Meta dropper AI-forbrug i medarbejdervurderinger efter tokenmaxxing

Meta har ifølge rapporter ændret kurs i sin vurdering af medarbejdere af en enkel grund: At bruge mere AI er ikke nødvendigvis det samme som at levere bedre arbejde.

Tidligere i 2026 blev AI-brug en synlig måleenhed på flere teknologivirksomheder. Hos Meta blev medarbejdere efter sigende mødt af formuleringer om AI-brug og status som “AI Native”, mens interne ranglister over tokenforbrug gjorde modelbrug til en konkurrence. Det fik navnet tokenmaxxing: at maksimere forbruget af AI-tokens for at forbedre sin interne placering. 237

Meta har nu ifølge rapporter fjernet AI-brug og “AI Native”-status fra kriterierne for performancevurderinger. I stedet skal vurderingen handle om medarbejderens bidrag og resultater – uanset om arbejdet er løst med AI eller på anden vis. 79

Derfor blev tokenantal en dårlig målestok

En token er en lille enhed tekst, som en AI-model læser eller genererer. Tokenforbrug kan være nyttigt til at følge belastning på systemer og udgifter, men det er en svag målestok for en medarbejders præstation.

En medarbejder kan skrive flere prompts, lade modellen køre længere opgaver eller bruge AI på opgaver med lav værdi uden at forbedre kvalitet, pålidelighed, tempo eller forretningsværdi. Når forbruget kobles til anerkendelse eller medarbejdersamtaler, risikerer målingen selv at blive målet. Brancheomtale har beskrevet, hvordan ansatte kunne puste AI-brugen op for at spille systemet, samtidig med at virksomhedernes udgifter til AI-kørsler steg hurtigt. 11116

Det er hovedproblemet ved tokenmaxxing: Det optimerer en stedfortrædende måling for produktivitet i stedet for produktiviteten selv.

Meta oplyste ifølge rapportering til medarbejderne, at AI-brugen ville blive begrænset efter en “eksponentiel stigning” i omkostningerne. Både Meta og Amazon har ifølge samme rapportering fjernet ranglister over tokenforbrug. 12 Det betyder ikke, at AI er uden værdi på arbejdspladsen. Det betyder, at rent forbrug ikke i sig selv dokumenterer værdien.

Resultater frem for AI-aktivitet

Den rapporterede Meta-vejledning fjerner AI-brug fra vurderingerne og siger, at ledere ikke skal bruge tokenantal eller dashboards for AI-adoption til at bedømme medarbejdernes effekt. 79

I praksis ændrer det spørgsmålet fra “Hvor meget AI brugte personen?” til “Hvad leverede personen?”

En vurdering med fokus på bidrag kan blandt andet handle om:

• kvaliteten og rigtigheden af leverancen
• driftssikkerhed og vedligeholdbarhed i systemer eller processer
• nytten for kunder eller interne teams
• forretningsmæssig eller driftsmæssig effekt
• sund dømmekraft i valget af, hvornår AI hjælper – og hvornår den ikke gør.

Den rapporterede formulering er væsentlig, fordi det samme resultat skal kunne tælle positivt, uanset om det er opnået med AI-støtte eller på andre måder. 79 AI er fortsat et værktøj, men skal ikke længere være selve karakterbogen.

Hvorfor Meta stadig tester Hatch

Ændringen i vurderingspolitikken er ikke nødvendigvis et farvel til AI i arbejdet. Meta opfordrer ifølge rapporter fortsat medarbejdere til at teste Hatch, et projekt med en mere autonom AI-agent. 7

Det er en anden type produkt end en chatbot, der blot skriver tekst. En agent, der kan udføre handlinger på tværs af websites og apps, skal kunne løse opgaver korrekt, håndtere tilladelser forsvarligt og give brugeren en oplevelse, der er værd at have tillid til. Intern test kan afdække fejl og svagheder, før en eventuel bredere lancering.

For Hatch er det relevante bevis derfor ikke, hvor mange tokens testerne bruger. Det er, om agenten stabilt gennemfører en værdifuld opgave med passende brugerkontrol – uden fejl, sikkerhedsproblemer eller et dyrt behov for efterfølgende menneskelig kontrol.

En bredere lektie for AI på arbejdspladsen

Metas kursændring passer ind i en bredere udvikling i techbranchen. Virksomheder, der først opfordrede medarbejdere til at bruge mest muligt AI, står nu med det sværere spørgsmål: Skaber udgifterne målbare forbedringer? Rapportering peger på stigende AI-omkostninger uden en tilsvarende stigning i produktiviteten, hvilket har fået nogle arbejdsgivere til at indføre begrænsninger, budgetter eller mere selektiv brug. 11011

For virksomheder er den bedre tilgang at behandle AI som et forsøg, der skal knyttes til resultater:

1. Definér, hvilket arbejde der konkret skal forbedres.
2. Mål kvalitet, tidsbesparelse, pålidelighed og omkostning – ikke kun aktivitet i værktøjet.
3. Bevar menneskeligt ansvar for beslutninger og leverancer.
4. Sammenlign AI-understøttet arbejde med et relevant alternativ uden AI.
5. Fjern incitamenter, der belønner unødvendigt modelbrug.

Den centrale pointe er, at data om AI-brug stadig kan være nyttige til kapacitetsplanlægning og omkostningsstyring. Men de er en dårlig erstatning for at vurdere en medarbejders reelle bidrag. Metas rapporterede ændring skelner mellem de to ting: Beløn arbejdets effekt – ikke mængden af AI, der blev brugt for at skabe den. 79