Token không phải là tài sản thực sự, trí tuệ nhân tạo mới là

Tác giả: Trương Phong

I. Tiêu thụ token khổng lồ của nhân viên các công ty công nghệ

Tháng 5 năm 2026, một bài báo đã gây chú ý rộng rãi trong ngành: Một công ty công nghệ do không đặt giới hạn cấp phép sử dụng Claude cho nhân viên, đã tiêu thụ token tương đương khoảng 5 tỷ USD trong một tháng. Trường hợp cực đoan này đáng để xem xét không phải vì quy mô của nó, mà vì nó đã phơi bày ra một lỗ hổng trong logic đo lường: Công ty này coi tiêu thụ token như một thước đo cường độ sử dụng AI của nhân viên, nhưng lại không xây dựng bất kỳ cơ chế kiểm soát nào liên quan đến kết quả kinh doanh.

Nếu nói vụ “hóa đơn bùng nổ” này chỉ là sơ suất quản lý hành chính, thì thực tiễn nội bộ của Meta, Amazon và các doanh nghiệp hàng đầu Silicon Valley lại hé lộ những vấn đề sâu xa hơn. Trong nội bộ Meta từng ra mắt bảng xếp hạng mang tên “Claudeonomics”, theo dõi tiêu thụ token của hơn 85.000 nhân viên, đặt các danh hiệu như “Huyền thoại Token”, “Người đánh giá mô hình” để thúc đẩy xếp hạng và khích lệ. Dữ liệu cho thấy, trong vòng 30 ngày, toàn bộ nhân viên đã tiêu thụ tổng cộng khoảng 60 triệu tỷ token, theo định giá công khai của Anthropic, tương đương khoảng 900 triệu USD; nhân viên có mức tiêu thụ cao nhất trong tháng đạt khoảng 2.810 tỷ token, tương đương hơn 1,4 triệu USD. Trong nội bộ Amazon, bảng xếp hạng “Kirorank” ban đầu nhằm thúc đẩy ứng dụng AI trong các tình huống kinh doanh, nhưng lại dẫn đến hiện tượng nhân viên cố ý thực hiện các thao tác vô nghĩa để “làm điểm”, cuối cùng bị phó chủ tịch cao cấp chỉ trích “đừng dùng AI để dùng AI”. Đơn vị đo lường tiêu thụ token, sau khi bị biến dạng thành thước đo quản lý trong nội bộ doanh nghiệp, đang tạo ra sự lệch lạc lớn trong các động lực khích lệ quy mô lớn.

Từ đó nảy sinh câu hỏi cốt lõi: Liệu tiêu thụ token có thể làm căn cứ để đánh giá trí tuệ nhân tạo, doanh nghiệp hay hiệu quả của nhân viên không? Nếu câu trả lời là không, thì chỉ số nào mới thực sự có ý nghĩa đánh giá?

Chúng tôi cho rằng, lấy tiêu thụ token làm chỉ số đánh giá là rất nguy hiểm, vì nó đã làm lẫn lộn giữa “chi phí” và “giá trị”, giữa “quá trình” và “kết quả”. Trong bối cảnh trí tuệ nhân tạo đang trở thành xu hướng chính của ứng dụng AI, tài sản thực sự không phải là token, mà là chính trí tuệ nhân tạo đó.

II. Quá trình tài sản hóa token diễn ra như thế nào?

2.1 Chín muồi của thương mại hóa định giá token

Token, như đơn vị nhỏ nhất để xử lý văn bản của các mô hình lớn, đã được xác lập là đơn vị định giá cơ bản của ngành công nghiệp AI. Tháng 3 năm 2026, Ủy ban Phê duyệt Thuật ngữ Khoa học và Công nghệ Quốc gia chính thức đặt tên tiếng Trung của token là “từ nguyên”, phát hành thử nghiệm toàn xã hội, và Cục Dữ liệu Quốc gia tiếp tục định nghĩa nó là “đơn vị thanh toán trong thời đại trí tuệ”. Theo tiết lộ của Cục Dữ liệu Quốc gia, trong quý I năm 2026, lượng gọi token trung bình hàng ngày của Trung Quốc đã vượt quá 140 triệu tỷ, tăng hơn nghìn lần so với đầu năm 2024. Việc tiêu chuẩn hóa thuật ngữ này phản ánh sự hình thành đồng thuận trong ngành về hệ thống định giá token.

