Bil tahunan untuk token AI mula menyaingi perbelanjaan gaji kejuruteraan di sesetengah syarikat, dan pihak kepimpinan tidak tahu sama ada mahu meraikannya atau panik. Perusahaan telah menghabiskan beberapa tahun kebelakangan ini menyuntik modal ke dalam model bahasa besar, dengan harapan bahawa inferens yang lebih murah akan secara automatik diterjemahkan kepada pengurangan tenaga kerja dan kitaran penghantaran yang lebih pantas. Sebaliknya, banyak organisasi kejuruteraan mendapati diri mereka membayar dua kali: sekali untuk bakat yang mereka harap dapat dipertingkatkan, dan sekali lagi untuk pengkomputeran yang sepatutnya menggantikan mereka. Persoalannya bukan lagi sama ada AI boleh menulis kod. Persoalannya adalah sama ada kod yang ditulisnya mewajarkan kekayaan besar yang dibakar untuk menghasilkannya.
Penanda Aras Separuh Gaji
Jensen Huang membentangkan pengiraan tersebut secara terus terang pada penghujung GTC 2026, ketika berbicara dalam All-In Podcast. CEO Nvidia itu mencadangkan agar kecekapan seorang jurutera diukur dengan membandingkan gaji mereka secara langsung dengan penggunaan token AI mereka. Ambang beliau sangat ketara. Ambil contoh seorang jurutera perisian yang berpendapatan $500,000 setahun. Jika jurutera tersebut menggunakan token bernilai kurang daripada $250,000 setahun, iaitu kira-kira separuh daripada gaji mereka, Huang menganggapnya sebagai satu tanda amaran. Pihak kepimpinan haruslah "sangat cemas," menurut kata-katanya, bukan kerana syarikat berbelanja berlebihan untuk pekerja, tetapi kerana kemungkinan besar mereka tidak memanfaatkan pekerja tersebut sepenuhnya.
Logik ini membalikkan minda kawalan kos tradisional. Selama bertahun-tahun, pasukan kewangan menganggap pengkomputeran sebagai perbelanjaan berubah yang perlu diminimumkan. Huang berhujah sebaliknya. Seorang jurutera mahal yang jarang menyentuh model adalah seorang jurutera mahal yang beroperasi tanpa pengganda kekuatan (force multiplier). Jangkaannya adalah bakat berkos tinggi harus bertindak sebagai corong, mengalirkan jumlah kerja yang besar melalui sistem AI, menyemak output, dan menyelaraskan hasil tersebut. Perbelanjaan token yang rendah bukan menandakan berjimat cermat. Ia menandakan bahawa manusia tersebut masih melakukan kerja mekanikal yang sepatutnya boleh dikendalikan oleh model.
Bagaimana Perbelanjaan Tersebut Terlihat dalam Praktik
Untuk memahami mengapa penanda aras ini penting, pertimbangkan apa yang sebenarnya diwakili oleh $250,000 dalam bentuk token. Pada kadar semasa untuk model perintis (frontier models), itu bukan sekadar beberapa cadangan melengkapkan automatik (autocomplete). Ia melibatkan jutaan token yang diproses setiap hari bekerja merentasi pelbagai tugasan. Ia menunjukkan seorang jurutera yang bukan sekadar menerima pelengkapan editor, tetapi sedang menjalankan penaakulan seni bina yang meluas, penstrukturan semula (refactoring) secara pukal melalui ejen pintar, saluran paip ujian automatik, penjanaan data sintetik, dan penerokaan reka bentuk berulang.
Seorang jurutera kanan yang bekerja dengan cara ini mungkin menggabungkan beberapa panggilan model untuk satu ciri tunggal: menjana kerangka (scaffolding), menganalisis kebergantungan untuk perubahan yang memecahkan sistem (breaking changes), mensimulasikan tingkah laku kes terpinggir (edge-case), dan menghasilkan dokumentasi secara selari. Hasil kerja (throughput) adalah sangat besar kerana manusia tidak lagi menaip setiap baris. Mereka sedang mengemudi. Bagi Huang, gaji tersebut hanya berbaloi apabila manusia beroperasi pada skala tersebut, menggandakan hasil kerja mereka melalui interaksi model yang berterusan.
Di Mana Pulangan Terlepas
Di sebalik visi ini, industri sedang melihat jurang yang semakin melebar antara perbelanjaan infrastruktur dan hasil yang disampaikan. Syarikat-syarikat telah terburu-buru ke dalam strategi yang berat dengan token, menyediakan kontrak perusahaan dengan vendor AI dan mengubah suai saluran paip pembangunan mereka di sekeliling alatan generatif. Perbelanjaan modal adalah sangat besar. Pulangan produktiviti, bagi kebanyakan pihak, adalah mengecewakan.
Pembangun memang lebih pantas dalam perkara yang membosankan. Kod boilerplate, rangka ujian unit, dan operasi CRUD yang berulang dapat diselesaikan dengan cepat apabila model menjana draf pertama. Namun, kejuruteraan perisian tidak pernah benar-benar tentang kelajuan menaip. Kerja yang sukar dan mahal terletak pada penyelenggaraan sistem yang luas, menaakul melalui mod kegagalan teragih, memastikan keselamatan merentasi kebergantungan berlapis, dan mengurus hutang teknikal (technical debt) yang terkumpul daripada setiap jalan pintas. Ini