El gasto en tokens de IA enfrenta escrutinio a medida que suben los costos empresariales

La carrera corporativa por usar más IA se está desacelerando

La obsesión en el lugar de trabajo por maximizar el uso de IA generativa empieza a chocar con una realidad más dura: la disciplina de costos. Un reportaje de Fast Company publicado el 28 de julio describió el atractivo menguante de “tokenmaxxing”, un término usado para describir el impulso de un consumo intenso de tokens de IA en herramientas y flujos de trabajo con la creencia de que más uso indica mejor rendimiento, mayor velocidad de salida o una innovación más sólida.

Esa mentalidad ganó terreno cuando las empresas se apresuraron a operacionalizar sistemas de proveedores como OpenAI y Anthropic. En la práctica, el uso de tokens se convirtió en un indicador aproximado de la intensidad de la adopción. Cuantos más prompts, resultados, agentes y tareas automatizadas generaba una organización, más avanzada podía parecer. Pero el informe sugiere que los compradores corporativos están separando cada vez más la actividad del valor. El aumento de las facturas no siempre ha ido acompañado de ganancias equivalentes en productividad o resultados empresariales.

Vincent Gusdorf, jefe de analítica de IA en Moody’s Ratings y autor de un informe citado por Fast Company, defendió un enfoque más disciplinado. Su punto es sencillo: la IA generativa facilita crear trabajo, resúmenes, borradores y capas de proceso que quizá no sean realmente necesarias. Cuando cada interacción consume tokens y escala en toda una empresa, el desperdicio puede acumularse rápidamente.

De señal de estatus a centro de costos

El artículo recorre cómo el uso intensivo de tokens fue celebrado apenas hace unos meses. Destacados líderes tecnológicos habían presentado el alto consumo de IA como una señal de que los equipos estaban experimentando agresivamente y tomando la tecnología en serio. Sam Altman, director ejecutivo de OpenAI, dijo en mayo que le entusiasmaba ver qué construirían las “tokenmaxxing startups” y cómo funcionarían internamente. Jensen Huang, director ejecutivo de Nvidia, sostuvo que si un ingeniero muy bien pagado no estaba usando también una gran cantidad de tokens, algo andaba mal. Según el informe, Meta incluso organizó una competencia interna que premiaba el uso de tokens.

Esa narrativa ayudó a crear una cultura en la que el gasto en IA se trataba como una insignia de ambición. El usuario intensivo arquetípico no se limitaba a automatizar tareas rutinarias, sino que orquestaba flotas de agentes de IA de forma continua. La suposición era que la saturación revelaría valor en algún punto: codificación más rápida, más generación de contenido, mejor investigación o funciones de producto completamente nuevas.

Para los proveedores de modelos, ese aumento de actividad se traducía directamente en ingresos. Pero para los compradores empresariales, la economía es distinta. Ellos cargan con las facturas de tokens, los costos de integración, las cargas de gobernanza y los riesgos de datos. Una vez que esos gastos dejaron de ser hipotéticos y se volvieron concretos, los ejecutivos tuvieron que plantearse una pregunta menos de moda: ¿qué usos realmente valen la pena?

Por qué crece el escepticismo

La reacción descrita en el informe no equivale a un giro contra la IA. Es más específica que eso. Las empresas siguen queriendo los beneficios prometidos por los modelos generativos, pero cada vez están menos dispuestas a asumir que el uso máximo equivale al uso inteligente. Esa distinción importa porque la facturación basada en tokens puede fomentar comportamientos fáciles de escalar pero difíciles de justificar.

Satya Nadella, director ejecutivo de Microsoft, en comentarios citados por Fast Company, reconoció que el tokenmaxxing puede ser adictivo, aunque argumentó que los clientes podrían estar pagando dos veces: una por los propios tokens y otra al dar a los proveedores acceso a datos propietarios. Aunque Nadella también promovía la estrategia de Microsoft, la crítica apunta a una preocupación empresarial más amplia. El costo es solo una parte de la ecuación. El control sobre la información sensible es otra.

Alex Karp, director ejecutivo de Palantir, usó un lenguaje aún más duro y dijo que algo había salido “completamente mal”, canalizando lo que describió como frustración entre empresas que sentían que estaban gastando mucho para obtener poco retorno. El hilo común en estas reacciones no es el rechazo de la IA como categoría, sino el rechazo del gasto en IA sin dirección.

El problema de las métricas en la IA empresarial

Una de las razones por las que el tokenmaxxing se propagó tan rápido es que los tokens son medibles. En un período en que muchas empresas estaban presionadas para demostrar impulso en IA, los conteos de uso ofrecían un número visible. Los directorios y ejecutivos podían señalar cifras de adopción, volumen de resultados generados o casos de uso internos en expansión como prueba de que la organización iba al ritmo esperado.

Pero medible no necesariamente significa significativo. Los totales de tokens dicen poco sobre la calidad, el tiempo ahorrado, las tasas de error, los resultados para los clientes o el impacto en los ingresos. Incluso pueden ocultar el desperdicio al hacer que la actividad parezca progreso. Un equipo puede producir más borradores, más análisis y más investigación sintética con IA sin mejorar apenas el rendimiento central. El resultado es una trampa empresarial familiar: optimizar la métrica más fácil de reportar en lugar de la que mejor refleja el valor.

Aquí es donde el cambio descrito por Moody’s adquiere importancia estratégica. Si las organizaciones pasan de maximizar el consumo a evaluar el retorno, las decisiones de compras y de producto podrían cambiar rápidamente. Los ganadores no serían simplemente los proveedores de modelos con los mayores números de uso bruto, sino las empresas que ayuden a sus clientes a usar los modelos de forma selectiva, segura y con una lógica económica más clara.

Qué viene después

El desenlace probable no es un colapso de la demanda empresarial de IA. Es un movimiento hacia controles más estrictos, despliegues más dirigidos y mayor escrutinio sobre dónde se gastan los tokens. Las organizaciones pueden dar prioridad a casos de uso con beneficio directo, como la asistencia para programar, flujos de trabajo de documentos con reducciones medibles del tiempo de ciclo, o copilotos específicos de dominio integrados en procesos que generan ingresos. Los experimentos que producen volúmenes impresionantes pero beneficios empresariales difusos pueden enfrentar una resistencia interna más fuerte.

Eso marcaría una fase más madura de adopción empresarial. La etapa temprana de la IA generativa en muchos lugares de trabajo recompensó el entusiasmo y la experimentación visible. La siguiente etapa puede recompensar la moderación, la medición y las decisiones de arquitectura que mantengan los costos predecibles. En ese sentido, el declive del tokenmaxxing es menos una retirada que una normalización. La tecnología está saliendo de su fase performativa y entrando en la lógica de compras que gobierna la mayoría del software empresarial.

La señal importante del reportaje de Fast Company no es que las empresas estén usando menos IA porque el interés se haya desvanecido. Es que están empezando a preguntar si cada token gastado produce valor duradero. Para una industria construida sobre la escala, esa puede convertirse en la pregunta más importante.

Este artículo se basa en un reportaje de Fast Company. Leer el artículo original.