Xét về mặt định giá, thị trường token hiện nay thể hiện sự phân cực cực đoan. Trong các mô hình quốc tế chủ đạo, giá đầu vào của GPT-4o là 2,5 USD cho mỗi triệu token, đầu ra là 10 USD; Claude Sonnet 4.6 có giá đầu vào 3 USD, đầu ra 15 USD. Tháng 4 năm 2026, OpenAI chính thức ra mắt dòng GPT-5.5 và phiên bản cao cấp GPT-5.5 Pro, với giá API là 30 USD cho đầu vào và 180 USD cho đầu ra mỗi triệu token. Trong khi đó, các mô hình lớn trong nước cạnh tranh quyết liệt bằng chiến tranh giá: ngày 27 tháng 5 năm 2026, Xiaomi tuyên bố giảm giá vĩnh viễn dòng MiMo-V2.5 API cao nhất tới 99%, trong đó giá đầu vào cache hit của MiMo-V2.5-Pro giảm còn 0,025 nhân dân tệ cho mỗi triệu token; DeepSeek ra mắt dòng V4, phiên bản V4-Pro cao cấp trong thời gian ưu đãi cũng có giá đầu vào cache hit thấp tới 0,025 nhân dân tệ cho mỗi triệu token. Đơn vị định giá token không có “giá trị hợp lý” thống nhất — các mô hình khác nhau, các tình huống khác nhau, tiêu thụ token tương đương có thể ứng với giá chênh lệch hàng trăm, thậm chí hàng nghìn lần.

2.2 Sự trỗi dậy và vấn đề của Tokenmaxxing

Tính hợp lý kỹ thuật của token như một đơn vị định giá, cùng với sự bảo chứng của quản lý, tồn tại một khoảng cách nguy hiểm trong việc biến nó thành thước đo quản lý trong doanh nghiệp. “Tokenmaxxing” bắt đầu phổ biến trong nội bộ doanh nghiệp từ khoảng năm 2025, dựa trên logic quản lý: đã mua công cụ AI rồi, nhân viên nên tối đa hóa sử dụng để thể hiện lợi tức đầu tư.

Tuy nhiên, dữ liệu cho thấy tính yếu ớt của logic này. Một số nghiên cứu ước tính, mỗi 1 USD chi phí mua token AI của doanh nghiệp có thể đi kèm khoảng 0,5 đến 0,8 USD tổn thất ngầm, bao gồm sửa lỗi, viết lại mã, trì hoãn kiểm tra. Phân tích chỉ ra rằng, 10% người dùng nặng Claude Code tiêu thụ token gấp khoảng mười lần so với các nhà phát triển bình thường, nhưng kết quả đạt được chỉ gấp đôi. Amazon, Meta đã lần lượt đóng các bảng xếp hạng token nội bộ của mình, Uber trong vòng bốn tháng đã tiêu hết ngân sách token AI cả năm. Ngành đang từ câu chuyện “dùng AI quá đỉnh” chuyển sang giai đoạn thận trọng hơn về việc “tiêu tiền có đáng không”.

