Az ai token pazarlás kérdése egyre több fejlesztőt és cégvezetőt idegel: tényleg szándékosan égetik a tokeneket az AI-cégek, hogy nagyobb legyen a számla? A rövid válasz árnyaltabb, mint a vádirat — de a gyanúnak van valós, dokumentált alapja. Ez a cikk vélemény és magyarázó műfaj: bemutatjuk mindkét oldalt, a tényeket és a tétet is.

Egyetlen leleplező hír nincs mögötte. Ehelyett egymást erősítő bizonyítékok láncolata áll össze: az árazási modell átalakulása, a reasoning modellek objektív hatékonysági hiányosságai, és néhány kínos vállalati eset. Nézzük végig, mi az, ami tény, és mi az, ami feltételezés.

Az ai token pazarlás gyanúja: honnan jött az egész?

A vita magja egy árazási váltás. A nagy LLM-szolgáltatók az előfizetéses modellről a fogyasztásalapú (tokenenkénti) árazásra álltak át, és ez új ösztönzőket teremtett. Minél hosszabb egy válasz, annál több token, annál nagyobb a bevétel.

Ezt nem egy összeesküvés-blog állítja, hanem a McKinsey elemzése. A tanácsadó 2026. július 13-i elemzése szerint a szolgáltatók az előfizetésről a fogyasztásra váltottak, ami új ösztönzőket teremtett — például nőtt a válaszok hossza, hogy hajtsa a token-fogyasztást; a drága modelleket pedig gyakran egyszerű feladatokra használják.

A pénzügyi feszültség valós. Az enterprise LLM-kiadások 12 hónap alatt megháromszorozódtak 2025 végére — annak ellenére, hogy a GPT-3.5-szintű inferencia ára 2024-ben 20 dollárról 0,07 dollárra esett millió tokenenként. Az árak zuhannak, a számlák mégis nőnek. A McKinsey FinOps-felmérése szerint a vállalati AI-felhasználók 93%-a túllépi az AI-költségvetését.

Az egyik álláspont: a rendszer a pazarlásra ösztönöz

A vádoldal érve egyszerű: ha a bevétel a tokenből jön, akkor a szolgáltatónak nem érdeke, hogy tömör legyen. David Tepper, a Pay-i vezérigazgatója a McKinsey-cikkben találóan foglalja össze: a tokenek nem érték, a tokenek a számla.

Erre rímel egy szoftvercég, az Exadel megfigyelése is: a token-volumen mindig könnyű célpont a manipulációra, mert könnyű mérni. A tényleges szállítási minőséget sokkal nehezebb meghamisítani, mert az a termelésben mutatkozik meg. Ahol a token-számot tekintik a siker mércéjének, ott a rendszer a felesleges fogyasztást jutalmazza.

Van itt egy nagyon is kézzelfogható bizonyíték. A McKinsey szerint a tömörebb promptok és válaszok — amit félig viccesen „barlangi ember nyelvnek” hívnak — 30-40%-kal csökkenthetik a token-fogyasztást minőségvesztés nélkül. Ha a felesleg elhagyható romlás nélkül, akkor az az alapból ott lévő felesleg közvetett bizonyítéka.

A másik oldal: nem összeesküvés, hanem technikai korlát

Itt jön a fontos árnyalat, ami nélkül a cikk igazságtalan lenne. Egyetlen komoly forrás sem állítja, hogy az AI-cégek tudatosan, rosszhiszeműen manipulálnák a modelleket több token generálására. A bizonyítékok strukturális ösztönzőkre és a modellek objektív gyengeségeire mutatnak — nem titkos parancsra.

A technikai oldalt az Apple kutatása világítja meg. „The Illusion of Thinking” című tanulmányuk szerint a reasoning modellek token-felhasználása nem racionálisan skálázódik a feladat nehézségével. Közepes komplexitásnál extra tokent égetnek valódi haszon nélkül — egyszerűen „túlgondolják” a problémát —, magas komplexitásnál pedig egyszerűen összeomlanak.

Vagyis a pazarlás egy része nem szándék, hanem a technológia éretlensége. A modell nem azért írja tele a választ, mert utasították rá, hanem mert nem tudja hatékonyan allokálni a saját „gondolkodását”. Ahogy egy szakértő, Pete Jarvis a LinkedInen megfogalmazta — ez véleménye, nem tény —: az ösztönző emberi, nem számítógépes.

A kínos vállalati esetek: Meta és Uber

A legbeszédesebb bizonyítékok mégis a konkrét, névvel ellátott vállalati esetek — mert itt látszik, hogyan válik a token-fogyasztás téves teljesítménymutatóvá.

