Amazon заставляла инженеров использовать ИИ и измеряла их активность. В ответ сотрудники начали создавать анти-ИИ мемы и накручивать показатели

Искусственный интеллект постепенно становится обязательным инструментом для сотрудников крупнейших технологических компаний. Руководители убеждены, что генеративные модели способны повысить производительность, ускорить разработку программного обеспечения и снизить операционные расходы. Однако практика показывает, что внедрение ИИ далеко не всегда проходит так, как планируют менеджеры.

Ярким примером стала ситуация в Amazon. Компания решила активно продвигать использование собственных ИИ-инструментов среди инженеров и разработчиков, а также отслеживать степень их вовлеченности. Предполагалось, что сотрудники будут чаще использовать искусственный интеллект для решения рабочих задач, повышая эффективность своей работы.

Но эксперимент привел к неожиданным последствиям. Вместо реального роста производительности многие сотрудники начали использовать ИИ ради самих показателей. Внутри компании появились шутки, мемы и даже своеобразная гонка за количеством использованных токенов. В результате Amazon пришлось пересмотреть свою стратегию.

Почему Amazon решила контролировать использование ИИ

В последние годы Amazon вкладывает миллиарды долларов в развитие искусственного интеллекта. Компания активно интегрирует ИИ в облачные сервисы, инструменты для программирования и внутренние корпоративные платформы.

Руководство считало, что чем чаще инженеры будут применять новые инструменты, тем быстрее компания сможет получить отдачу от инвестиций. Для этого был поставлен амбициозный ориентир: значительная часть разработчиков должна регулярно использовать ИИ в своей работе. По данным профильных изданий, речь шла о показателе более 80% активных пользователей среди инженеров.

Чтобы отслеживать прогресс, внутри компании появился специальный рейтинг активности. Он анализировал использование корпоративных ИИ-сервисов и формировал таблицы лидеров среди сотрудников.

На бумаге идея выглядела логичной. Однако на практике сотрудники быстро нашли способы улучшать статистику без какой-либо реальной пользы для бизнеса.

Появление феномена tokenmaxxing

После запуска системы оценки многие разработчики поняли, что высокий уровень использования ИИ может положительно восприниматься руководителями. Даже если официально такие показатели не влияли на аттестацию сотрудников, многие опасались выглядеть менее продуктивными на фоне коллег.

В результате возникло явление, которое получило название tokenmaxxing. Суть проста: сотрудник стремится максимально увеличить количество потребляемых токенов и обращений к ИИ, чтобы выглядеть активным пользователем системы.

Для этого инженеры начали запускать автоматические процессы и агентов, выполнявших бессмысленные операции. Некоторые задачи генерировались лишь для того, чтобы повысить показатели активности. Фактической пользы от такой работы практически не было.

Подобное поведение оказалось вполне предсказуемым. Когда компания начинает оценивать сотрудников по определенной метрике, люди нередко стараются оптимизировать именно показатель, а не конечный результат.

Как сотрудники реагировали на давление со стороны руководства

По информации СМИ, внутри Amazon многие сотрудники жаловались на постоянное давление, связанное с необходимостью демонстрировать использование ИИ. Некоторые инженеры отмечали, что руководители регулярно интересовались статистикой применения новых инструментов.

В корпоративных чатах и внутренних сообществах стали появляться мемы и шутки, высмеивающие ситуацию. Разработчики иронизировали над тем, что иногда приходится запускать искусственный интеллект исключительно ради красивой статистики.

Особенно активно обсуждалось противоречие между заявленной целью повышения эффективности и реальными результатами. Многие инженеры считали, что значительная часть времени тратится на исправление ошибок, которые генерирует ИИ, а не на ускорение разработки.

Подобные настроения наблюдаются не только в Amazon. Аналогичные случаи фиксировались и в других крупных технологических компаниях, где сотрудники стремились увеличивать показатели использования искусственного интеллекта ради внутренних рейтингов.