2.3 Sự xuất hiện của nền kinh tế trí tuệ nhân tạo

Tuy nhiên, cuộc thảo luận tập trung vào tiêu thụ token gần như bỏ qua các biến đổi mang tính cấu trúc diễn ra cùng thời điểm: trí tuệ nhân tạo đang từ khả năng bổ sung của các mô hình lớn trở thành thực thể công nghệ và kinh tế độc lập. Tháng 5 năm 2026, Bộ Công an, Bộ Phát triển và Cải cách Quốc gia, Bộ Công nghiệp và Thông tin đã ban hành “Ý kiến thực hiện về chuẩn hóa ứng dụng và đổi mới phát triển trí tuệ nhân tạo”, xác định rõ trí tuệ nhân tạo là dạng quan trọng của sản phẩm và dịch vụ AI. Tại hội nghị nhà phát triển của Anthropic tháng 5, Claude Code được đẩy từ “trợ lý lập trình AI trong thiết bị cuối” thành “hạ tầng tự động hóa bất đồng bộ cho nhóm kỹ thuật”, và chính thức chuyển sang mô hình định giá “phí cơ bản + trả theo công suất tính toán thực tế”. Chiến lược “quản lý agent” của Anthropic thể hiện một bước chuyển sâu hơn: các nhà cung cấp bắt đầu trực tiếp bán hạ tầng vận hành agent, mô hình kinh doanh chuyển từ bán token sang bán khả năng vận hành trí tuệ nhân tạo.

Trong bối cảnh này, giới hạn của đo lường tiêu thụ token ngày càng rõ nét, và các hệ thống đánh giá thay thế cũng đang được thúc đẩy nhanh chóng.

III. Thực sự có phù hợp khi dùng token làm thước đo?

3.1 Bốn hạn chế cấu trúc của thước đo token

Thứ nhất, token gây nhầm lẫn giữa chi phí và giá trị. Trong Hội nghị nhà phát triển AI của Baidu năm 2026, ông Robin Li đã nhấn mạnh: “Token chỉ đại diện cho chi phí, không đại diện cho lợi nhuận; nó đo lường đầu tư, không đo lường kết quả”. Giáo sư Ma Shaoping của Đại học Thanh Hoa giải thích từ góc độ kỹ thuật nền tảng: “Token bản thân không mang trí tuệ, nó chỉ là phương tiện chứa đựng thông tin; trí tuệ của AI thể hiện qua mối quan hệ mô hình của chuỗi token”. Việc lấy tiêu thụ token làm chỉ số hiệu quả, tương đương với một nhà máy lấy lượng điện tiêu thụ làm tiêu chuẩn đánh giá giá trị sản xuất — tiêu thụ điện nhiều hơn không nhất thiết có nghĩa là sản lượng cao hơn, ngược lại có thể biểu thị thiết bị kém hiệu quả hoặc quản lý lỏng lẻo.

Thứ hai, token thiếu chuẩn mực đo lường chung cho các mô hình và nhiệm vụ khác nhau. Các mô hình lớn khác nhau có cách tính token không giống nhau, việc điều chỉnh bộ phân tách từ trong các phiên bản của Anthropic có thể làm thay đổi đáng kể số lượng token tiêu thụ cho cùng một văn bản. Trong các nhiệm vụ khác nhau, để hoàn thành mục tiêu kinh doanh tương tự, lượng token cần dùng cũng có thể chênh lệch hàng số. Về bản chất, khi giá token đã chênh lệch hàng trăm lần giữa các nhà cung cấp khác nhau, việc dùng nó làm thước đo hiệu quả là không thể tự nhất quán về mặt logic.

Thứ ba, việc đánh giá bằng token gây ra lệch lạc trong động lực. Khi tiêu thụ token trở thành một phần trong đánh giá hiệu suất, doanh nghiệp đối mặt không phải là nhân viên lãng phí chi phí do sử dụng AI quá mức, mà là nhân viên chủ động chọn “tối đa hóa tiêu thụ token” như một mục tiêu giả. Các kỹ sư không còn theo đuổi hoàn thành nhiệm vụ tối ưu với ít token nhất, mà thay vào đó mở rộng chuỗi nhiệm vụ, thêm các bước suy luận thừa thãi để tăng lượng token — hiện tượng “biến dạng chỉ số” này rõ ràng đã thể hiện trong thực tiễn của Meta và Amazon.

