Tokenmaxxing: o que é e por que gastar mais IA não é produzir mais

Tokenmaxxing é tentar usar o máximo possível de IA, medido em tokens, como se gastar mais fosse o mesmo que produzir mais. O termo nasceu no mundo da tecnologia, onde algumas empresas passaram a acompanhar o consumo de tokens de cada pessoa ou equipe em painéis internos. A crítica central é simples: o token mede o quanto você usou a IA, não o que você entregou.

Abaixo estão o significado do termo, os exemplos que a imprensa reportou, os motivos pelos quais a métrica engana e dois termos vizinhos que aparecem na mesma conversa.

O que é tokenmaxxing

Segundo o CTAIO Labs, tokenmaxxing é tentar maximizar quantos tokens de modelos de linguagem uma pessoa ou equipe consome, muitas vezes acompanhado em painéis de classificação (leaderboards) internos (CTAIO Labs). O programa On Point, da rádio americana WBUR, descreve a mesma prática: consumir o máximo possível de tokens, o que pode gerar contas de bilhões de dólares (WBUR).

O sufixo “-maxxing” vem de subculturas de otimização da internet, como looksmaxxing (maximizar a aparência) e fitnessmaxxing. Ele sugere perseguir uma característica até o extremo (CTAIO Labs). Aplicado à IA, vira “gastar o máximo”.

Não encontrei registro de quem criou o termo nem de quando, e ainda não vi uso dele em órgãos oficiais ou em estudos científicos. Por enquanto é um termo de imprensa e de conversa entre profissionais, e pode mudar de sentido.

O que é um token, em 30 segundos

Um token é o pedaço de texto que o modelo de IA lê e escreve. Pode ser uma palavra, parte de uma palavra ou um sinal de pontuação. Os serviços de IA cobram por token, e nas ferramentas de programação os tokens medem o trabalho feito pela IA e são cobrados das empresas (WBUR).

Se você quiser ver como um texto vira tokens, faça a demonstração do artigo Como funciona o ChatGPT: o que acontece quando você digita uma pergunta. Leva 5 minutos.

O que foi reportado

Os casos abaixo vêm de reportagens e entrevistas. O CTAIO Labs os apresenta como relatos (“reportedly”), e nenhum deles foi confirmado pelas empresas nas fontes que consultamos.

• Painéis internos de consumo. Segundo o CTAIO Labs, a Meta teve um painel interno que classificava funcionários pelo consumo de tokens, e encerrou a classificação pública em abril de 2026 depois da repercussão na imprensa. O mesmo texto diz que a Shopify teria rankings em algumas equipes de engenharia.
• Gasto como meta. No podcast All In, o presidente da Nvidia, Jensen Huang, disse que um engenheiro que ganha US$ 500 mil por ano deveria consumir pelo menos US$ 250 mil em tokens, segundo o programa da WBUR. O jornalista Tim Fernholz, do TechCrunch, notou no programa que cada token consumido gera receita para a Nvidia.
• Orçamento estourado. No mesmo programa, Fernholz contou que o diretor de tecnologia (CTO) da Uber teria dito que a empresa gastou em poucos meses o orçamento do ano inteiro para ferramentas de IA de programação.
• Quem defende. Segundo o CTAIO Labs, o investidor Reid Hoffman vê o acompanhamento de tokens como um bom sinal de adoção da tecnologia, mas não como medida direta de produtividade.

Por que gastar mais IA não é produzir mais

1. O token mede entrada, não resultado. Esta é a crítica de Fernholz no programa da WBUR: o token mede o que você consumiu, e não o que saiu do outro lado.

2. Qualquer métrica vira alvo. A Lei de Goodhart diz, na formulação da antropóloga Marilyn Strathern (1997): “When a measure becomes a target, it ceases to be a good measure” (“quando uma medida vira meta, ela deixa de ser uma boa medida”). Se o consumo de tokens vira meta, o caminho mais fácil para subir no ranking é gastar mais, e não resolver melhor o problema. Uma engenheira anônima, cujo depoimento foi lido no programa, contou que na empresa dela, que dá a cada pessoa uma nota de uso de IA, dá para inflar a contagem com prompts enormes e que há gente usando IA até para responder mensagens. Ela disse não saber se isso é feito de propósito. O CTAIO Labs relata ainda que engenheiros da Meta teriam criado robôs que disparavam pedidos sem parar, só para queimar tokens.

3. Mais custo não é, necessariamente, mais retorno. Fernholz citou no programa o caso de uma empresa em que os melhores usuários de IA eram duas vezes mais produtivos, mas custavam dez vezes mais em tokens. É um relato isolado, e não dá para generalizar, mas mostra por que olhar só o consumo pode enganar.

4. Existem alternativas. O especialista Brian Elliott, ouvido no programa, sugere avaliar equipes por resultados, e não pelo uso individual. O CTAIO Labs diz que a Salesforce propôs medidas baseadas em resultado.

Mini-glossário dos termos vizinhos

• Meat proxy (“procurador de carne”): segundo um glossário citado pelo site kottke.org em agosto de 2026, é “uma pessoa que repassa texto, código ou outro conteúdo gerado por IA sem ler, entender ou validar” (kottke.org). Não achei quem cunhou o termo. Trate-o como gíria recente.
• Workslop: termo apresentado em artigo da Harvard Business Review de 22/09/2025, assinado por Kate Niederhoffer e outros autores (HBR). Segundo os autores da pesquisa, é conteúdo gerado por IA que parece bom trabalho, mas não tem substância para fazer a tarefa avançar. A pesquisa, do BetterUp Labs com o Stanford Social Media Lab, ouviu 1.150 trabalhadores de escritório em tempo integral nos Estados Unidos, e 40% disseram ter recebido esse tipo de material no último mês (BetterUp; Axios).
• Lei de Goodhart: vista acima.

O que você pode fazer com isso

Se o seu trabalho tem alguma meta ligada a “uso de IA”, três perguntas ajudam a separar uso de resultado:

1. A meta mede o que eu consumi ou o que eu entreguei?
2. Alguém confere o que a IA produziu antes de seguir adiante? Quem repassa sem ler vira um meat proxy.
3. O ganho aparece em algo que dá para ver, como tempo poupado, erro evitado ou cliente atendido?

Se a resposta for “só uso”, vale levar a conversa para o gestor. E se você está começando, entender o que é um token é um bom primeiro passo.

Este texto é informativo e não recomenda nenhuma ferramenta ou serviço de IA específico. Os casos de empresas citados foram relatados por terceiros, na imprensa, e podem mudar.