Meta เลิกให้คะแนนพนักงานจากการใช้ AI เพราะ Tokenmaxxing วัดการใช้ ไม่ได้วัดผลงาน

รายงานการปรับท่าทีของ Meta สะท้อนปัญหาการบริหารจัดการที่ตรงไปตรงมา: ใช้ AI มากขึ้น ไม่ได้แปลว่าทำงานได้ดีขึ้นเสมอไป

ในช่วงต้นปี 2026 บริษัทเทคโนโลยีหลายแห่งทำให้การใช้ AI กลายเป็นตัวชี้วัดที่มองเห็นได้ในที่ทำงาน สำหรับ Meta มีรายงานว่าพนักงานถูกประเมินผ่านถ้อยคำเกี่ยวกับการใช้ AI และสถานะ “AI Native” ขณะที่การจัดอันดับการใช้โทเค็นภายในยิ่งทำให้การใช้โมเดลกลายเป็นการแข่งขัน พฤติกรรมนี้จึงถูกเรียกว่า tokenmaxxing หรือการพยายามใช้โทเค็น AI ให้มากที่สุดเพื่อยกระดับสถานะของตนเอง 237

ขณะนี้ Meta มีรายงานว่าได้นำเกณฑ์การใช้ AI และสถานะ “AI Native” ออกจากการประเมินผลงานแล้ว โดยแนวทางใหม่มุ่งวัดการมีส่วนร่วมและผลลัพธ์ของงาน ไม่ว่างานนั้นจะได้รับความช่วยเหลือจาก AI หรือทำสำเร็จด้วยวิธีอื่น 79

เหตุใดจำนวนโทเค็นจึงเป็นตัวชี้วัดผลงานที่ไม่ดี

โทเค็นคือหน่วยย่อยของข้อความที่โมเดล AI ประมวลผล ตัวเลขนี้อาจมีประโยชน์สำหรับติดตามความต้องการใช้งานระบบและต้นทุน แต่เป็นตัวแทนผลงานของพนักงานที่อ่อนแอมาก

พนักงานคนหนึ่งอาจเขียนพรอมป์มากขึ้น สั่งงานที่ยาวขึ้น หรือใช้โมเดลกับงานมูลค่าต่ำ โดยไม่ได้ทำให้ผลงานมีคุณภาพ ถูกต้อง น่าเชื่อถือ รวดเร็ว หรือสร้างคุณค่าทางธุรกิจมากขึ้นเลย เมื่อการใช้งานถูกโยงเข้ากับการยอมรับหรือการประเมิน ตัวชี้วัดนั้นก็อาจกลายเป็นเป้าหมายเสียเอง รายงานจากอุตสาหกรรมระบุว่าพนักงานบางส่วนเพิ่มการใช้ AI เพื่อปั่นอันดับ ขณะที่บริษัทต้องเผชิญต้นทุนการประมวลผลที่เพิ่มขึ้นอย่างรวดเร็ว 11116

นี่คือความล้มเหลวหลักของ tokenmaxxing: มันทำให้คนเพิ่มประสิทธิภาพกับ ตัวแทนของผลิตภาพ แทนที่จะเพิ่มผลิตภาพจริง

Meta รายงานต่อพนักงานว่าจะจำกัดการใช้ AI หลังต้นทุนเพิ่มขึ้นแบบ “ทวีคูณ” และมีรายงานว่า Meta กับ Amazon ถอดกระดานจัดอันดับการใช้โทเค็นออกแล้ว 12 การถอยจากแนวทางเดิมไม่ได้หมายความว่า AI ไม่มีประโยชน์ในที่ทำงาน แต่หมายความว่าปริมาณการใช้งานเพียงอย่างเดียวไม่สามารถพิสูจน์คุณค่านั้นได้

การประเมินที่เน้นผลงานจริงจะเปลี่ยนอะไร

แนวทางของ Meta ที่มีรายงานออกมาระบุว่า จะไม่ใช้การใช้ AI ในการประเมิน และกำชับผู้จัดการไม่ให้ใช้ยอดโทเค็นหรือแดชบอร์ดการนำ AI ไปใช้เป็นตัวตัดสินผลกระทบของพนักงาน 79

ในทางปฏิบัติ คำถามในการประเมินจึงควรเปลี่ยนจาก “คนนี้ใช้ AI มากแค่ไหน?” เป็น “คนนี้ส่งมอบอะไรได้บ้าง?”