Thứ tư, token khó phản ánh chất lượng hoàn thành. Một trí tuệ nhân tạo có thể giải quyết các vấn đề phức tạp chính xác ngay lần đầu, tiêu thụ ít token hơn nhiều so với một trí tuệ nhân tạo kém chất lượng phải thử đi thử lại, nhiều lần lùi bước, từng bước tiến gần đến đáp án. Tiêu thụ nhiều token hơn thường đồng nghĩa với hiệu quả vận hành thấp hơn — điều trái ngược hoàn toàn với mục tiêu đánh giá.

3.2 Định nghĩa lại trí tuệ nhân tạo như một tài sản cốt lõi

Phân tích trên dẫn đến kết luận căn bản: Token là tài nguyên bị tiêu hao, còn trí tuệ nhân tạo là thực thể tạo ra giá trị. Mối quan hệ giữa chúng giống như mối quan hệ giữa tiêu thụ điện năng và động cơ điện — có thể thống kê tổng lượng điện tiêu thụ, nhưng giá trị thực sự nằm ở chỗ thiết bị điện đã làm được bao nhiêu công việc, sản phẩm đã tạo ra gì.

Chiến lược phát triển của Anthropic là minh chứng rõ ràng. Phiên bản Claude mới ra tháng 5 năm 2026 tập trung vào “lập trình agent, sử dụng máy tính, công việc tri thức, phân tích tài chính” — tức là các tình huống thực tế mà trí tuệ nhân tạo có thể can thiệp. Đặc biệt, Anthropic thể hiện chiến lược nền tảng trong “quản lý agent”: các nhà cung cấp bắt đầu trực tiếp bán hạ tầng vận hành agent, chuyển từ bán quyền gọi mô hình sang cung cấp dịch vụ vận hành trí tuệ nhân tạo. Thay đổi này về bản chất là chuyển tải giá trị từ tiêu thụ hạ tầng tính toán xuống phía ứng dụng.

Theo tiết lộ của người phụ trách Claude Code, nếu dựa trên giá theo mô hình đăng ký thuần túy hiện tại, sản phẩm này không có lãi. Thực tế này cho thấy, dựa vào định giá token khó có thể bù đắp chi phí thực của trí tuệ nhân tạo — giá trị của trí tuệ nhân tạo đến từ mức độ hoàn thành nhiệm vụ, độ tự động hóa và mức độ tích hợp vào quy trình làm việc, những yếu tố này không thể được phản ánh đầy đủ trong đo lường token.

3.3 Xu hướng xuất hiện các tiêu chuẩn đánh giá mới

Khi token không còn đủ khả năng làm thước đo, ngành công nghiệp đang tìm kiếm các phương án thay thế. Trong đánh giá hoàn thành nhiệm vụ, SWE-bench Verified đã trở thành tiêu chuẩn đánh giá nghiêm ngặt trong lĩnh vực trí tuệ nhân tạo mã nguồn, yêu cầu mô hình tự định vị và sửa lỗi trong các kho mã nguồn thực tế của GitHub. Các bảng xếp hạng công khai cho thấy, Claude Sonnet 4 đạt khoảng 80,20% điểm trên SWE-bench Verified, các mô hình như Claude Opus 4.6 đạt khoảng 78-80%. Điểm chung của các tiêu chuẩn này là không tính tiêu thụ token, mà đánh giá xem trí tuệ nhân tạo đã hoàn thành bao nhiêu “đơn vị nhiệm vụ”.

Về mặt đánh giá giá trị kinh doanh, Baidu đề xuất chỉ số DAA (số lượng trí tuệ nhân tạo hoạt động hàng ngày), định nghĩa là “mỗi ngày có bao nhiêu trí tuệ nhân tạo thực sự làm việc và giao kết quả cho người dùng”. Chỉ số này chuyển trọng tâm từ “sử dụng AI nhiều” sang “AI hoàn thành nhiều nhiệm vụ”.

