Token maxing – så kallas nya sättet att mäta “produktivitet” som vid första anblicken låter modernt och datadrivet – men som samtidigt kan kännas fullständigt bakvänt. Fenomenet handlar om att företag börjar mäta hur mycket AI används genom tokens: hur mycket text du matar in i ett AI‑verktyg och hur mycket text du får tillbaka.
Det som gör det extra laddat är att detta inte bara blir en teknisk detalj, utan ett KPI som rapporteras uppåt och jämförs mellan team och avdelningar.
På pappret: tydligt, mätbart, kvantifierbart.
I praktiken: ett mätetal som riskerar att skrika fel hela vägen.
Vad menas egentligen med token maxing?
Med token maxing blir tokens här en proxy för aktivitet:
- Input: hur mycket du skriver in i AI‑verktyget
- Output: hur mycket text du får tillbaka
- Summa: hur mycket “AI‑arbete” du påstås ha gjort
Därav namnet: token maxing. Begreppet beskrivs som något som har kommit under 2026 och kopplas till att en intern topplista för AI‑användning läckte ut. På den listan mättes medarbetare efter hur mycket tokens de förbrukade – en sorts intern “high score” i AI‑konsumtion.
Det finns även exempel på att man sätter miniminivåer: du “bör” spendera ungefär en viss mängd per vecka på att använda ett visst AI‑verktyg (i ett exempel kopplat till cloud code). Budskapet blir: använd mer AI – och visa det genom tokens.
Varför token maxing känns fel – även om det är enkelt att mäta
Problemet kan uttryckas väldigt enkelt:
Bara för att du matar in mycket text och får tillbaka mycket text betyder det inte att du skapar värde.
Att kunna generera en rapport på 1000 ord säger ingenting om rapporten faktiskt hjälper någon att fatta bättre beslut. Den kanske hade kunnat sammanfattas i två meningar. Eller så tillför den inget alls, trots att den är lång och välformulerad.
När tokens blir måttet uppstår en märklig logik:
- Mer text = mer aktivitet
- Mer aktivitet = bättre prestation
- Bättre prestation = mer värde
Men kedjan håller inte. Den hoppar över det viktigaste: vilken nytta uppstod?
Varför token maxing ändå händer: behovet av att visa avkastning
Trots att token maxing kan kännas absurt är det inte svårt att förstå varför det uppstår. Många organisationer vill kunna mäta avkastning på sin AI‑satsning. Frågan är rimlig, men svaret är ofta obekvämt: det är svårt.
Hur vet vi att AI tillför värde? Hur isolerar vi effekten? Vad är det som faktiskt ska mätas? När de frågorna saknar tydliga svar blir det lockande att ta en genväg och mäta det som är lätt. Tokens är mätbara, kvantifierbara och enkla att rapportera – och kan därför börja likna ett “svar” på frågan om användning.
Det här är inte nytt – det är ett gammalt mätmönster
Det mest intressanta är att token maxing inte beskrivs som ett nytt AI‑problem, utan som ett exempel på ett gammalt organisationsmönster: vi mäter det som är enkelt och hoppas på något annat.
Det kan se ut så här:
- Vi mäter hur många rapporter som skickas in under en månad – och hoppas att besluten blir bättre.
- Vi mäter hur många supportärenden som stängs – och hoppas att det ska säga något om kundnöjdhet.
- Vi mäter hur mycket kod som skrivs – och hoppas att produkten blir bra.
Det är samma logik i olika kostymer:
Vi mäter A men hoppas på B.
A är det som är enkelt att räkna. B är det vi egentligen vill uppnå – men som är svårt att mäta.
Det här har också beskrivits tidigare i termer av produktivitetsteater: när mätetal skapar en känsla av kontroll och aktivitet, utan att de nödvändigtvis fångar det faktiska värdet.
Tokens kan vara en startpunkt – men aldrig slutstationen
Det finns ändå en liten kärna av begriplighet i token‑tänket. Om någon har tillgång till AI‑verktyg men inte använder dem alls – alltså förbrukar noll tokens – kan det signalera att personen inte utnyttjar det organisationen betalar för. På den nivån kan tokens fungera som en indikator på om verktyget används överhuvudtaget.
Men problemet uppstår när man stannar där – eller när hög tokenförbrukning börjar behandlas som ett tecken på hög produktivitet.
Tokens kan möjligen vara en startpunkt för att förstå adoption. Men sedan måste det komma något svårare, viktigare och mer relevant:
- Hur används AI?
- Till vad?
- Med vilken effekt?
- Och vilket värde skapas?
Den obekväma frågan som avslöjar allt
Ett tankeexperiment vänder på perspektivet och gör frågan skarp:
Om ni slutade mäta AI‑aktivitet i morgon och bara mätte värde – vad skulle ni mäta då?
Den frågan är jobbig av en anledning. Den kräver att man gör det arbete som token maxing riskerar att ersätta: att förstå hur AI faktiskt används i organisationen, vad man vill åstadkomma och hur man kan följa upp det.
Det är svårt. Det tar tid. Men det är också där den verkliga styrningen finns.
Det verkliga problemet: vet vi ens vad som är rätt att mäta?
Det är lätt att fastna i “vi mäter fel saker”. Men en ännu mer besvärlig variant är:
Vet vi vilka saker som är rätt att mäta?
För att kunna mäta rätt måste man först kunna svara på en större fråga: Vad förväntar vi oss att AI ska bidra med i vår organisation? När den frågan är oklar blir tokens lockande – inte för att de är bra, utan för att de är tillgängliga.
Tre frågor att ta med till nästa AI‑uppföljning
När AI‑användning börjar reduceras till tokens kan det vara klokt att stanna upp och ställa tre frågor:
- Vad är syftet med att vi använder AI här? (Vilket värde förväntas uppstå?)
- Vad är det vi faktiskt behöver mäta för att se det värdet? (Inte bara det som är lätt att räkna.)
- Om tokens bara visar aktivitet – vad visar effekt? (Och hur kan vi följa upp det utan att lura oss själva?)
Först när de frågorna får svar blir mätningen ett stöd för verksamheten – istället för en ny form av produktivitetsteater.
Denna blogg baseras på podden 7 minuter AI. >>Lyssna på podden. Och läs gärna om hur vi på JSC arbetar med applicerbar AI.