TokenMaxxingとは、AIへ大量のトークンを使うことではなく、1トークン当たりの成果を最大化する運用思想です。 結論は、すべてを最上位モデルに任せず、作業の難度に応じてモデル、文脈、実行回数を管理することです。 DEX・DeFi分野では、定型的な情報整理と、資金・コントラクトに関わる高リスク判断を分離する設計が、コストだけでなく安全性にも直結します。
TokenMaxxingは「大量消費」から「価値最大化」へ
Decryptが2026年10月17日に公開した特集は、シリコンバレーで流行した「TokenMaxxing」を取り上げました。当初は、MetaやAmazonなどでAIの利用量を競うような文脈で語られ、トークン消費量そのものがAI活用度の指標として扱われる場面もあったといいます。しかし、利用量を増やすことと、成果を増やすことは同じではありません。
記事が提案する新しい意味は、トークンを多く使う競争ではなく、各トークンから得られる価値を高めることです。OpenAIやAnthropicのAPIは、入力、出力、キャッシュ利用などに応じて料金が変わります。したがって、短い要約や文章整形まで常に最上位モデルへ送る運用は、性能を生かし切れないまま費用だけを増やす可能性があります。
DeFiメディアを例にすると、Uniswapの公式文書から対応チェーン名やルーターの役割を抜き出す作業と、スマートコントラクトの脆弱性を評価する作業では、必要な推論能力が異なります。前者は軽量モデルと厳格な出力形式で処理し、後者は専門家レビューを含む高精度な工程へ回すべきです。
最初の改善はタスクに合うモデル選び
実務で最も取り組みやすいのは、タスクを難度と失敗時の影響で分類することです。メールの下書き、見出し候補、表記統一、既知データの分類は小型モデルの候補になります。一方、Aaveの担保条件を説明する記事、Curveのプール設計に関する技術解説、監査前のSolidityコード確認などは、誤りの影響が大きいため、上位モデルや人間の確認を組み合わせます。
重要なのは、モデル名の印象で決めず、実際の業務サンプルで比較することです。過去に人間が正解を確認した記事要約、FAQ分類、データ抽出をテストセットにし、正確性、形式遵守、根拠URLの保持を評価します。小型モデルが基準を満たす作業だけを移管し、失敗した案件は上位モデルへ段階的に引き上げます。
このルーティングは、DEXの取引経路選択にも似ています。Uniswapのルーターが複数のプールや経路を検討するように、AI運用でも、すべてを同じ経路へ流すのではなく、目的に合うモデルへ振り分けます。ただし、AIモデルの振り分けはオンチェーン取引ではなく、あくまで業務設計上の比喩です。
プロンプトと会話履歴を必要最小限にする
AIは通常、会話の履歴やシステム指示、利用可能なツールの説明を入力として読みます。話題が変わっても長い会話を使い続ければ、過去の情報が毎回送られ、費用と誤回答の余地が増えます。Decryptは、別の仕事へ移るときは新しい会話を始め、出力の長さと形式を最初から指定する方法を勧めています。
たとえば「Aaveのニュースをまとめて」ではなく、「公式発表から、変更点、対象ネットワーク、利用者への影響、未確認事項を抽出し、各項目にURLを付ける」と依頼します。やり直しの往復を減らし、推測による補完も抑えられます。Uniswap、Aave、Curveを一度に調べる場合でも、共通の検証項目だけを固定し、各プロジェクトの本文は個別に渡す方が管理しやすくなります。
また、大量の取引履歴をそのままLLMへ貼り付けて集計させるべきではありません。Duneのエクスポートやオンチェーンログは、SQLやPythonで先に集計し、AIには集計結果、計算式、異常値だけを渡します。計算は決定的なコードへ、説明や仮説整理はAIへ、という役割分担が有効です。
キャッシュとバッチ処理で反復コストを抑える
同じ規約、記事テンプレート、分類基準を何度も送る処理では、プロンプトキャッシュが役立ちます。Anthropicの公式文書では、変わらない内容を先に配置し、再利用対象として指定する仕組みが説明されています。Aave、Uniswap、Curveのニュースを毎日分類するなら、編集方針とJSONスキーマを固定部分にし、日々変わる記事本文を後ろへ置く構成が考えられます。
ただし、キャッシュは設定すれば自動的に効くとは限りません。応答に含まれるキャッシュ読み取り量を監視し、ヒットしていない場合は、固定部分の順序や内容が毎回変化していないかを確認します。秘密鍵、ウォレット署名、個人情報のような機密データをキャッシュ対象へ含めない運用も必要です。
即時応答が不要な大量処理にはバッチAPIが向きます。OpenAIとAnthropicはいずれも、非同期バッチ処理の料金上の利点を公式に案内しています。過去記事のタグ付け、重複記事の判定、プロジェクト名の抽出はまとめて処理し、価格急変やプロトコル停止の速報はリアルタイム処理に残す、という切り分けが実用的です。
AIエージェントには予算と終了条件を持たせる
ツールを使えるAIエージェントは、検索、コード実行、結果確認を繰り返します。便利である一方、同じ調査を繰り返したり、不要なサブエージェントを増やしたりすると、入力履歴と出力が連鎖的に膨らみます。マルチエージェント化は、品質向上を自動的に保証する仕組みではありません。
DeFi運用では、終了条件を具体化します。たとえば「Uniswapの公式文書と原報を確認し、仕様が一致すれば完了」「公式根拠が見つからなければ未確認として停止」「送金やコントラクト実行は行わない」と定義します。さらに、最大ステップ数、利用できるツール、参照ドメイン、出力文字数を制限します。
特にウォレット操作は、情報収集エージェントから分離すべきです。AIがAaveのポジション状況を要約することと、担保追加や返済トランザクションへ署名することは別の権限です。読み取り、提案、シミュレーション、署名を段階化し、最終操作には人間の確認を残す必要があります。コスト最適化を理由に、安全確認を削ってはいけません。
DEX・DeFi業務へ導入する実践手順
まず、直近の業務を「定型」「調査」「高リスク判断」に分けます。定型には価格表の整形、用語タグ付け、既知URLの分類があります。調査にはUniswapの更新内容やAaveのガバナンス提案の整理、高リスク判断にはスマートコントラクト変更の評価、清算リスクの判断、資金操作が含まれます。
次に、各分類へ品質基準を置きます。定型処理ではJSON構文、必須項目、原文一致を自動検査します。調査では一次情報URL、公開日、引用範囲を確認します。高リスク判断では、上位モデルの回答も結論として採用せず、人間の専門家、監査、シミュレーションを必須にします。
最後に、費用だけでなく再作業率を測ります。安いモデルでも修正が何度も必要なら、総コストは下がりません。逆に、Uniswapの文書分類のような定型作業で小型モデルが安定すれば、その経路を標準にできます。APIの利用量、キャッシュ命中、再試行、上位モデルへの切り替え理由を記録すれば、改善点を追跡できます。
まとめ
TokenMaxxingの本質は、AI利用量を誇ることではなく、目的に合うモデルと処理方式を選び、無駄な入力と反復を減らすことです。小型モデルへのルーティング、明確なプロンプト、短い文脈、キャッシュ、バッチ処理、エージェントの停止条件は、いずれも再現性のある改善策です。
DEX・DeFiでは、効率化と同時に検証可能性が重要です。Uniswap、Aave、Curveなどの一次情報を基準にし、計算はコード、解釈はAI、資金操作は明確な権限管理と人間の確認へ分けます。最も安いモデルを選ぶのではなく、必要な品質を満たす最小の構成を見つけることが、実務的なTokenMaxxingです。
