トークンマキシングとは？｜トークン消費量でAI活用度を測る文化の落とし穴

トークンマキシング（tokenmaxxing）とは、AIに処理させたトークンの量をAI活用の度合いとみなし、たくさん使うこと自体を競ったり目標にしたりする文化のことです。トークンはAIが文章を読み書きするときの処理単位です。APIでは入力・出力トークン量に応じた従量課金が一般的ですが、定額プランや企業契約では料金体系が異なります。2026年春には、Metaの社内で8万5千人超の従業員が30日間に60兆トークンを使っていたことが報じられ、この言葉が一気に広まりました。この記事では言葉の出どころと各社の事例を確かめ、60兆という数字を1人あたりに割ったうえで、指標を目標にすると何が起きるかを統計の見方から考えます。

トークンマキシングはトークン消費量をAI活用度とみなす文化を指す

日本語でこの言葉をまとまった形で紹介したのは、@ITの2026年4月27日の記事です（@IT（2026/4/27））。記事はトークン消費量をAI活用度とみなす文化としてこの語を説明し、語源をネットスラングの「〜maxxing」と、RPGでキャラクターの長所を極端に伸ばし短所を切り捨てる「min-maxing」に求めています。「〜maxxing」は、見た目を磨き上げる「Looksmaxxing」のように、何かひとつを極限まで追い込む行為を指す言い回しです。命名者は分かっておらず、英語版Wikipediaにも項目がありますが、初出や造語者の記載はありません。

一方でTechTarget Japanは、この語を「むやみにトークンを大量に費やす行為」と訳し、コストの浪費という意味合いで使っています（TechTarget Japan（2026/5/8））。トークンマキシングは、AIを使った量がそのまま頑張りや成果の証とみなされる状況を、半ば皮肉を込めて呼ぶ言葉です。

Metaでは30日で60兆トークンが使われ、社内ランキングは2日で消えた

象徴的な事例がMetaの社内ダッシュボード「Claudeonomics」です。従業員のトークン消費量を順位づけするもので、対象は8万5千人超、30日間の合計は60兆トークンに達していました。The Informationがこれを報じると、2日後にダッシュボードは廃止されました（Fortune（2026/4/9））。

エンジニア向けニュースレターのPragmatic Engineerは、この60.2兆トークンをAPIの定価で機械的に換算すると約9億ドルになると推計しています。これはMetaが実際に支払った金額ではありません（Pragmatic Engineer（2026/4/23））。同じ記事によると、Salesforceは社員にAIツールの月額最低利用目標（Claude Codeで100ドル、Cursorで70ドル）を設け、Microsoftも1月から社内ランキングを始めていました。こうしたランキングを最初に導入したのは、2025年のShopifyだったとされています。

各社に共通するのは、AIの導入を急ぐなかで「どれだけ使ったか」が最も手軽に測れる数字だったことです。使われなければ投資が無駄になるので、利用量を見たくなる事情は理解できます。ただ@ITの記事は、HubSpotのCEOが2026年4月に「Outcome maxxing ≠ token maxxing」（成果の最大化はトークンの最大化ではない）と発言したことも紹介しています。

60兆トークンを1人あたりに割ると何が見えるか

以下は総量を人数で割った平均で、典型的な社員の利用量を示すものではありません。

まず規模を実感できる単位に直してみます。60兆トークンを8万5千人で割ると、60,000,000,000,000÷85,000≒705,882,353、つまり1人あたり月に約7.06億トークンです。30日で割れば1日あたり約2,353万トークンになります。費用の側から見ると、約9億ドルを8万5千人で割って1人あたり月に約10,588ドル、トークン単価に直すと9億ドル÷60.2兆≒100万トークンあたり約15ドルです。

計算	式	結果
1人あたり月間トークン	60兆÷85,000	約7.06億
1人あたり1日トークン	7.06億÷30	約2,353万
1人あたり月額（定価換算）	9億ドル÷85,000	約10,588ドル
100万トークンあたりの単価	9億ドル÷60.2兆×100万	約15ドル

対象は「8万5千人超」なので、実際の1人あたりはこれより少し小さくなります。また、個人差の大きい分布では一般に、ごく一部の大量消費者が平均を大きく押し上げます。平均の約7億トークンは「典型的な社員の使用量」ではない可能性が高いと考えておくべきです。

そのうえで考えたいのが、グッドハートの法則です。経済学者チャールズ・グッドハートに由来する経験則で、「指標が目標になると、その指標はよい指標ではなくなる」と要約されます。成果をトークン量で分解すると「成果＝トークン量×（1トークンあたりの成果）」と書けます。トークン量はAIを仕事に役立てているかどうかを見るための代わりの物差しでしたが、それ自体が評価の対象になると、人は後ろの項を気にせず前の項だけを増やそうとします。たとえばトークン量が2倍になっても1トークンあたりの成果が半分に落ちれば、成果は2×0.5＝1倍で変わらず、費用だけが2倍になります。トークン量を目標にした瞬間、それはAIの活用度を測る物差しとしての意味を失います。

トークンマキシングに陥らないためには何を測ればよいか

トークンを多く使うこと自体は悪いことではありません。問題は、量が増えるほど人の側に確認の仕事が増えていく点です。AIの出力を見張り続けて頭が疲れ切る状態はブレインフライと呼ばれ、AI利用者の一定の割合が経験していると報告されています。さらに、確かめきれないまま外に出されたAIの成果物は、一見整っているのに中身が薄いワークスロップとなって、受け取った同僚の手間を増やします。消費量の競争は、こうした目に見えにくい負担を積み上げかねません。

見るべきなのは、使った量だけでなく、使った結果として何が変わったかです。レビューで差し戻される件数、顧客への回答にかかる時間、手戻りの量など、仕事の成果に近い数字と組み合わせれば、トークン量は「活用の入口」を知る補助的な指標として生きます。トークン量はコストや導入状況の補助指標として成果と並べ、単独で順位づけの対象にしないことが重要です。 成果側の測り方は、既刊のバリューマキシングの記事で詳しく扱っています。

よくある質問

トークンを多く使う人ほどAIを使いこなしているのではありませんか？

使いこなしている人ほど利用量が多くなる傾向はあるかもしれません。ただ、量が多いことは使いこなしの結果にもなりえますが、同じ処理を何度もやり直したり、不要に長い出力を生成させたりしても量は増えます。量だけを見て両者を見分けることはできず、成果と組み合わせて初めて判断できます。

トークン消費量を記録すること自体がよくないのですか？

記録そのものは費用管理や導入状況の把握に役立ちます。問題になるのは、その数字で人を順位づけしたり、評価や目標に直結させたりしたときです。グッドハートの法則が示すとおり、目標にされた指標は人の行動を変え、もとの意味を失っていきます。

日本企業にも関係がある話ですか？

事例は米国のIT企業が中心ですが、AIの利用率や利用回数を導入の目標に掲げることは、日本の職場でも十分に起こりえます。利用率は導入初期の目安としては有用です。ただ、それが個人の評価に使われ始めたときに、同じ構図が生まれうることは覚えておくとよいでしょう。

AIをどれだけ使ったかは測りやすく、何が良くなったかは測りにくいものです。その測りにくいほうをどう数字にするかは、統計の基本的な考え方と深く関わっています。和からでは、AIの答えの確かめ方を統計の見方とあわせて考える生成AI研修を行っています。社内でAIの活用度をどう見ればよいか迷ったときの判断材料のひとつにしてください。

<監修／和から株式会社 堀口智之>