Durante los últimos meses, en algunas empresas trabajar más parecía significar usar más inteligencia artificial, donde ingenieros y ejecutivos competían por consumir millones de tokens, activar agentes durante todo el día y delegar a modelos como ChatGPT o Claude la mayor cantidad posible de tareas.

La tendencia recibió el nombre de tokenmaxxing, donde la teoría parecía lógica e irresistible: si un empleado podía utilizar un pequeño ejército de asistentes digitales para escribir código, elaborar reportes, responder clientes y generar presentaciones, entonces produciría más en menos tiempo.

Con ello, el número de tokens utilizados comenzó a tratarse como una insignia de rendimiento e incluso surgieron competencias internas para recompensar su consumo.

No obstante, la factura llegó antes que la revolución productiva, las empresas comenzaron a detectar que el gasto aumentaba sin que los ingresos, la calidad o la cantidad de trabajo terminado crecieran en la misma proporción.

El resultado fue un giro desde “usar IA para todo” hacia la pregunta menos glamorosa de ¿cuánto valor produce cada billete gastado en inteligencia artificial?

¿Qué es el tokenmaxxing?

Los tokens son las pequeñas unidades en las que un modelo de inteligencia artificial divide la información que recibe y genera, pueden representar caracteres, fragmentos de palabras, signos o palabras completas.

Como referencia para textos en inglés, un token equivale aproximadamente a cuatro caracteres o tres cuartas partes de una palabra, aunque la proporción cambia según el idioma, el modelo y la forma en que esté escrito el contenido.

Las plataformas suelen cobrar por los tokens que entran en una consulta y por los que produce la respuesta.

El tokenmaxxing consiste en maximizar ese consumo bajo la idea de que más procesamiento equivale a mayor productividad, pero su versión extrema no es simplemente utilizar ChatGPT para redactar un correo, sino mantener varios agentes trabajando simultáneamente, revisando documentos, programando, investigando o ejecutando tareas encadenadas.

En Silicon Valley, el consumo llegó a presentarse como una señal de compromiso, el director ejecutivo de Nvidia, Jensen Huang, sostuvo que si un ingeniero altamente pagado no consumía una gran cantidad de tokens, algo estaba fallando.

Meta organizó una competencia interna que recompensaba su uso y Sam Altman, director ejecutivo de OpenAI, expresó entusiasmo por las compañías construidas alrededor de esta práctica.

El problema fue convertir una materia prima digital en una métrica laboral, porque consumir tokens mide cuánto se utiliza una herramienta, no cuánto trabajo útil se entrega.

Cambio en esquemas de trabajo

El tokenmaxxing alteró la forma en que algunas empresas asignaban tareas, medían a sus empleados y decidían cuántas personas necesitaban.

De un asistente a varios agentes

La primera etapa de la inteligencia artificial laboral consistía en pedir una respuesta y revisarla, la nueva lógica utiliza agentes de IA capaces de dividir una misión en pasos, consultar archivos, escribir código, corregir errores y producir sucesivas versiones con menor intervención humana.

Un solo trabajador puede supervisar procesos que antes requerían a varias personas, y esto transformó algunos puestos desde la ejecución directa hacia la revisión, coordinación y corrección de resultados generados automáticamente.

Del trabajo terminado al consumo

Algunas organizaciones comenzaron a observar la cantidad de tokens utilizados, las sesiones abiertas o el número de tareas asignadas a los modelos.

Pero el riesgo fue confundir actividad con productividad, de manera semejante a cuando las empresas de software evaluaban a los programadores por el número de líneas de código escritas.

Raffi Krikorian, director de tecnología de Mozilla, comparó ambos errores y consideró que el tokenmaxxing terminará siendo recordado como una mala métrica corporativa.

De contratar a automatizar primero

La adopción también modificó las decisiones de personal, antes de abrir una vacante o renovar un contrato externo, algunas compañías comenzaron a preguntar si la actividad podía ser absorbida por un modelo.

Esto no siempre produjo despidos inmediatos, pero en otros casos se tradujo en congelación de contrataciones, eliminación gradual de puestos, menos proveedores independientes o equipos más pequeños encargados de supervisar sistemas automáticos.

Del mejor modelo al suficiente

La reacción contra el tokenmaxxing impulsó el enrutamiento de modelos, las solicitudes sencillas se envían a sistemas rápidos y baratos, mientras que los modelos más potentes quedan reservados para programación avanzada, investigación o problemas complejos.