Trong nội bộ Amazon, họ cũng đang thử nghiệm chỉ số “triển khai chuẩn hóa” để thay thế theo dõi token, tập trung vào khả năng kỹ sư liên tục tạo ra mã có giá trị thực. Báo cáo của FinOps Foundation năm 2026 cho thấy, 98% doanh nghiệp đã bắt đầu quản lý chi phí AI, so với 31% của hai năm trước, khả năng kiểm soát chi phí trở thành thách thức hàng đầu. Xu hướng này cho thấy, ngành đang chuyển từ đánh giá dựa trên “có chi tiêu hay không” sang “mối quan hệ giữa chi tiêu và kết quả” theo cấu trúc rõ ràng hơn.

Các hướng tiếp cận này đều có chung logic: dựa trên chất lượng và số lượng nhiệm vụ mà trí tuệ nhân tạo hoàn thành làm thước đo, chứ không phải dựa vào tổng lượng tài nguyên tiêu hao — điều này chứng minh cho luận đề “tài sản thực sự không phải token, mà là chính trí tuệ nhân tạo”.

IV. So sánh giữa đo lường token và chiến tranh giá token

4.1 Phái đo lường token vs phái đo lường trí tuệ nhân tạo

Phái đo lường token bắt nguồn từ phát biểu của Jensen Huang tại GTC tháng 3 năm 2026: “Nếu một kỹ sư lương 50.000 USD/năm tiêu thụ không quá 25.000 USD token trong một năm, tôi sẽ rất lo lắng”, và chủ trương xem ngân sách token như một chỉ số đầu vào của năng suất làm việc. Cấu trúc kể chuyện này chủ yếu dựa trên giả định: lượng token tiêu thụ tỷ lệ thuận với giá trị tạo ra.

Tuy nhiên, giả định này đang gặp nhiều thách thức. Giám đốc điều hành Uber, ông Andrew Macdonald, đã trực tiếp chỉ ra bản chất vấn đề: “Chúng tôi rất khó liên hệ giữa việc nâng cao năng suất cá nhân của nhân viên và ảnh hưởng tổng thể đến hoạt động của công ty”. Trong thực tiễn doanh nghiệp, nhân viên thường dùng AI để làm những công việc họ “không thích”, chứ không phải những việc “có giá trị nhất” cho công ty. Về mặt tài chính, khảo sát cho thấy chỉ 14% CFO có thể thấy rõ lợi ích của đầu tư AI. Uber sau khi tiêu hết ngân sách token trong năm, không thể thấy hiệu quả tương ứng. Những bằng chứng này đều hướng tới một kết luận chung: Ngân sách token và tăng trưởng kinh doanh không có mối quan hệ nhân quả rõ ràng, token không nên được dùng làm thước đo đánh giá.

4.2 Hiệu ứng hai mặt của chiến tranh giá token

Cuộc cạnh tranh quyết liệt về giá token đã làm tăng thêm một chiều hướng mới cho tranh luận này. Tháng 4 năm 2026, GPT-5.5 Pro của OpenAI có giá đầu vào 30 USD, đầu ra 180 USD mỗi triệu token, tăng gấp nhiều lần so với GPT-5.4 Pro trước đó. Đồng thời, DeepSeek giảm giá dòng V4-Pro xuống còn 0,025 nhân dân tệ mỗi triệu token, Xiaomi cũng giảm giá cache hit của MiMo-V2.5-Pro xuống còn 0,025 nhân dân tệ. Mức độ phân hóa của hệ thống giá token đã vượt xa mọi phân khúc giá của thị trường hàng hóa truyền thống. Trong cùng một hạ tầng, chi phí gọi token cho mỗi triệu token có thể từ dưới 0,03 nhân dân tệ đến khoảng 210 nhân dân tệ (khoảng 30 USD).

