மென்பொருள் பொறியியல் எப்போதும் தவறான உற்பத்தித் திறன் அளவீடுகளைத் துரத்திக்கொண்டே இருக்கிறது. மேலாளர்கள் குறியீட்டு வரிகளை (lines of code) எண்ணினார்கள். Agile குழுக்கள் story points-களைக் கண்காணித்தார்கள். இவை எதுவுமே ஒரு டெவலப்பர் தெளிவாகச் சிந்திக்கிறாரா அல்லது வெறும் தட்டச்சு செய்கிறாரா என்பதைத் துல்லியமாக அளவிடவில்லை. Nvidia சிஇஓ ஜென்சன் ஹுவாங் (Jensen Huang) இதற்கென ஒரு சிறந்த அளவுகோல் இருப்பதாக நினைக்கிறார், அதற்கு விசைப்பலகைகளுக்கும் (keyboards) எந்தத் தொடர்பும் இல்லை. GTC 2026-க்குப் பிறகு All-In பாட்காஸ்டில் (Podcast) தோன்றியபோது, ஒரு நவீன பொறியாளரின் மதிப்பை அளவிடும் உண்மையான காரணி, அவர்கள் பெறும் சம்பளத்திற்கு இணையாக எத்தனை AI டோக்கன்களைப் பயன்படுத்துகிறார்கள் என்பதுதான் என்று ஹுவாங் வாதிட்டார். செய்தி நேரடியானது: நீங்கள் ஆண்டுக்கு ஐந்து லட்சம் டாலர் சம்பாதித்துவிட்டு, Large Language Model சேவைகளுக்காக அதன் பாதியைக் கூட செலவழிக்கவில்லை என்றால், உங்கள் சம்பளத்திற்குத் தகுதியான கருவிகளைப் பயன்படுத்துவதில் நீங்கள் தோல்வியடைகிறீர்கள் என்று அர்த்தம்.
ஒரு கடுமையான விகிதம்
ஹுவாங் விவரித்த இந்த அளவீடு அதிர்ச்சியளிக்கும் வகையில் எளிமையானது. ஒரு பொறியாளரின் ஆண்டு ஊதியத்தை எடுத்துக் கொள்ளுங்கள். அதை அவர்களின் LLM API அழைப்புகள், fine-tuning செயல்பாடுகள் மற்றும் agentic inference ஆகியவற்றிற்கான ஆண்டுச் செலவோடு ஒப்பிடுங்கள். ஆண்டுக்கு $500,000 சம்பாதிக்கும் ஒரு திறமையான பொறியாளர், AI டோக்கன் செலவாக $250,000-க்கும் குறைவாகச் செலவழித்தால், அதில் ஒரு சிக்கல் இருப்பதாக ஹுவாங் கருதுகிறார். இது அந்த டெவலப்பர் நவீன உதவியிலிருந்து தனித்துச் செயல்படுகிறார் அல்லது AI-ஐ ஒரு உண்மையான கூட்டாளியாகக் கருதாமல், வெறும் மேம்படுத்தப்பட்ட தேடுபொறியாக (search engine) மட்டுமே பயன்படுத்துகிறார் என்பதைக் காட்டுகிறது.
இது பொறுப்பற்ற முறையில் செலவு செய்வதற்கான உரிமம் அல்ல. இது சுமையைத் தாங்கும் அறிவாற்றலுக்கான (load-bearing cognition) ஒரு சோதனை. சிறந்த பொறியாளர்கள் தங்களுக்குத் தேவையான மன ரீதியான கடின உழைப்பை (mental drudgery), கிடைக்கக்கூடிய மிகவும் திறன்மிக்க மாடல்களிடம் ஒப்படைக்க வேண்டும் என்பதே ஹுவாங்கின் கருதுகோள். ஒரு மாடல் முழு codebase-ஐயும் அதன் context-க்குள் வைத்திருக்கும்போது, ஒரு காலத்தில் மூன்று நாட்கள் நீடித்த debugging அமர்வுகள் சில மணிநேரங்களாகச் சுருங்கிவிடும். நீண்ட கூட்டங்கள் தேவைப்பட்ட system design விவாதங்கள், ஒரு reasoning model மூலம் விரைவான prototyping மூலம் தீர்க்கப்படலாம். ஹுவாங்கைப் பொறுத்தவரை, $250,000 என்ற வரம்பு ஒரு பட்ஜெட் உச்சவரம்பை விட, ஒரு அடிப்படையாகும் (floor). ஒரு உயர்தர பொறியாளர் முழுத் திறனுடன் செயல்படத் தேவையான குறைந்தபட்ச அறிவு மானியமாக (intelligence subsidy) இது உள்ளது.