Amazon afirma que su sistema de enrutamiento puede reducir costos al dirigir automáticamente cada consulta al modelo adecuado, y en pruebas internas, reportó ahorros variables sin sacrificar la calidad base, aunque los resultados dependen de cada tarea.

¿El tokenmaxxing es una burbuja?

Más que una moda corporativa, lo que se registra es una burbuja de expectativas y consumo, donde empresas compraron herramientas, habilitaron modelos costosos e incentivaron su uso antes de definir qué problema querían resolver y cómo medirían el resultado.

El especialista de Moody’s Vincent Gusdorf considera que “es muy fácil crear con IA algo que no necesitas”.

Y en ese auge, en ciertos clientes, el costo de tokens se duplicaba casi cada dos meses, lo que convirtió el gasto de IA en una partida difícil de justificar.

La encuesta global de McKinsey muestra que cerca de ocho de cada diez organizaciones ya utilizaban inteligencia artificial generativa y 62% experimentaba con agentes, pero 60% todavía no observaba un impacto en las ganancias operativas de toda la empresa.

Por ello, el tokenmaxxing sí reúne varios rasgos de una burbuja corporativa:

• Una métrica llamativa sustituyó la medición de resultados
• El gasto creció antes de comprobar su rentabilidad
• Los proveedores se beneficiaron de incentivar más consumo
• Las empresas utilizaron modelos caros incluso para actividades simples
• La estrategia comenzó a desinflarse cuando llegaron las facturas

No es necesariamente el fin de la inversión en IA, sino el aprendizaje de que más tokens no siempre significan más productividad.

¿La IA mejora los resultados?

Los resultados dependen de la tarea, la experiencia del trabajador y la forma en que se integra la tecnología, un estudio del National Bureau of Economic Research analizó a 5 mil 179 agentes de atención al cliente, donde el asistente de IA elevó 14% el número de problemas resueltos por hora.

Si bien entre trabajadores principiantes o menos experimentados, la mejora llegó a 34%, el impacto fue reducido para los empleados más calificados.

La herramienta funcionó porque estaba integrada en una actividad concreta, utilizaba conversaciones previas y ofrecía respuestas que los agentes humanos podían aceptar, modificar o rechazar.

En contraste, un experimento de METR con desarrolladores experimentados encontró que trabajar con herramientas de IA los hizo tardar 19% más en tareas sobre proyectos que conocían bien.

Los participantes creían que la tecnología los había acelerado, aunque el tiempo medido mostraba lo contrario, lo que implica que la IA puede mejorar una tarea bien definida, pero su uso indiscriminado también genera tiempo perdido en instrucciones, revisiones, errores, código innecesario y resultados que deben rehacerse.

Productividad y diseño del trabajo

Los casos con mejores resultados en el uso de IA no son necesariamente los que gastan más tokens, sino los que rediseñan sus procesos.

McKinsey identificó que la modificación profunda de los flujos de trabajo es el elemento más relacionado con la obtención de beneficios financieros; sin embargo, apenas 21% de las organizaciones que utilizaban IA generativa había rediseñado al menos algunos procesos de manera fundamental.

Una empresa puede comprar la herramienta más potente y continuar trabajando igual que antes, yen ese escenario, la IA se convierte en un gasto adicional.

El rendimiento aparece cuando la organización define:

• Qué tareas serán automatizadas
• Cuándo debe intervenir una persona
• Qué nivel de calidad se considera aceptable
• Cuánto cuesta cada resultado útil
• Qué información puede enviarse al modelo
• Cómo se comprobarán los errores
• Quién responde por la decisión final

La IA no trabaja gratis

El tokenmaxxing dejó una lección que puede marcar la siguiente etapa de la transformación laboral, hasta entender que automatizar no significa eliminar el costo, sino cambiar quién lo cobra y quién asume el riesgo.

Antes, una empresa pagaba salarios, capacitación y prestaciones, pero ahora también paga modelos, almacenamiento, infraestructura, seguridad, supervisión y cada fragmento de información procesado.

La IA demostró que puede acelerar determinadas actividades y mejorar el desempeño de trabajadores menos experimentados, pero también mostró que puede ralentizar a especialistas, generar trabajo innecesario y desplazar empleos cuando la reducción de costos se convierte en la prioridad.

La pregunta ya no es cuánta inteligencia artificial puede consumir una empresa, es cuánta utilidad real obtiene antes de que la factura, los errores y los puestos eliminados resulten más grandes que el beneficio.