בעוד הבינה המלאכותית משנה כמעט כל תחום בתעשייה, יותר ויותר חברות נאלצות להכיר מושג חדש שהופך במהירות לחלק בלתי נפרד מהפעילות העסקית: טוקנים. מה שהתחיל כמונח טכני מעולמות ה־AI, הופך כיום למדד תפעולי של ממש – כזה שמשפיע על עלויות, פרודוקטיביות ואפילו על האופן שבו ארגונים מודדים ביצועי עובדים.
בחלק מהחברות כבר בוחנים כיום את היקף השימוש בטוקנים ברמת העובד הבודד: שימוש נמוך מדי עשוי להעיד על אימוץ חלקי של כלי AI, בעוד שימוש גבוה במיוחד עלול להצביע על חוסר יעילות ועלויות מיותרות.
המספרים מצטברים במהירות. משימה יומיומית פשוטה יחסית – כמו ניסוח או עריכת אימייל באמצעות מודלים כמו ChatGPT, Claude או Gemini, עשויה לצרוך כ־100 טוקנים בלבד, בעלות שנראית זניחה של כרבע סנט אמריקאי. אבל כשמכפילים זאת במאות פעולות ביום ובמאות עובדים, הטוקנים הופכים במהירות להוצאה תפעולית משמעותית שכל ארגון צריך להתחיל לנהל.
למה חברות מתחילות למדוד צריכת טוקנים של עובדים
טוקן הוא יחידת העיבוד הבסיסית של מודלי בינה מלאכותית. בעולם של מודלים כמו ChatGPT, Claude או Gemini, טוקן יכול להיות מילה שלמה, חלק ממילה או קבוצת מילים קצרה. כל פעולה שמתבצעת מול מודל AI – משאילת שאלה ועד יצירת מסמך – צורכת טוקנים, והחיוב מתבצע בהתאם לכמות שנעשה בה שימוש. עד לא מזמן מדובר היה בפרט טכני שמעניין בעיקר מפתחים. כיום, עבור חברות רבות, טוקנים הופכים למדד עסקי לכל דבר.
הסיבה הראשונה היא פרודוקטיביות. ארגונים משקיעים משאבים עצומים בהטמעת כלי AI מתוך ציפייה לייעול העבודה ולהגדלת התפוקה. כתוצאה מכך, יותר חברות מתחילות לעקוב אחר היקף השימוש של עובדים בכלי בינה מלאכותית – בין אם לצורך כתיבת מיילים, יצירת תוכן, פיתוח קוד או ניתוח נתונים. צריכת טוקנים לעובד הופכת בהדרגה לאינדיקציה לאימוץ בפועל של כלי AI בתוך הארגון.
הסיבה השנייה היא עלות. למרות שטוקנים עצמם זולים יחסית, היקפי השימוש גדלים במהירות. חברות רבות שאפשרו בתחילה שימוש כמעט בלתי מוגבל בכלי AI מתחילות להבין שהחשבונות מצטברים במהירות – במיוחד בארגונים גדולים עם מאות או אלפי עובדים. כתוצאה מכך, עולה צורך חדש: לנהל "יעילות טוקנים" ולוודא שהשימוש בבינה מלאכותית אכן מייצר ערך עסקי אמיתי.
גם מודלי התמחור הופכים מורכבים יותר. עלות הטוקנים משתנה בין מודלים שונים ובין סוגי משימות שונות. ככל שטכנולוגיות AI הופכות לחלק אינטגרלי מהפעילות העסקית, חברות יידרשו להחליט לא רק האם להשתמש בבינה מלאכותית – אלא גם באיזה מודל, לאיזו משימה ובאיזו עלות.
טוקנמקסינג: כשהשימוש ב-AI הופך למדד בפני עצמו
ככל שטוקנים הופכים למשאב עסקי מדיד, מתחילה להופיע גם תופעה חדשה ושנויה במחלוקת: “טוקנמקסינג” – ניסיון למקסם שימוש בטוקנים, לעיתים גם בלי הצדקה עסקית אמיתית.
בחלק מהחברות, צריכת טוקנים כבר מתחילה להיתפס כחלק מעלות ההעסקה של העובד, לצד שכר, תוכנות והטבות. מבחינת הארגון, ההיגיון כפול: מצד אחד, שימוש בכלי AI כרוך בעלויות הולכות וגדלות; מצד שני, עובדים שלא עושים שימוש בכלים הללו עלולים להיתפס כפחות יעילים או פחות פרודוקטיביים.
התוצאה היא שמנהלים מתחילים למדוד שימוש בטוקנים – ולעיתים גם להציב יעדים לא רשמיים סביבם. כאן בדיוק מתחילה הבעיה. ברגע ששימוש בטוקנים הופך למדד הצלחה, עובדים וצוותים עלולים להתחיל "לנפח" שימוש רק כדי להיראות פעילים יותר. במקום להשתמש בבינה מלאכותית בצורה אפקטיבית, הם עלולים לייצר אינטראקציות מיותרות, להריץ משימות חסרות ערך או להשתמש בכלי AI גם במקומות שבהם אין בכך צורך אמיתי.
במקביל, חברות מתחילות להבין שטוקנים אינם רק עלות שוטפת – אלא משאב שדורש תכנון. יותר ארגונים בונים כיום תקציבי טוקנים ייעודיים, בדומה לתקציבי ענן או תוכנה, מתוך הבנה שהשימוש בבינה מלאכותית צפוי להמשיך לזנק.
אלא שהתחום עדיין רחוק מלהיות סטנדרטי. סוגים שונים של מודלים גובים מחירים שונים, צוותים שונים משתמשים ב־AI בדרכים שונות, והקשר בין צריכת טוקנים לבין ערך עסקי בפועל עדיין לא ברור לחלוטין.
האתגר הגדול ביותר הוא שטוקנים הם מדד שקל יחסית “לשחק” איתו. עובד שנמדד לפי היקף שימוש יכול בקלות לצרוך עוד ועוד טוקנים – בלי לייצר ערך אמיתי לארגון. לכן, יותר ויותר חברות מבינות שהמטרה אינה למקסם שימוש, אלא למקסם תוצאה: להשתמש בבינה מלאכותית כמכפיל כוח לידע, מומחיות ויצירתיות אנושית – ולא כמדד כמותי בפני עצמו.
ההמלצה המרכזית לארגונים היא לבנות מדיניות ברורה סביב שימוש ב־AI: להסביר לעובדים מהו טוקן, כיצד השימוש בו משפיע על עלויות החברה, לקבוע תקציבים והנחיות שימוש, ולמדוד לא רק כמה טוקנים נצרכו – אלא איזה ערך עסקי נוצר מהם בפועל.
