Meta ustupuje od hodnocení zaměstnanců podle využívání AI

Meta podle dostupných zpráv změnila způsob, jakým posuzuje práci zaměstnanců, protože narazila na základní problém řízení: častější používání AI samo o sobě neznamená lepší práci.

Ještě v první části roku 2026 se v řadě technologických firem stalo používání AI viditelnou pracovní metrikou. V Metě se podle reportáží objevovala kritéria spojená s využitím AI a označením „AI Native“, zatímco interní žebříčky spotřeby tokenů proměnily práci s modely v soutěž. Vznikl tak fenomén označovaný jako tokenmaxxing — snaha maximalizovat využité AI tokeny, aby zaměstnanec vypadal lépe v interních metrikách. 237

Meta nyní podle informací médií vyřadila využívání AI i status „AI Native“ z kritérií pracovního hodnocení. Nový přístup má hodnotit přínos a výsledky práce, ať už k nim člověk dospěl s podporou AI, nebo jinými prostředky. 79

Proč jsou počty tokenů špatnou metrikou výkonu

Token je základní jednotka textu, kterou jazykový model zpracovává. Je užitečný pro sledování zatížení systému a nákladů, ale jako ukazatel výkonu zaměstnance funguje špatně.

Člověk může napsat více promptů, nechat model provádět delší úlohy nebo jej používat na triviální práci, aniž by se tím zlepšila kvalita, správnost, rychlost či obchodní přínos výsledku. Jakmile je spotřeba propojena s uznáním nebo hodnocením, stává se metrika sama cílem. Reportáže z technologického sektoru popisovaly, že zaměstnanci dokázali využívání AI navyšovat kvůli žebříčkům, zatímco náklady na provoz modelů rychle rostly. 11116

To je podstata tokenmaxxingu: optimalizuje se zástupná metrika produktivity, nikoli produktivita samotná.

Meta údajně sdělila zaměstnancům, že po „exponenciálním nárůstu“ nákladů využívání AI omezí. Zprávy také uvádějí, že Meta i Amazon žebříčky spotřeby tokenů odstranily. 12 Nejde nutně o závěr, že AI nemá v práci hodnotu. Spíše o uznání, že samotná míra spotřeby tuto hodnotu nedokazuje.

Co mají změnit hodnocení zaměřená na přínos

Podle zveřejněných informací nová pravidla Mety vyřazují využívání AI z hodnocení a vedoucím říkají, aby při posuzování dopadu práce nepoužívali součty tokenů ani přehledy míry přijetí AI. 79

V praxi se tím má změnit otázka z „Kolik AI tento člověk použil?“ na „Co tento člověk skutečně dodal?“

Hodnocení zaměřené na přínos se může soustředit například na:

• kvalitu a správnost výstupu;
• spolehlivost a udržovatelnost systémů či procesů;
• užitečnost pro zákazníky nebo interní týmy;
• obchodní či provozní dopad;
• rozumný úsudek o tom, kdy AI pomáhá a kdy naopak nepomáhá.

Důležitá je formulace, podle níž mohou být očekávané výsledky podpořeny AI nebo dosaženy jiným způsobem. Stejný výsledek tak má být uznán bez ohledu na použitý nástroj. 79 AI zůstává pracovním nástrojem, nemá však být samotným skóre.

Proč Meta zároveň testuje Hatch

Změna hodnocení neznamená, že by Meta od zavádění AI ustupovala. Firma podle zpráv dál vyzývá zaměstnance k testování Hatch, projektu autonomnějšího AI agenta. 7

To dává strategický smysl. Agent, který dokáže provádět kroky napříč weby a aplikacemi, představuje jiný typ produktu než chatbot, který jen generuje text. Interní testování může ukázat, zda agent úlohy dokončuje přesně, bezpečně pracuje s oprávněními a nabízí zkušenost, jíž mohou uživatelé důvěřovat, dříve než by případně přišlo širší uvedení.

Ani u Hatch by ale klíčovým důkazem nemělo být množství spotřebovaných tokenů. Podstatné je, zda agent spolehlivě dokončí hodnotný úkol, ponechá uživateli přiměřenou kontrolu a nevytváří chyby, bezpečnostní rizika nebo potřebu nákladného dohledu.

Poučení pro zavádění AI na pracovišti

Změna v Metě zapadá do širšího posunu v oboru. Firmy, které nejprve tlačily zaměstnance k co nejintenzivnějšímu používání AI, nyní řeší složitější otázku: přinášejí tyto výdaje měřitelný užitek? Reportáže popisují růst nákladů bez odpovídajícího zvýšení produktivity, což některé zaměstnavatele vede k limitům, rozpočtům nebo selektivnějšímu nasazování AI. 11011

Pro firmy dává větší smysl pojímat zavádění AI jako experiment vázaný na výsledky:

1. určit konkrétní činnost, která se má zlepšit;
2. měřit kvalitu, ušetřený čas, spolehlivost a náklady — ne jen aktivitu v nástroji;
3. zachovat lidskou odpovědnost za rozhodnutí a výstupy;
4. srovnávat práci s podporou AI s relevantním postupem bez AI;
5. odstranit pobídky k bezúčelné spotřebě modelů.

Data o využívání AI mohou být stále užitečná pro plánování kapacity a kontrolu nákladů. Nejsou však náhradou za hodnocení přínosu zaměstnance. Změna pravidel v Metě tuto hranici podle dostupných zpráv vystihuje jasně: odměňovat se má dopad práce, ne objem AI spotřebovaný při jejím vzniku. 79