Услуги за внедряване на AI след отказа на Meta от токените
Компаниите, които внедряват AI, правят един практичен избор: да измерват дали хората използват инструментите, или да измерват дали работата се подобрява. Именно затова решението на Meta тази седмица да спре да обвързва оценките на представянето с използването на AI е важно отвъд рамките на една компания. За екипите, които оценяват услуги за внедряване на AI, този случай е полезно сравнение между програми, ориентирани към използването, които стимулират видима активност, и програми, ориентирани към въздействието, които водят до резултати, доверие и по-устойчиви оперативни навици.
Impact-first vs usage-first AI adoption at a glance
| Criterion | Usage-first AI adoption | Impact-first AI adoption |
|---|---|---|
| Primary metric | Prompts, tokens, active users | Cycle time, quality, throughput, cost avoided |
| Employee behaviour | More tool activity, often regardless of fit | Selective use where AI improves work |
| Management signal | Easy to track, easy to game | Harder to set up, harder to fake |
| Cost profile | Token spend can rise without ROI | Spend tied more closely to outcomes |
| Trust and privacy | Can erode if monitoring feels intrusive | Stronger when teams understand purpose and boundaries |
| Best fit | Early experimentation with loose controls | Scaled rollout with defined use cases |
| Service model | Dashboard-heavy AI consulting services | Training-led AI integration services linked to workflows and outcomes |
Компромисът е ясен. Моделите, ориентирани към използването, дават на ръководството бърза видимост, но често бъркат активността със стойност. Моделите, ориентирани към въздействието, изискват по-ясни базови показатели и по-силна управленска дисциплина, но дават по-добри сигнали, след като AI премине от тестове към оперативна употреба.
Meta drops token counts from performance reviews
Според репортажа на WIRED Meta е съобщила на служителите тази седмица, че оценките на представянето вече няма да зависят от това колко използват AI инструменти. Изданието съобщава, че формулировки за оценяване на служителите по критерии като използване на AI и AI-native статус са били заменени с по-свободни насоки, според които резултатите могат да бъдат постигнати с AI или по друг начин.
Тази промяна е важна, защото пренарежда управленския въпрос. Вместо да се пита дали служителите видимо взаимодействат с AI системи, ръководството се връща към това дали резултатът от работата се е подобрил. The Information също съобщи, че на инженерите е било казано, че таблата за проследяване на внедряването на AI и броят токени няма да се използват за оценка на въздействието.
От аналитична гледна точка това е по-скоро корекция в дизайна на стимулите, отколкото отстъпление от AI. Пазарът все по-ясно се разделя между компании, които възнаграждават взаимодействието с инструмента, и компании, които възнаграждават бизнес резултатите. С времето втората група вероятно ще получава по-надеждни сигнали от услуги за внедряване на AI.
Why tokenmaxxing distorted AI adoption
По-ранният подход на Meta създаде класически проблем на измерването: когато един прокси показател се превърне в цел, той престава да бъде добър прокси показател. Business Insider по-рано съобщи, че служителите са били оценявани по AI-driven impact по начини, които корелират с видими етикети за използване като AI Native и AI First. На практика служителите описват среда, в която обемът на prompt-овете се е превърнал в заместител на реалния принос.
Изглежда, че тази структура на стимули е насърчила това, което служителите вътрешно са наричали tokenmaxxing. WIRED съобщава, че някои служители многократно са подавали prompt-и към инструментите по начини, които колегите им са възприемали като несъществени, само за да повишат вътрешните показатели за използване. Изтекла класация, по-късно отразена от Fortune, дори според съобщенията е отличавала най-активните потребители с етикети като Token Legend.
Точно тук много AI consulting services грешат в корпоративна среда. Те започват с видимост чрез табла, защото таблата са лесно разбираеми за ръководителите. Но сами по себе си таблата не отговарят на оперативния въпрос: намали ли AI времето за преглед, подобри ли процента на решаване, съкрати ли циклите по изготвяне или намали ли ръчната преработка? Без този слой екипите започват да оптимизират таблото с резултати.
По-малко очевидната цена е културна. Щом служителите повярват, че ръководството основно иска видимо използване на AI, те започват да използват инструментите отбранително. Така AI се измества от система за продуктивност към система за сигнализиране.
Hatch shows the next problem: usage without trust
Вътрешният тест на Hatch в Meta прави сравнението още по-ясно. Както съобщава WIRED, Hatch е agentic AI инструмент, който може да сърфира в уеба и да работи с други приложения, а служителите го тестват на корпоративни устройства преди вероятно публично пускане. Описанието на Hatch от Business Insider подсказва нещо по-близко до асистент, който предприема действия, а не просто генерира текст.