Động thái này đặt ra một thách thức căn bản đối với độ tin cậy của token như một thước đo: nếu chi phí token giữa các nhà cung cấp khác nhau có thể chênh lệch hàng trăm, thậm chí hàng nghìn lần, thì tiêu thụ token làm căn cứ so sánh hiệu quả AI của các doanh nghiệp sẽ ra sao? Đối với nhà đầu tư và nhà phân tích, việc dự báo hiệu quả dựa trên tiêu thụ token sẽ ngày càng dễ sai lệch. Giá token đang trải qua quá trình phân hóa nhanh chóng, “đầu tư dựa trên tiêu thụ” đang mất đi tính tham chiếu rõ ràng.

V. Thực tế rõ ràng hơn lời nói

Tình huống 1: “Claudeonomics” của Meta thất bại

Tháng 4 năm 2026, một nhân viên Meta đã phát triển bảng điều khiển nội bộ mang tên “Claudeonomics”, để thống kê tiêu thụ token của hơn 85.000 nhân viên. Dữ liệu cho thấy, trong 30 ngày, toàn bộ nhân viên đã tiêu thụ khoảng 60 triệu tỷ token, theo định giá của Anthropic, tương đương khoảng 900 triệu USD. Nhân viên tiêu thụ nhiều nhất trong tháng đạt khoảng 2.810 tỷ token, tương đương hơn 140.000 USD.

Trường hợp này thể hiện rõ ba giai đoạn của việc định lượng dựa trên token: Giai đoạn 1, dùng token để thúc đẩy nhân viên sử dụng AI; Giai đoạn 2, nhân viên chủ động tìm kiếm hoặc tạo ra nhiệm vụ tiêu thụ token để giữ thứ hạng; Giai đoạn 3, nguồn lực tính toán của công ty bị lãng phí vô ích, chất lượng sản phẩm đầu ra thấp hơn nhiều so với kỳ vọng. Cuối cùng, Meta đã đóng bảng xếp hạng này.

Tình huống 2: Áp lực về năng lực tính toán của Anthropic và mở rộng quy mô

Một mặt khác của đo lường token là chi phí và áp lực về năng lực tính toán của các nhà cung cấp mô hình. Tháng 5 năm 2026, để giảm bớt giới hạn dung lượng của Claude, Anthropic tuyên bố sẽ tiếp quản toàn bộ năng lực của trung tâm dữ liệu Colossus 1 của SpaceX, với hơn 300 MW công suất mới, hơn 220.000 GPU của Nvidia. Theo thỏa thuận, năng lực mới sẽ trực tiếp nâng cao khả năng phục vụ của Claude Pro và Claude Max. Động thái mở rộng này cho thấy hệ thống định giá token phụ thuộc rất lớn vào cung cấp năng lực tính toán, và tính ổn định dài hạn của hệ thống này vẫn còn nhiều biến số.

Tình huống 3: Áp lực chung của hóa đơn token doanh nghiệp

Có thông tin cho rằng Microsoft từng hạn chế nhân viên sử dụng Claude Code. Uber trong vòng bốn tháng đã tiêu hết ngân sách token AI cả năm. Các báo cáo tài chính của Shopify, Spotify, ServiceNow, Roku đều đề cập AI là nguồn chi tiêu vận hành chính. Khi hóa đơn token tăng nhanh bắt đầu ảnh hưởng đến số liệu tài chính quý, các doanh nghiệp mới bắt đầu xem xét một cách hệ thống mối liên hệ giữa tiêu thụ token và kết quả kinh doanh.

