A adoção indiscriminada de métricas para medir o uso de IA em equipes de engenharia tem gerado distorções que lembram práticas ultrapassadas de gestão. No artigo publicado em 14 de maio de 2026, Brian Meeker, gestor de engenharia, alerta para o fenômeno do “tokenmaxxing” — a obsessão por maximizar o uso de tokens como indicador de produtividade.
O que é tokenmaxxing e por que falha
Tokenmaxxing consiste em incentivar o uso de ferramentas de IA premiando quem consome mais tokens, criando rankings internos. O resultado é previsível: engenheiros rapidamente aprendem a manipular a métrica, desperdiçando tokens deliberadamente ou apenas simulando adoção real. Assim, a métrica perde valor e se distancia do objetivo original de melhorar a entrega para o cliente. O autor compara essa lógica à gestão taylorista baseada em cronômetros — ineficaz e facilmente burlada.
O que uma política coerente de IA deve abordar
Meeker propõe uma política de IA baseada em quatro pontos:
- Não há mandato para uso de IA.
- O engenheiro precisa entender o código gerado por IA.
- É necessário conseguir trabalhar mesmo sem as ferramentas de IA.
- O foco deve ser nos colegas e nos clientes, não em métricas vazias.
A política reconhece que a adoção de IA é relevante e inevitável, mas rejeita ordens de cima para baixo ou avaliações baseadas em volume de uso. Em vez disso, valoriza autonomia e responsabilidade: cada engenheiro decide quando e como usar IA, desde que mantenha domínio sobre o próprio trabalho.
O paradoxo da pressão por adoção
O texto critica a pressão para adotar IA “o máximo possível” diante da própria natureza volátil do setor. Ferramentas e técnicas mudam tão rápido que aprender algo hoje pode se tornar irrelevante em poucos meses. A recomendação é experimentar as ferramentas, mas sem ansiedade ou imposição.
Responsabilidade e revisão de código
Por fim, Meeker reforça que todo código gerado por IA é de responsabilidade do engenheiro que o submete. Não importa quanto do pull request foi escrito por uma LLM: cabe ao autor garantir que o código respeite padrões internos e não sobrecarregue revisores.
Considerações finais
A discussão expõe o risco de políticas de IA mal desenhadas, que priorizam métricas fáceis de manipular em vez de resultados reais para clientes e equipes. Métricas vazias, como o tokenmaxxing, são substitutos pobres para liderança e maturidade em gestão de tecnologia.
Fonte: Have a Coherent AI Policy.