அந்த வரம்பிற்கு கீழே இருக்கும் டெவலப்பர்கள், வேலையைத் தாங்களே அதிகம் செய்கிறார்கள். அவர்கள் பிழைகளை (bugs) கைமுறையாகக் கண்டறிகிறார்கள், boilerplate குறியீடுகளைக் கையால் எழுதுகிறார்கள், மேலும் ஒரு சரியான prompt மூலம் ஒரு மாடல் சில நொடிகளில் தொகுத்து வழங்கக்கூடிய ஆவணங்களை மீண்டும் மீண்டும் படிக்கிறார்கள். inference செலவுகள் குறைந்து வரும் மற்றும் context windows விரிவடைந்து வரும் இந்த யுகத்தில், டோக்கன்களைக் குறைவாகப் பயன்படுத்துவது ஒழுக்கத்தைக் குறிக்காது, மாறாக கருவிகளைப் பயன்படுத்தத் தவறுவதையே குறிக்கிறது. தனது வெளியீட்டை அதிகரிக்க AI-ஐத் தீவிரமாகப் பயன்படுத்தத் தவறும் ஒரு பொறியாளர், இந்த தர்க்கத்தின்படி, குறைந்த செயல்திறன் கொண்டவராகவே கருதப்படுவார்.
ஒரு கருவியாக டோக்கன்கள் (Tokens as a Proxy for Leverage)
பாரம்பரிய பொறியியல் மேலாண்மை புலப்படக்கூடிய வெளியீடுகளை (tangible output) விரும்புகிறது. முடிக்கப்பட்ட Jira டிக்கெட்டுகள், push செய்யப்பட்ட Commits, அனுப்பப்பட்ட Features. இந்த எண்கள் எண்ணக்கூடியவை என்பதால் பாதுகாப்பானதாகத் தோன்றுகின்றன. ஹுவாங்கின் கட்டமைப்பு இவற்றை பெரும்பாலும் நிராகரிக்கிறது. அவரது தர்க்கத்தின்படி, ஒரு senior staff engineer ஒரு mid-level பணியாளரை விடக் குறைவான commits-களை உருவாக்கலாம், ஆனால் அதிக மதிப்பினை உருவாக்க முடியும், ஏனெனில் அவர்களின் உண்மையான தயாரிப்பு என்பது முடிவுகள் (decisions) ஆகும். அந்த முடிவுகளுக்கான கணக்குப் புத்தகமாக டோக்கன்கள் மாறுகின்றன.
ஒரு பொறியாளர் LLM inference-க்காக அதிகச் செலவு செய்யும்போது, அவர்கள் வெறும் உரை உருவாக்கத்தை (text generation) மட்டும் வாங்கவில்லை. அவர்கள் இணையான சிந்தனையை (parallelized thought) வாங்குகிறார்கள். $500,000 சம்பாதிக்கும் ஒரு பொறியாளர், ஒரு refactoring சிக்கலுக்குப் பெரிய context windows-களைப் பயன்படுத்தும்போது, அவர் அடிப்படையில் ஒரு டஜன் ஒரே நேரத்தில் இயங்கும் அறிவாற்றல் இழைகளை (cognitive threads) இயக்குகிறார், microservices முழுவதும் edge cases-களைச் சரிபார்க்கிறார் மற்றும் ஒரு வரியைக் கூட production code ஆக எழுதுவதற்கு முன்பே architectural assumptions-களைச் சோதிக்கிறார். டோக்கன்கள் சம்பள நேரத்தை சுருக்கப்பட்ட முடிவுகளாக மாற்றுகின்றன. அவை வேகம், கட்டடக்கலைத் தொலைநோக்கு பார்வை மற்றும் நூற்றுக்கணக்கான மணிநேரத் தூய்மைப் பணிகளைத் தவிர்க்கும் debugging திறன்களை வாங்குகின்றன.
இது பழைய ஊக்க அமைப்பை (incentive structure) தலைகீழாக மாற்றுகிறது. பொறியியல் தலைவர்கள் வரலாற்று ரீதியாக cloud compute தள்ளுபடிகளுக்காகக் கடுமையாகப் பேரம் பேசுகிறார்கள் மற்றும் SaaS கொள்முதலைக் குறைக்க வேண்டிய ஒரு செலவாகக் கருதுகிறார்கள். AI-க்கு இந்த மனநிலை தவறானது என்று ஹுவாங் கூறுகிறார். டோக்கன் பட்ஜெட் திறமைக்கு ஏற்ப அதிகரிக்க வேண்டும். நீங்கள் விலையுயர்ந்த மூளைகளை வேலைக்கு அமர்த்திவிட்டு, அவர்களுக்கு மிகவும் விலையுயர்ந்த மாடல்களைப் பயன்படுத்த விடாமல் பட்டினி போட்டால், அவர்களைக் கைமுறைப் பணிகளில் (manual workflows) சிக்க வைப்பீர்கள். அவர்கள் அதிக விலையுள்ள தட்டச்சு செய்பவர்களாக (typists) மாறிவிடுவார்கள். ஹுவாங் குறிப்பிடுவது 'அறிவு அடர்த்தி' (intelligence density): ஒரு மனித நேரத்திற்கு அதிகபட்சமாகப் பயன்படுத்தப்படும் அறிவாற்றல், ஆரம்பத்தில் cloud பில் பார்ப்பதற்கு அதிர்ச்சியாக இருந்தாலும் சரி. ஒரு பொறியாளர் தனது அதிகப்படியான சம்பளத்திற்குத் தகுந்தவாறு போதுமான டோக்கன்களைப் பயன்படுத்தவில்லை என்றால், அவர் அறிவாற்றல் சார்ந்த கடினமான வேலைகளை AI-யிடம் ஒப்படைப்பதில் தோல்வியடைகிறார், இதன் மூலம் நிறுவனத்தின் மீதான அவரது தாக்கத்தைக் குறைக்கிறார்.
குழுவை வைத்திருங்கள், கணினித் திறனை (Compute) விரிவாக்குங்கள்
அதிகரிந்து வரும் செயல்பாட்டுச் செலவுகள் பொதுவாக பணியாளர் எண்ணிக்கையை மறுபரிசீலனை செய்யத் தூண்டுகின்றன. CFO-க்கள் அதிகரித்து வரும் API பில்களைப் பார்த்து, யாரைக் குறைக்கலாம் என்று கேட்கிறார்கள். ஹுவாங் இதற்கு நேர்மாறான தீர்வை வழங்குகிறார். பட்ஜெட்டிற்கு ஏற்ப குழுவைக் குறைப்பதற்குப் பதிலாக, குழுவை வலுப்படுத்த பட்ஜெட்டை மேம்படுத்த வேண்டும்.
The argument hinges on replacement costs and coordination overhead. A legacy software organization might staff thirty engineers to maintain a monolith, review each other’s pull requests, and slowly migrate services. A smaller team of five deeply augmented engineers, each burning through enterprise-grade token quotas, could match or exceed that throughput. The savings are not found in the API line item itself. They appear in the absence of communication latency, hiring cycles, and bureaucratic drag.
This strategy only works if you hire engineers who can direct massive token flows with intent. There is a material difference between a developer who pastes a stack trace into a chatbot and one who orchestrates multi-agent pipelines, maintains rich context libraries, and rigorously validates hallucinated outputs. The latter profile is harder to find. That is precisely why Huang ties the metric to salary. High compensation should correlate with high orchestration skill. You do not pay someone half a million dollars to prompt a model once a week. You pay them to manage an ecosystem of automated reasoning that builds complex systems at unprecedented speeds.
What This Means in Practice
For engineering organizations, the token-to-salary ratio is less a rigid accounting rule and more a cultural checkpoint. Leaders should ask whether their highest-paid developers have the access, training, and mandate to consume AI aggressively. Are they running long-context analysis on legacy code, or are they still grepping through logs line by line? Are they using agentic coding tools for integration testing, or are they writing mocks by hand? Are their projects bottlenecked by human attention or by API rate limits?
If the answer points toward human bottlenecks, the fix is rarely to demand more hours. It is usually to raise the token ceiling. Let the engineer spin up more agents. Let them keep a persistent context window open for the entire service mesh. Let them iterate on architecture fifty times in an afternoon instead of twice in a week. When token consumption is viewed as a sign of high-leverage engineering rather than unnecessary cost, permission structures inside companies change.
Of course, spending alone guarantees nothing. Tokens poured into trivial queries or poorly scoped prompts are simply waste. The discipline lies in aiming heavy compute at high-value problems: cross-service design, security auditing, behavior-cloning for legacy migrations, and generating synthetic training data. The engineers who master that aim become multipliers. Those who do not, regardless of their compensation, look expensive in exactly the wrong way.
The Real Takeaway
Huang’s thesis is ultimately about reframing AI spend. Stop treating LLM tokens as an operational tax. Treat them as raw material that gets converted into engineering velocity. In that framing, the engineer who