Рост расходов стал серьезной проблемой

Один из наиболее неожиданных эффектов эксперимента оказался финансовым. Генеративные модели требуют значительных вычислительных ресурсов. Каждый запрос к ИИ потребляет токены, а значит, увеличивает нагрузку на инфраструктуру и расходы на вычисления.

Когда тысячи сотрудников начали массово использовать системы искусственного интеллекта без реальной необходимости, затраты компании заметно выросли. Руководство столкнулось с ситуацией, когда расходы увеличиваются, а продуктивность остается практически на прежнем уровне.

Проблема особенно актуальна на фоне перехода многих ИИ-платформ к модели оплаты по фактическому потреблению ресурсов. Чем больше запросов генерируют пользователи, тем выше итоговые затраты бизнеса.

Почему Amazon отказалась от первоначальной идеи

В конечном итоге руководство компании признало, что эксперимент не достиг поставленных целей. Старшие менеджеры были вынуждены сообщить сотрудникам, что использование ИИ не должно превращаться в самоцель.

Разработчиков призвали сосредоточиться на создании качественных продуктов, а не на искусственном увеличении статистики использования нейросетей. Фактически компания отказалась от идеи измерять эффективность сотрудников через подобные рейтинги.

Этот случай стал показательным для всей отрасли. Он продемонстрировал, что внедрение ИИ требует не только новых технологий, но и грамотной системы мотивации сотрудников.

Какие уроки могут извлечь другие компании

История Amazon показывает, что внедрение искусственного интеллекта не должно сводиться к простому увеличению количества запросов к нейросетям.

Компании стоит оценивать:

• реальное повышение производительности;
• качество выполненной работы;
• экономическую эффективность использования ИИ;
• влияние технологий на бизнес-процессы;
• удовлетворенность сотрудников новыми инструментами.

Если внимание сосредоточено исключительно на количественных показателях, сотрудники неизбежно начинают подстраиваться под метрики. В результате бизнес получает красивые цифры в отчетах, но не получает ожидаемого роста эффективности.

Выводы

Эксперимент Amazon стал одним из первых крупных примеров того, как чрезмерное стремление внедрить искусственный интеллект может привести к обратному эффекту. Вместо повышения продуктивности компания столкнулась с накруткой статистики, ростом расходов и недовольством сотрудников.

Ситуация показала, что успешная интеграция ИИ требует взвешенного подхода. Искусственный интеллект действительно способен приносить пользу, однако его использование должно оцениваться по результатам работы, а не по количеству потраченных токенов или числу обращений к модели.

Для всего технологического рынка этот случай стал важным сигналом: внедрение ИИ — это не соревнование за метрики, а инструмент достижения конкретных бизнес-целей.

Часто задаваемые вопросы

Что такое tokenmaxxing?

Tokenmaxxing — это практика искусственного увеличения потребления токенов ИИ ради улучшения статистики использования нейросетей, без получения реальной пользы от таких действий.

Почему Amazon измеряла использование ИИ сотрудниками?

Компания стремилась ускорить внедрение собственных ИИ-инструментов и повысить уровень их использования среди инженеров и разработчиков.

Какие проблемы возникли в ходе эксперимента?

Сотрудники начали запускать бессмысленные задачи через ИИ, чтобы улучшать показатели активности. Это привело к росту расходов и искажению метрик эффективности.

Влияли ли показатели использования ИИ на оценку сотрудников?

Официально компания заявляла, что такие данные не используются напрямую при аттестации. Однако многие работники считали, что менеджеры внимательно следят за этими показателями.

Почему Amazon отказалась от системы рейтингов?

Руководство пришло к выводу, что сотрудники начали использовать ИИ ради статистики, а не для повышения качества работы. Поэтому эксперимент был признан неэффективным.

Что показывает этот случай для других компаний?

Он демонстрирует, что оценивать эффективность внедрения ИИ необходимо по бизнес-результатам и качеству работы, а не по объему использования технологий.

Редактор: AndreyEx