Това променя уравнението на внедряването. При чатботовете прекомерната употреба основно хаби токени и време. При агентите слабият дизайн на внедряването може да доведе до притеснения за поверителността, грешки в процесите и проблеми с доверието. WIRED съобщава, че някои служители са се колебаели да свържат Hatch с личните си имейл и календарни акаунти поради опасения за поверителността и страх, че AI може да допусне грешки в чувствителен контекст.
Ето защо решенията за AI implementation services и AI integration partner не могат да бъдат отделени от обучението и дизайна на доверието. Колкото повече инструментът действа от името на служителите, толкова по-неразумно е успехът да се оценява по суровото използване. Напълно рационално е служител да избягва агент, който изглежда недостатъчно управляван, особено след по-ранния проект на Meta за проследяване на служители, който според WIRED вече е отслабил доверието.
С други думи, предизвикателството при внедряването не е просто да накарате хората да използват повече AI. То е да ги накарате да използват правилния AI, в правилните моменти, с ясни граници и надежден резервен път, когато системата греши.
Impact-first AI adoption vs usage-first AI adoption
Примерът с Meta е полезен, защото показва две различни логики на внедряване една до друга.
Measurement
Програмите, ориентирани към използването, са изградени около табла за внедряване на AI, брой токени и графики за активни потребители. Те са полезни в ранните пилотни фази, защото показват дали екипите изобщо са докоснали инструментите. Но като управленски метрики остаряват бързо. Високото използване може да означава любопитство, натиск или разхищение.
Програмите, ориентирани към въздействието, започват с AI implementation roadmap, свързана с конкретни работни процеси. Екип по продажби може да следи времето за изготвяне на оферти; екип по поддръжка може да следи скоростта на първи отговор и качеството на ескалациите; медиен екип може да следи времето за проучване и процента на фактически корекции. Тези измерители изискват повече работа в началото, но свързват AI с оперативната ефективност.
Cost control
Системите, ориентирани към използването, често носят скрит бюджетен проблем. Ако обемът токени се превърне в метрика за престиж, разходите растат, преди стойността да е доказана. Собственият завой на Meta от насърчаване на използването към според съобщенията ограничаване на част от достъпа, отразен от The Information, е предвидим резултат.
Системите, ориентирани към въздействието, също харчат за използване на модели, обучение и интеграция, но създават по-здрава основа за преценка дали този разход е оправдан. Именно тук AI integration services имат по-голяма устойчивост от общи кампании за внедряване.
Employee trust
Внедряванията, ориентирани към използването, често размиват границата между enablement и наблюдение. Ако служителите смятат, че всеки prompt на практика е част от поведенческа оценка, те или ще прекаляват с използването на инструментите, или ще избягват важните гранични случаи. Нито един от двата резултата не води до по-добра работа.
Внедряванията, ориентирани към въздействието, позволяват на екипите да разберат къде AI е полезен и къде не е. Това обикновено създава по-убедителни вътрешни норми, особено в технологични компании, бизнес услуги и медийни организации, където знанието-интензивната работа варира силно според задачата.
Which approach scales better?
Данните от Meta подсказват, че моделите, ориентирани към въздействието, се мащабират по-добре, след като организацията излезе отвъд фазата на експериментиране. Метриките за използване са приемливи като ранни индикатори за внедряване. Те са слаби като критерии за оценка на представянето.
What this means for enterprise rollout teams
За компаниите, които купуват услуги за внедряване на AI, изводът не е, че данните за използване са безполезни. Изводът е, че тези данни трябва да стоят ниско в йерархията на измерване. Един разумен rollout обикновено започва с enablement, определя тесен набор от случаи на употреба, измерва промените в резултатите и едва след това преминава към по-широка автоматизация или внедряване на агенти.
Тази последователност има значение както за средни компании, така и за enterprise среда. В компания с 300 души лошите метрики могат бързо да изкривят един отдел. В компания с 30 000 души те могат да изкривят бюджетното разпределение, избора на инструменти и поведението на служителите във всички функции.
Три признака, че едно внедряване е твърде силно подчинено на метрики:
- Ръководителите обсъждат активните потребители по-често, отколкото подобренията във времето на цикъла или качеството.
- Служителите усещат натиск да използват AI дори когато задачата не е подходяща или е чувствителна.
- Agentic инструменти се въвеждат, преди да са ясни границите за поверителност и правилата за човешки преглед.
По-силният модел комбинира обучение, дизайн на работните процеси и измерване на резултатите. Това е практическата връзка между услуги за внедряване на AI, AI implementation services и надежден AI integration partner: не повече използване, а по-добра работа.
Verdict
Изберете подход, ориентиран към използването на AI, ако непосредствената цел е базова експозиция и ранно експериментиране, а ръководството разбира, че метриките са временни.
Изберете подход, ориентиран към въздействието, ако целта е устойчиво подобрение в представянето, по-добро доверие от страна на служителите и AI внедряване, което може да издържи на бюджетен контрол. Обратът в Meta подсказва, че с узряването на AI програмите все повече компании ще се насочат натам.
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation