El auge del tokenmaxxing demuestra que usar más Inteligencia Artificial no siempre significa generar más valor.
La Inteligencia Artificial y productividad se han convertido en una de las mayores prioridades para las empresas de todo el mundo. Organizaciones de todos los sectores están invirtiendo miles de millones en IA Generativa con la expectativa de mejorar la eficiencia y generar más valor.
Sin embargo, la realidad está revelando una paradoja inesperada.
El uso de la Inteligencia Artificial crece a un ritmo exponencial, mientras que el valor generado para las organizaciones no siempre avanza en la misma dirección. Un fenómeno emergente —conocido como tokenmaxxing— ayuda a explicar por qué está ocurriendo.
A primera vista, tokenmaxxing parece ser un concepto puramente técnico relacionado con el consumo de Inteligencia Artificial. En realidad, pone de manifiesto algo mucho más profundo: una antigua tendencia humana a confundir actividad con progreso.
Y para líderes de RR. HH., ejecutivos y cualquier profesional responsable de impulsar la transformación digital de una organización, comprender esa diferencia puede convertirse en uno de los mayores retos de liderazgo de la próxima década.
Séneca predijo el problema de la productividad de la IA hace casi dos mil años
En el año 49 d. C., en plena Roma Imperial —el mismo año del Concilio de Jerusalén y de la Guerra del Bósforo—, el filósofo romano Séneca, uno de los grandes representantes del estoicismo, escribió una carta a su suegro que más tarde se convertiría en una de sus obras más influyentes: Sobre la brevedad de la vida.
En ella escribió unas palabras que, la primera vez que las leí, me impactaron profundamente:
«No es que dispongamos de poco tiempo, sino que desperdiciamos gran parte de él… La vida es lo suficientemente larga para realizar grandes logros, siempre que sepamos emplearla bien.»
Detengámonos un momento en esa idea.
Séneca no dice que nos falte tiempo.
Lo que afirma es que el verdadero problema es cómo invertimos el tiempo del que ya disponemos.
Durante buena parte de mi carrera yo también pensé —y quizá tú también lo hagas— que el mayor obstáculo para la productividad era simplemente la falta de horas disponibles. La Inteligencia Artificial parecía ofrecer, por fin, una solución a ese problema: automatizar tareas repetitivas, eliminar fricciones, reducir costos y liberar a las personas para concentrarse en actividades de mayor valor.
Esa era la promesa.
Pero hace unas semanas, Andrew Macdonald, presidente y COO de Uber, hizo una afirmación que resume perfectamente el momento que muchas empresas empiezan a vivir.
Al hablar de los miles de millones invertidos en Inteligencia Artificial, reconoció:
«Ese vínculo todavía no existe.»
El vínculo entre la inversión en IA y la creación de valor real para el negocio todavía no es evidente.
¿Por qué?
Parte de la respuesta ya había sido escrita hace casi dos mil años.
Séneca comprendía algo sobre la naturaleza humana que la Inteligencia Artificial simplemente ha hecho más visible.
No utilizamos automáticamente el tiempo que ahorramos para dedicarnos a aquello que realmente importa.
Tendemos a llenar ese espacio con todavía más actividad.
Porque estar ocupados nos hace sentir productivos.
Porque estar ocupados nos hace sentir importantes.
Y porque permanecer constantemente ocupados nos evita enfrentarnos a la tarea mucho más difícil: decidir qué merece realmente nuestra atención.
Si esta idea te resulta familiar, es porque el profesor de Ciencias de la Computación de la Universidad de Georgetown, Cal Newport, describió exactamente el mismo comportamiento en su libro Deep Work.
Newport diferencia el trabajo profundo —el que realmente genera valor— del llamado Shallow Work, ese conjunto interminable de tareas reactivas que ocupan nuestros días sin aportar necesariamente resultados significativos.
Separados por casi dos mil años, Séneca y Cal Newport estaban describiendo exactamente el mismo comportamiento humano.
Hoy, sin embargo, ese comportamiento ha recibido un nuevo nombre.
Tokenmaxxing.
Por qué la productividad con Inteligencia Artificial no está dando los resultados esperados
Durante los últimos dos años, prácticamente todas las grandes organizaciones han acelerado sus inversiones en IA Generativa.
Los equipos de ingeniería utilizan asistentes de programación.
Los departamentos de marketing crean campañas completas con modelos de lenguaje.
Las áreas financieras automatizan informes y análisis.
Los profesionales de RR. HH. redactan descripciones de puestos, resumen entrevistas y agilizan procesos de selección con ayuda de la Inteligencia Artificial.
La lógica parecía sencilla.
Cuanto más utilizaran la IA las personas, mayor sería la productividad.
Pero la realidad ha demostrado ser mucho más compleja.
A medida que aumenta la adopción de la Inteligencia Artificial, también aumentan los costos.
Muchas empresas consumen cada vez más capacidad de procesamiento sin obtener resultados proporcionales para el negocio.
En otras palabras, hoy resulta muy fácil medir el uso de la IA.
Lo que sigue siendo difícil es medir el valor real que genera.
La Paradoja de Jevons: una ley económica que sigue plenamente vigente
Para comprender este fenómeno, debemos viajar hasta 1865.
El economista británico William Stanley Jevons intentaba responder a una pregunta que preocupaba a toda la Inglaterra de la Revolución Industrial.
¿Se quedaría el país sin carbón?
La lógica parecía evidente.
Si las máquinas de vapor se volvían más eficientes, el consumo de carbón debería disminuir.
Sin embargo, ocurrió exactamente lo contrario.
Cuanto más eficientes eran las máquinas, más carbón consumía la economía.
¿Por qué?
Porque cuando un recurso se vuelve más barato y eficiente, normalmente no se consume menos.
Se consume más.
El carbón era más económico.
Las fábricas funcionaban durante más tiempo.
Surgían nuevas industrias.
Aparecían nuevos usos.
Y el consumo se disparaba.
Este fenómeno pasó a conocerse como la Paradoja de Jevons, una de las leyes económicas más consistentes jamás observadas.
Cada vez que un recurso se vuelve más eficiente, su utilización tiende a aumentar en lugar de disminuir.
Ese patrón nunca desapareció.
Simplemente cambió de forma.
¿Qué es el tokenmaxxing?
Si el carbón fue el recurso estratégico de la Revolución Industrial, la cognición se ha convertido en el recurso estratégico de la revolución de la Inteligencia Artificial.
Y hoy esa cognición se mide a través de los tokens.
Para quienes no estén familiarizados con el término, un token es una pequeña unidad de texto que un modelo de IA procesa para comprender una instrucción y generar una respuesta.
Cada pregunta.
Cada respuesta.
Cada documento resumido.
Cada línea de código.
Cada acción ejecutada por un agente de IA.
Todo se traduce en tokens.
Una forma sencilla de entenderlo es imaginar el taxímetro de un taxi.
Mientras el vehículo sigue avanzando, el contador continúa aumentando.
Con la Inteligencia Artificial sucede algo muy parecido.
Cuantos más tokens procesa un modelo, mayor suele ser el coste de esa interacción.
Pero los tokens no solo sirven para calcular costes.
También se han convertido en un indicador indirecto del grado de utilización de la IA dentro de las empresas.
Y fue precisamente ahí donde apareció el fenómeno conocido como tokenmaxxing.
Muchas organizaciones comenzaron a asumir que un mayor consumo de tokens significaba una mayor adopción de la IA, más innovación y, por lo tanto, una mayor productividad.
La lógica parecía incuestionable.
Si las personas utilizan más Inteligencia Artificial, necesariamente deben estar generando más valor.
Sin embargo, la realidad terminó siendo mucho más compleja.
¿Por qué los líderes de RR. HH. deberían preocuparse?
El tokenmaxxing plantea un desafío completamente nuevo para la gestión empresarial.
Durante décadas, las organizaciones aprendieron a medir la productividad mediante indicadores relativamente simples.
Horas trabajadas.
Proyectos terminados.
Informes entregados.
Ventas realizadas.
Con la llegada de la Inteligencia Artificial apareció una nueva métrica aparentemente fácil de seguir: el uso de la IA.
Pero medir utilización no significa medir impacto.
Y ahí reside el verdadero problema.
Cuando una empresa comienza a premiar el uso de la Inteligencia Artificial en lugar del valor generado para el negocio, las personas hacen exactamente lo que cualquier sistema de incentivos suele provocar.
Optimizan la métrica.
No el resultado.
Eso fue precisamente lo que empezó a ocurrir en algunas de las mayores empresas tecnológicas del mundo.
En Meta, algunos empleados crearon un ranking interno bautizado como Claudeonomics, que clasificaba a más de 85.000 colaboradores según la cantidad de tokens consumidos.
El sistema incluso otorgaba distintivos como Token Legend y Cache Wizard a quienes utilizaban más Inteligencia Artificial.
En Amazon ocurrió algo similar con un ranking interno conocido como KiroRank.
Algunos empleados llegaron a reconocer que asignaban tareas completamente innecesarias a agentes de IA únicamente para incrementar sus cifras.
Nada de eso generaba más valor.
Simplemente generaba más actividad.
Y actividad nunca ha sido sinónimo de impacto.
Cuando medir el uso de la IA se convierte en un problema
Con el paso del tiempo, la realidad terminó imponiéndose.
Meta eliminó su ranking interno.
Microsoft, según distintos reportes, redujo las suscripciones a Claude Code en algunos equipos de desarrollo.
Uber consumió el presupuesto anual destinado a tokens de IA durante los primeros meses del año.
Marc Benioff, CEO de Salesforce, estimó que solo el gasto de la compañía en modelos de Anthropic podría alcanzar aproximadamente 300 millones de dólares al año.
¿Qué ocurrió?
En primer lugar, aquello que Andrew Macdonald ya había anticipado.
No existía una relación clara entre consumir más Inteligencia Artificial y generar más valor para el negocio.
Pero existe una segunda explicación.
Y nos devuelve directamente a la Paradoja de Jevons.
A medida que la Inteligencia Artificial se vuelve más eficiente y más barata, no comenzamos a utilizarla menos.
Comenzamos a utilizarla muchísimo más.
Desde 2022, el consumo global de tokens se ha multiplicado miles de veces.
Y los agentes autónomos aceleran todavía más este fenómeno.
Hoy, una sola instrucción enviada por un usuario puede desencadenar decenas —o incluso cientos— de acciones automáticas ejecutadas por distintos modelos de IA.
La persona deja de escribir.
La Inteligencia Artificial sigue trabajando.
El contador de tokens continúa avanzando.
El coste invisible de la Inteligencia Artificial
Aquí es donde volvemos a Séneca.
En lugar de utilizar la IA para eliminar trabajo innecesario, muchas organizaciones están empleándola para producir todavía más trabajo.
Y eso plantea una pregunta incómoda.
¿La Inteligencia Artificial realmente está reduciendo costes?
¿O simplemente está sustituyendo un tipo de gasto por otro?
Arvind Jain, fundador y CEO de Glean, hizo recientemente una observación que me pareció especialmente reveladora.
Por primera vez, afirmaba, los costes tecnológicos comienzan a comportarse como los costes de personal.
En muchas empresas, la decisión ya no consiste únicamente en contratar a una persona más.
Ahora también implica elegir entre incorporar un nuevo profesional…
…o adquirir más capacidad computacional.
Detengámonos un momento en esa idea.
En algunas organizaciones, el presupuesto destinado a comprar tokens de IA es exactamente el mismo presupuesto que hace pocos años habría servido para contratar nuevos empleados.
Existe además otro aspecto preocupante.
Alrededor del 95 % de las cargas de trabajo empresariales siguen ejecutándose sobre los modelos más avanzados —y también los más costosos—, incluso cuando modelos mucho más pequeños serían perfectamente capaces de realizar las mismas tareas.
Es como utilizar un Ferrari para ir a comprar el pan.
El problema ya no consiste únicamente en producir demasiado.
Consiste en producir demasiado utilizando los recursos más caros disponibles.
La verdadera pregunta ya no es cuánto usamos la IA
La pregunta correcta es mucho más difícil.
¿Cuánto valor está generando realmente esa Inteligencia Artificial para el negocio?
Porque en la era de la IA medir la productividad únicamente por el volumen de actividad puede convertirse en uno de los mayores errores de gestión que una organización puede cometer.
Y esa es precisamente la trampa del tokenmaxxing.
Nos hace creer que más uso significa automáticamente mejores resultados.
Cuando, en muchas ocasiones, solo significa más costes.
Augmentation: por qué potenciar el talento humano es más importante que automatizar
Fue precisamente esta trampa la que intenté explorar durante el último año mientras escribía Between You and AI.
Entre las nueve capacidades humanas que propongo como esenciales para liderar en la era de la Inteligencia Artificial, hay una que ocupa un lugar central: Augmentation.
Con frecuencia este concepto se interpreta de forma equivocada.
Muchas personas creen que potenciar significa utilizar la mayor cantidad posible de Inteligencia Artificial.
No es así.
Augmentation consiste en utilizar la IA para eliminar las tareas rutinarias, repetitivas y operativas, de modo que las personas puedan dedicar más tiempo a aquello que sigue siendo exclusivamente humano.
La creatividad.
El pensamiento crítico.
La empatía.
La capacidad de juicio.
La toma de decisiones.
Las relaciones.
El liderazgo.
El objetivo nunca fue automatizar a las personas.
El objetivo siempre ha sido potenciar a las personas.
El tokenmaxxing aparece precisamente cuando olvidamos esa segunda parte de la ecuación.
Cuando empezamos a creer que producir más significa, automáticamente, producir mejor.
Cuando la tecnología deja de estar al servicio del ser humano…
…y empieza a marcar el ritmo de nuestro trabajo.
En ese momento, la Inteligencia Artificial deja de ser una herramienta para ampliar nuestras capacidades y se convierte simplemente en una nueva fuente de sobrecarga.
La productividad ha cambiado de significado
Durante siglos, la cantidad fue un buen indicador de productividad.
Más horas trabajadas.
Más informes elaborados.
Más presentaciones.
Más correos electrónicos.
Más reuniones.
Más entregables.
En un mundo donde producir era costoso, lento y dependía del esfuerzo humano, utilizar el volumen como indicador de valor tenía sentido.
La Inteligencia Artificial ha cambiado por completo esa lógica.
Hoy, prácticamente cualquier profesional puede generar una cantidad casi ilimitada de textos, presentaciones, análisis, código o documentos en cuestión de minutos.
Cuando el coste marginal de producir se aproxima a cero, producir más deja de ser una ventaja competitiva.
De hecho, puede convertirse exactamente en lo contrario.
Cuanto más fácil resulta crear contenido, mayor valor adquiere aquello que decidimos no producir.
La reunión que cancelamos.
El informe que nunca llegamos a escribir.
La diapositiva que eliminamos de una presentación.
El correo electrónico que nunca enviamos.
El prompt que decidimos no escribir.
Es precisamente en ese espacio donde reside aquello que ninguna Inteligencia Artificial puede reemplazar.
El criterio.
El discernimiento.
La capacidad de establecer prioridades.
La verdadera competencia de la próxima década
La Inteligencia Artificial no creó nuestra obsesión por estar permanentemente ocupados.
Simplemente hizo visible esa obsesión a una escala nunca antes vista.
Exactamente como observó Séneca hace casi dos mil años.
Exactamente como explicó Cal Newport al diferenciar el trabajo profundo del trabajo superficial.
La tecnología ha cambiado.
La naturaleza humana sigue siendo prácticamente la misma.
Y quizá esa sea la mayor ironía de la revolución de la IA.
Durante años pensamos que ser más productivos significaba hacer más.
Ahora empezamos a descubrir que tal vez la verdadera productividad consista en hacer menos.
Pero hacer aquello que realmente importa.
Eso cambia por completo la manera en que evaluamos el desempeño.
Cómo medimos la productividad.
Cómo lideramos equipos.
Y cómo decidimos invertir en Inteligencia Artificial.
La pregunta que todo líder debería hacerse
Cada vez que converso con ejecutivos sobre Inteligencia Artificial, observo que la mayoría formula la misma pregunta.
«¿Cómo podemos utilizar más IA?»
Quizá esa ya no sea la pregunta correcta.
Tal vez la verdadera pregunta sea otra.
¿En qué situaciones la Inteligencia Artificial genera un valor real para el negocio… y en cuáles simplemente genera más actividad?
Puede parecer un cambio de enfoque sutil.
Pero transforma completamente la estrategia.
Porque el futuro no pertenecerá a las organizaciones que más utilicen Inteligencia Artificial.
Pertenecerá a las organizaciones que tomen las mejores decisiones sobre cuándo utilizarla.
Reflexión final
Séneca creía que la vida ya nos ofrecía tiempo suficiente para realizar grandes cosas.
El verdadero desafío consistía en saber invertirlo con sabiduría.
Dos mil años después, quizá podamos decir exactamente lo mismo sobre la Inteligencia Artificial.
Nunca antes habíamos tenido acceso a una herramienta capaz de producir tanto, tan rápido y con un coste marginal tan bajo.
Pero precisamente por eso, nunca había sido tan importante decidir cuidadosamente qué merece realmente ser producido.
La mayor ventaja competitiva de la próxima década no será escribir más prompts.
No será consumir más tokens.
No será generar más contenido.
Será desarrollar la capacidad de reconocer cuándo la Inteligencia Artificial está creando valor…
…y cuándo simplemente está generando más ruido.
Al final, quizá la habilidad más importante de la era de la IA no sea aprender a utilizarla.
Sea aprender cuándo no utilizarla.
¿Quieres seguir explorando liderazgo, inteligencia artificial y el futuro del trabajo?
Descubre mi podcast Between You and AI | Liderazgo, Habilidades Humanas y el Futuro del Trabajo.
Y conoce mi libro Between You and AI, publicado por Wiley, donde profundizo las nueve habilidades humanas esenciales para navegar esta nueva era de inteligencia artificial.
También puedes encontrarme en andreaiorio.com para conferencias, contenidos y nuevas conversaciones.