A Meta 2026 áprilisában belső „Claudeonomics” ranglístát vezetett, amely mintegy 85 000 alkalmazottat rangsorolt a token-felhasználásuk alapján. A lista élén álló dolgozó egyetlen hónap alatt 281 milliárd tokent fogyasztott — ez Claude Opus 4.6 áron számolva nagyjából 1,4 millió dollár. A leaderboardot végül belső ellenállás miatt eltávolították.

Az Uber pedig még 2026 áprilisa előtt elhasználta a teljes éves AI-költségvetését. A tanulság ugyanaz: amikor a token-fogyasztást termelékenységként kezelik, a rendszer arra ösztönöz, hogy sokat költs, ne arra, hogy értéket termelj.

A token-volumen olyan mérőszám, amit könnyű felfelé hajtani, de ami önmagában semmit nem mond arról, hogy valódi üzleti érték keletkezett-e.

Egyes iparági szereplők egészen odáig mennek, hogy elvárt fogyasztást fogalmaznak meg. A pletykák szerint Jensen Huang, az Nvidia vezére szerint egy 500 000 dolláros mérnöknek évente legalább 250 000 dollárnyi token-fogyasztást kellene „produkálnia”. Ez pontosan az a gondolkodás, ami a fogyasztást teszi meg célnak — nem az eredményt.

Kontextus: a reasoning-korszak számokban

Hogy megértsd, miért robbant fel a téma épp most, nézd meg, mennyivel többet fogyasztunk. Az OpenRouter 100 billió tokenes empirikus tanulmánya szerint a reasoning modellek — amelyek 2024. december 5-én, az OpenAI o1 megjelenésével indultak hódító útjukra — mára a teljes token-forgalom több mint 50%-át adják. 2025 elején ez az arány még elhanyagolható volt.

Az átlagos szekvenciahossz 20 hónap alatt 2000-ről 5400 tokenre nőtt. Az átlagos input-prompt hossza nagyjából megnégyszereződött, a completion-hossz pedig közel megháromszorozódott — jórészt a reasoning-tokenek miatt. A skála önmagában is magyarázza, miért fáj hirtelen mindenkinek a számla.

Fontos a nagyságrend érzékeltetése is: a McKinsey havonta körülbelül 5 billió AI tokent dolgoz fel, és a fogyasztás power law szerint oszlik — a felhasználók 10%-a adja a forgalom 65%-át. A pazarlás nem egyenletes, hanem néhány intenzív felhasználónál koncentrálódik.

A véleményem: rendszerhiba, nem összeesküvés — de a tiéd a felelősség

A leghitelesebb olvasat szerint nincs füstölgő pisztoly. Nem egy titkos kapcsoló égeti a tokeneidet, hanem egy ösztönző-rendszer és egy technikai korlát együttese: a fogyasztásalapú árazás jutalmazza a hosszú válaszokat, a reasoning modellek pedig objektíven pazarlóak közepes feladatokon.

Ez viszont nem ment fel senkit. A szolgáltatónak nincs érdeke tömörségre optimalizálni, tehát ezt a munkát neked kell elvégezned. Ha a promptjaid feszesek, ha nem küldesz drága reasoning modellt egyszerű feladatra, és ha méred a fogyasztást, akkor a McKinsey saját adata szerint is 30-40%-ot spórolhatsz azonnal — minőségromlás nélkül.

A provokatív kérdés — „szándékosan égetik a tokeneket?” — tehát rossz kérdés. A jobb kérdés: hajlandó vagy-e te magad kézbe venni a token-fegyelmet, amikor a rendszer minden ösztönzője az ellenkezőjére húz?

A token-fegyelem lesz a következő valódi AI-kompetencia

Ahogy a felhő-korszakban a költségoptimalizálás (FinOps) külön szakmává vált, úgy válik az AI-korszakban a token-gazdálkodás megkerülhetetlen készséggé. Aki érti, hol keletkezik a felesleges fogyasztás, az nem csak spórol — versenyelőnyt szerez azokkal szemben, akik vakon fizetik a számlát.

Az ai token pazarlás körüli vita ezért nem a szolgáltatók erkölcséről szól elsősorban, hanem arról, hogy a felhasználók mikor ébrednek rá: a token nem érték, a token a számla — és a mérséklése rajtuk múlik.

Te mit gondolsz — rendszerhiba vagy szándékos üzletpolitika? Szólj hozzá, és oszd meg a véleményed. Ha érteni akarod a hátteret, kapcsolódó elemzésünkben lépésről lépésre elmagyarázzuk: Miért fogy el a ChatGPT limit ilyen gyorsan? A token-gazdaságtan érthetően. További szemléltető adatokért lásd a token-gazdaságtan „100x problémájáról” szóló elemzésünket is.