Tình huống 4: Trí tuệ nhân tạo như một tài sản tích cực

Trong khi phái đo lường token gặp nhiều thách thức, các doanh nghiệp xây dựng hệ thống đánh giá dựa trên chính trí tuệ nhân tạo đã có những hướng đi khác biệt. Chiến lược của Anthropic tập trung vào dịch vụ doanh nghiệp: dù người dùng cuối của họ chưa bằng một phần hai ChatGPT, nhưng về doanh thu hàng năm, họ vẫn liên tục tiến gần OpenAI. Theo truyền thông, doanh thu hàng năm của Anthropic cuối năm 2025 khoảng 9 tỷ USD, đến tháng 3 năm 2026 đã vượt 30 tỷ USD, chính thức vượt qua mức 25 tỷ USD của OpenAI cùng kỳ. Một trong những nguyên nhân chính là trí tuệ nhân tạo của họ thực hiện các nhiệm vụ thực tế như xử lý hợp đồng, phân tích dữ liệu, điều phối chuỗi cung ứng — người dùng không thấy trí tuệ nhân tạo tồn tại, nhưng mỗi ngày đều có giá trị ổn định sinh ra.

Theo các báo cáo của The Information và các phương tiện truyền thông khác, doanh thu hàng năm của Claude Code liên tục tăng trưởng nhanh từ năm 2025 đến đầu 2026. Các doanh nghiệp trả tiền dựa trên chất lượng hoàn thành nhiệm vụ của trí tuệ nhân tạo, chứ không chỉ dựa vào lượng tiêu thụ tính toán — điều này chính là bằng chứng rõ ràng cho luận đề “trí tuệ nhân tạo là tài sản thực sự”.

VI. Từ trung tâm token sang trung tâm trí tuệ nhân tạo như một tài sản

Tổng kết lại, rõ ràng các xu hướng tích cực và tiêu cực đã ngày càng rõ nét.

Thứ nhất, tiêu thụ token như một chỉ số đánh giá hiệu quả có những hạn chế cấu trúc rõ rệt. Nó gây nhầm lẫn giữa đầu vào và đầu ra, giữa chi phí và giá trị; thiếu chuẩn mực đo lường chung cho các mô hình và tình huống khác nhau; tách rời mục tiêu đánh giá khỏi mục tiêu kinh doanh, dẫn đến lệch lạc trong các động lực. Các thực tiễn nội bộ của Meta và Amazon đã chứng minh rõ điều này.

Thứ hai, trí tuệ nhân tạo đang trở thành tài sản có giá trị thực chất nhất trong nền kinh tế AI. Đặc điểm của trí tuệ nhân tạo là “hoàn thành các đơn vị nhiệm vụ”, chứ không phải “tiêu thụ đơn vị tính toán”. Một trí tuệ nhân tạo hiệu quả có thể hoàn thành các nhiệm vụ phức tạp với lượng token cực ít; một trí tuệ kém hiệu quả có thể tiêu thụ nhiều token mà không giải quyết được vấn đề thực tế nào. Do đó, tiêu thụ token không phản ánh rõ năng lực của trí tuệ nhân tạo, cũng không thể dự đoán lợi nhuận đầu tư AI của doanh nghiệp.

Thứ ba, ngành công nghiệp đang chuyển từ hệ thống đánh giá dựa trên token sang hệ thống dựa trên trí tuệ nhân tạo như một tài sản. Các tiêu chuẩn như SWE-bench giúp so sánh khả năng của trí tuệ nhân tạo theo nhiệm vụ; chỉ số DAA (số lượng trí tuệ nhân tạo hoạt động hàng ngày) hướng tới đánh giá xem AI đã hoàn thành bao nhiêu nhiệm vụ thực tế; các doanh nghiệp nội bộ đang khám phá các chỉ số dựa trên chất lượng kết quả.

Tổng thể, tài sản thực sự không phải là token, mà là chính trí tuệ nhân tạo. Token là nhiên liệu vận hành trí tuệ nhân tạo, nhưng năng lực cạnh tranh của doanh nghiệp phụ thuộc vào hiệu quả của động cơ, chứ không phải dung lượng bình nhiên liệu. Chuyển đổi từ hệ thống đo lường dựa trên token sang dựa trên trí tuệ nhân tạo sẽ là một trong những xu hướng chính trong việc xây dựng lại hệ thống đánh giá ngành AI trong vòng 3-5 năm tới.