¿Qué nos dice el “Token-maxxing” sobre la adopción de la IA?

Para el usuario promedio de Inteligencia Artificial (IA), los tokens son un concepto ajeno a su relación con la herramienta salvo que la uses intensamente; y se trata de la unidad básica de información que procesa la IA, bien de entrada o salida.

Es una de las formas en la que se determina la capacidad y el nivel de trabajo ejecutado por la herramienta, y son como piezas del lego que conforman la instrucción o el resultado. Suelen ser entre 1 y 3 token por palabra en español.

El término «Token-maxxing» nace en la subcultura Silicon Valley y fue formalizado por publicaciones sectoriales como The Pragmatic Engineer para describir la evaluación obsesiva del consumo de tokens como un indicador de productividad y que, de no ser por algunos hechos anecdóticos  ocurridos que contaré a continuación, sólo sería una jerga más del sector.

Cuando el CEO de Nvidia, Jensen Huang, señaló que le alarmaría que un ingeniero de élite con una compensación de 500.000 dólares no consumiera al menos 250.000 dólares anuales en tokens, pareció razonable para algunos considerarlo como un KPI, cuando el objetivo de Huang -creo yo- era resaltar la intensidad de uso esperada en profesionales de alta cualificación.

La distorsión radica en haber transformado una declaración de principios sobre capacitación técnica en una expectativa operacional y asumir erróneamente que la IA pueda representar de manera estricta la mitad de los costos de nómina sin considerar el “para qué” se está utilizando.

Medir la intensidad del uso de la IA en un indicador de adopción es una aproximación simplista pero también distintiva de la fase temprana de esta oleada de innovación.

Corre por allí la anécdota del “Claudeconomics”, un tablero de control a modo de «Ranking» diseñado por uno de los analistas para más de 85.000 empleados según su volumen de consumo de tokens como una referencia de su inmersión en esta nueva manera de trabajar, sin vincular dicho consumo con la alineación a los objetivos de negocio o el valor real entregado; estamos ante una ratificación de la Ley de Goodhart: cuando una medida cuantitativa se convierte en un objetivo operativo, deja de ser una buena medida.

Y no es un caso aislado: en Salesforce se habla de equipos de desarrollo realizando solicitudes masivas a los modelos en proyectos sin viabilidad comercial ni planes de despliegue, con el único fin de superar los umbrales mínimos de consumo exigidos por la organización, o en Amazon donde ocurrió que el personal saturaba las herramientas internas de IA con tareas triviales para escalar posiciones en los rankings de actividad corporativa. Estos ejemplos dejan claro que medir el input de tokens sin validar el valor del output fomenta una costosa simulación de productividad que termina impactando el presupuesto de manera real.

La implementación masiva y sin supervisión de agentes de inteligencia artificial plantea un reto operativo crítico y una presión inflacionaria sobre el OPEX. Casos como el de Uber, que agotó su presupuesto anual en solo cuatro meses, o la revisión estratégica de Microsoft con Claude Code, subrayan que la IA no conlleva un costo marginal y debe lograr un balance con la realidad de que las empresas necesitan identificar dónde esta tecnología puede transformar realmente su modelo de negocio.

Este proceso de exploración es comparable al juego infantil: una inversión de tiempo aparentemente ineficiente pero vital para el desarrollo de competencias fundamentales. Del mismo modo que ocurre con el I+D tradicional, el «derroche» en experimentación es una etapa necesaria.

Para mitigar las desviaciones presupuestarias causadas por una adopción carente de una estructura de costes nítida, es crucial distinguir entre dos escenarios: el modo exploratorio, centrado en el aprendizaje y la experimentación, y el modo de producción, que refleja el coste operativo real.

Aunque definir esta frontera representa un desafío de gestión complejo, resulta ineludible, siempre asumiendo que es preferible asumir las tensiones financieras derivadas de esta curva de aprendizaje que optar por una inacción que condenaría a la organización a una desventaja competitiva permanente.

Para mí el problema de fondo no es el precio coyuntural del token (que va a bajar), sino la tentación de caer en la eficientización de la ineficiencia. Como argumenté anteriormente en mi análisis «de-simplificando la vida con la última tecnología«, la introducción superficial de herramientas avanzadas sobre procesos organizacionales obsoletos no simplifica la operación, sino que la densifica, y parte de este incremento exponencial en el consumo de la IA no representa descubrir  un nicho de aprovechamiento de esta tecnología sino su uso para actividades que serían igualmente ejecutadas con procesos infinitamente más económicos.

Un ejemplo sencillo de este caso es cuando preguntamos sobre el clima en nuestro teléfono en vez de usar la aplicación apropiada para ello: en nuestro contexto esto puede ser marginal pero en miles de operaciones puede representar un costo importante.

La reducción futura del coste del token, impulsada por la optimización de los modelos y la competencia del mercado, no resolverá el desvío que genere el uso irresponsable de la IA, sino que se operará en la Paradoja de Jevons, la cual indica que un acceso más económico a la capacidad de cómputo no reducirá el gasto global, sino que incrementará de manera exponencial la demanda de tareas cognitivas y la proliferación de procesos agénticos autónomos.

Y esta densificación del entorno operativo trae consigo efectos colaterales profundos en la estructura organizativa, como la formación del talento junior, la generación de sistemas opacos tipo «caja negra» que operan al margen de los atributos básicos de un proceso auditable, con trazabilidad, control de cambios e identificación clara de responsabilidades.

El balance final nos sitúa ante una disyuntiva estructural. La crisis del presupuesto de tokens no es una falla inherente a la tecnología, sino un síntoma de inmadurez en el diseño organizacional y la gestión de incentivos en la adopción de la IA.

*El autor es MBA Unimet y Licenciado en Computación UNE. Exsocio PwC Argentina y Venezuela, líder de las prácticas de Risk Assurance, Cybersecurity and Forensics Services.

Lea más contenido interesante y actual: 

• José Guerra: La dolarización no es la solución a la crisis económica de Venezuela 

• #Dato: Desde este #1Jun la tarifa del transporte urbano en el país será de Bs. 140