controle sem contexto. Ferramentas não aprovadas são proibidas. Plataformas oficiais são definidas. Até aqui, tudo bem. O erro vem junto: a empresa anuncia as plataformas, mas não ensina como usá-las. Há acesso. Não há competência. A diferença entre os dois é exatamente onde o valor de negócio vive.
O terceiro movimento é a métrica que substitui o entendimento. Como não há educação, não há como avaliar qualidade de uso. Como não há como avaliar qualidade, medem-se inputs. Tokens consumidos. Percentual de código gerado por IA. Número de prompts por dia. E, como qualquer métrica visível que afeta a avaliação de desempenho, ela passa a ser jogada, de forma consciente ou não, pelas pessoas cujos empregos dependem de parecer competentes.
O resultado é, em vários sentidos, pior que o ponto de partida. No shadow AI, ao menos havia uso genuíno. O colaborador que usava o ChatGPT sem autorização estava, na maior parte das vezes, tentando realmente resolver um problema. No tokenmaxxing, o uso pode ser inteiramente performático. A empresa gasta mais, produz relatórios mais vistosos, e entrega menos valor real do que antes.
O que AI Literacy significa de verdade
A expressão “alfabetização em IA” ganhou circulação, mas perdeu precisão no caminho. Nas empresas que a tratam como checkbox, significa um módulo de e-learning de duas horas que termina com um certificado e uma enquete de satisfação. Isso não é alfabetização. É marketing interno disfarçado de capacitação.
Alfabetização em IA, no sentido útil, é a capacidade de um profissional entender o que os modelos de linguagem fazem estruturalmente: não em nível técnico de pesos e gradientes, mas em nível operacional. Onde eles são confiáveis, onde alucinam, como o contexto afeta a qualidade da resposta, quando faz sentido verificar o output e quando não faz. É a diferença entre uma pessoa que usa IA como oráculo e uma que a usa como ferramenta.
Essa competência não se adquire em um webinar. Desenvolve-se com prática deliberada, com feedback, com exposição a casos onde a IA falha de formas não óbvias. Requer que a organização crie espaço para isso. E que líderes demonstrem, com o próprio comportamento, que aprender a usar bem é mais valorizado do que parecer usar muito.
O segundo elemento que costuma faltar é o acompanhamento de progresso. Empresas que implementaram AI literacy como programa raramente têm clareza sobre o que estão tentando mover. Não há linha de base. Não há indicadores que separem uso de qualidade de uso de volume. Quando não se sabe o que medir, mede-se o que é fácil. E tokens são fáceis.
Uma abordagem mais honesta começa com perguntas diferentes. Não “quantos tokens nossa equipe consumiu essa semana?” mas “que decisões foram tomadas melhor com IA do que seriam sem ela?” Não “qual o percentual de código gerado por IA?” mas “qual o percentual de bugs introduzidos por código que não foi adequadamente revisado pelo humano que o aprovou?” A segunda pergunta é mais difícil de responder. É também a única que importa.
O que líderes executivos podem fazer diferente desta vez
Há um detalhe revelador no episódio da Meta. O leaderboard “Claudeonomics” foi retirado do ar não porque alguém na liderança percebeu que era um incentivo equivocado, mas porque um jornalista publicou a história e a repercussão externa foi ruim. A autocorreção veio de fora para dentro.
Não é difícil imaginar o mesmo padrão se repetindo em empresas menores, sem o escrutínio da imprensa para forçar a reflexão. O leaderboard continua. As metas de token continuam. O tokenmaxxing continua. E a liderança, olhando para os dashboards de adoção, acha que está indo bem.
A saída começa por reconhecer que medir adoção e medir valor são duas coisas diferentes. Adoção é necessária, mas não suficiente. Uma empresa onde todo mundo usa IA de forma performática não está em vantagem competitiva. Está gastando mais para produzir o mesmo. O diferencial real aparece quando o uso é qualificado, e uso qualificado exige pessoas que sabem o que estão fazendo.
Para lideranças que querem construir essa capacidade, o caminho passa por três compromissos que precisam acontecer juntos, não em sequência. Investir em AI literacy antes de definir métricas de uso. Construir indicadores que reflitam outcomes: resultados de negócio, qualidade de entrega e velocidade de ciclos que realmente importam, em vez de inputs que são fáceis de inflar. E criar mecanismos de acompanhamento que detectem não só quem usa mais, mas como o uso está evoluindo em sofisticação ao longo do tempo.
O que nenhuma planilha de adoção vai mostrar é simples de enunciar e difícil de aceitar: metas de uso sem contexto de aprendizado não produzem adoção. Produzem teatro.
No primeiro artigo desta série, o problema era a empresa que entregou a ferramenta sem ensinar a usar. O resultado foi shadow AI e lazy prompting, um uso caótico, fora do controle, de qualidade questionável.
Aqui, o problema é a empresa que ouviu essa crítica, resolveu a metade errada dela, e criou algo mais elaborado: uma cultura de uso performático, medido por métricas que ninguém sabe como interpretar, sustentada por metas que incentivam exatamente o comportamento que deveriam prevenir.
O tokenmaxxing, o shadow AI e o lazy prompting têm a mesma causa raiz. Em ambos os casos, a empresa foi reativa e nunca se comprometeu com a parte mais trabalhosa da adoção de IA: ensinar as pessoas a pensar com ela. Só tratou o sintoma.
A pergunta que vale fazer agora não é se sua empresa tem tokenmaxxing. É se você teria como saber se tivesse.