การประเมินที่เน้นการมีส่วนร่วมสามารถพิจารณาผลลัพธ์ของงาน เช่น

• คุณภาพและความถูกต้องของผลงานที่ส่งมอบ
• ความเสถียรและการดูแลรักษาระบบหรือกระบวนการ
• การเข้าถึงและประโยชน์ใช้สอยสำหรับลูกค้าหรือทีมภายใน
• ผลกระทบด้านธุรกิจหรือการดำเนินงาน
• วิจารณญาณในการเลือกใช้ AI เมื่อช่วยงานได้จริง และไม่ใช้เมื่อไม่เหมาะสม

ถ้อยคำที่รายงานออกมามีความสำคัญ เพราะผลลัพธ์แบบเดียวกันสามารถได้รับการยอมรับได้ ไม่ว่าจะอาศัย AI หรือทำด้วยวิธีอื่น 79 AI ยังเป็นเครื่องมือในการทำงาน แต่ไม่ควรเป็นกระดานคะแนนอีกต่อไป

แล้วเหตุใด Meta ยังทดสอบ Hatch

การเปลี่ยนนโยบายประเมินผลงานไม่จำเป็นต้องแปลว่า Meta ถอนตัวจากการนำ AI มาใช้ บริษัทยังมีรายงานว่าสนับสนุนให้พนักงานทดลอง Hatch ซึ่งเป็นโครงการเอเจนต์ AI ที่ทำงานได้อัตโนมัติมากขึ้น 7

ความต่างนี้มีเหตุผลในเชิงกลยุทธ์ เอเจนต์ที่สามารถลงมือทำงานข้ามเว็บไซต์และแอปพลิเคชันได้ มีข้อเสนอคุณค่าต่างจากแชตบอตที่สร้างข้อความเพียงอย่างเดียว การทดสอบภายในช่วยให้บริษัทตรวจสอบได้ว่าเอเจนต์ทำงานให้เสร็จอย่างถูกต้องหรือไม่ จัดการสิทธิ์เข้าถึงได้ปลอดภัยเพียงใด และมอบประสบการณ์ที่ผู้ใช้ไว้ใจได้หรือไม่ ก่อนจะขยายการเปิดใช้งาน

สำหรับผลิตภัณฑ์อย่าง Hatch หลักฐานที่มีประโยชน์จึงไม่ใช่จำนวนโทเค็นที่ผู้ทดสอบใช้ แต่คือเอเจนต์สามารถทำภารกิจที่มีคุณค่าได้อย่างน่าเชื่อถือหรือไม่ ผู้ใช้ยังควบคุมได้เหมาะสมหรือไม่ และระบบไม่สร้างความผิดพลาด ความเสี่ยงด้านความปลอดภัย หรือภาระตรวจทานที่มีต้นทุนสูงหรือไม่

บทเรียนที่กว้างกว่าสำหรับ AI ในที่ทำงาน

การเปลี่ยนแปลงของ Meta สอดคล้องกับทิศทางที่กว้างขึ้นในอุตสาหกรรม บริษัทที่เคยกระตุ้นให้พนักงานใช้ AI ให้มากที่สุด เริ่มต้องเผชิญคำถามที่ยากกว่าเดิมว่า ค่าใช้จ่ายดังกล่าวสร้างผลลัพธ์ที่วัดได้จริงหรือไม่ รายงานต่าง ๆ อธิบายถึงต้นทุน AI ที่สูงขึ้นโดยผลิตภาพไม่ได้เพิ่มขึ้นในระดับเดียวกัน ทำให้นายจ้างบางรายหันไปกำหนดเพดานงบประมาณ จำกัดการใช้ หรือเลือกนำ AI ไปใช้เฉพาะจุดมากขึ้น 11011

สำหรับองค์กร แนวทางที่ดีกว่าคือมองการนำ AI มาใช้เป็นการทดลองที่ผูกกับผลลัพธ์:

1. กำหนดให้ชัดว่างานส่วนใดควรดีขึ้น
2. วัดคุณภาพ เวลาที่ประหยัดได้ ความน่าเชื่อถือ และต้นทุน ไม่ใช่แค่กิจกรรมการใช้เครื่องมือ
3. ให้มนุษย์ยังคงรับผิดชอบต่อการตัดสินใจและผลงาน
4. เปรียบเทียบงานที่มี AI ช่วยกับเกณฑ์พื้นฐานที่เหมาะสมของงานที่ไม่ใช้ AI
5. ยุติแรงจูงใจที่ให้รางวัลกับการใช้โมเดลเกินความจำเป็น

ข้อสรุปสำคัญคือ ข้อมูลการใช้ AI ยังมีประโยชน์ด้านปฏิบัติการ โดยเฉพาะการวางแผนขีดความสามารถของระบบและการควบคุมต้นทุน แต่ไม่ควรใช้แทนการประเมินคุณค่าที่พนักงานสร้างขึ้น การปรับนโยบายของ Meta จึงสะท้อนเส้นแบ่งนี้อย่างชัดเจน: ให้รางวัลกับผลกระทบของงาน ไม่ใช่ปริมาณ AI ที่ใช้เพื่อสร้างงานนั้น 79