Lo llamaban 'tokenmaxxing' y competían por usar más IA en el trabajo; ahora llega el 'tokenminning' para gastar menos tras facturas multimillonarias

Durante los últimos meses, muchas empresas tecnológicas animaron a sus empleados a utilizar la inteligencia artificial de forma intensiva. En algunos casos, el uso de estas herramientas llegó a convertirse en una especie de competición interna en la que se premiaba a quienes consumían más “tokens”, la unidad que mide la actividad de los modelos de IA.

Sin embargo, la situación ha cambiado con rapidez. Tras comprobar el elevado coste que supone mantener este ritmo de uso, varias grandes compañías han comenzado a imponer límites y a replantear su estrategia. Lo que hace poco era conocido como “tokenmaxxing” está dando paso ahora al llamado “tokenminning”, una tendencia centrada en reducir el consumo y utilizar la IA de una forma más eficiente.

El cambio se ha producido después de que empresas como Meta, Uber, Walmart o Amazon detectaran un fuerte aumento en sus gastos relacionados con la inteligencia artificial. Según la información difundida por distintas compañías, algunas han empezado a restringir determinadas herramientas, mientras que otras han eliminado las clasificaciones internas que medían quién utilizaba más IA.

Uno de los casos más llamativos fue el de Uber, que aseguró haber consumido su presupuesto anual destinado a inteligencia artificial en apenas cuatro meses. A raíz de ello, la compañía estableció límites mensuales para algunas herramientas de programación basadas en IA.

Detrás de estos costes se encuentra el sistema de cobro utilizado por proveedores como OpenAI y Anthropic. Aunque ofrecen suscripciones para usuarios individuales, gran parte de sus ingresos procede de acuerdos con grandes empresas que pagan en función del volumen de uso generado por miles de empleados. Cuantos más tokens se consumen, mayor es la factura.

Además, el crecimiento de los llamados agentes de IA ha contribuido a disparar los gastos. A diferencia de los chatbots tradicionales, estos sistemas pueden trabajar durante horas en tareas complejas, generando un consumo mucho mayor de recursos.

Para algunas compañías, el problema no es únicamente el gasto, sino la dificultad para medir qué beneficios reales aporta cada inversión. “Si no puedes establecer una relación directa entre la cantidad de funciones útiles que ofreces y las características que realmente necesitas, resulta más difícil justificar esa decisión”, declaró Andrew Macdonald, director de operaciones de Uber, en una reciente entrevista para un podcast.

Expertos del sector consideran que la primera fase de entusiasmo por la IA llevó a muchas organizaciones a priorizar la cantidad de uso por encima de la eficiencia. “Los directores ejecutivos que no sabían cómo medir el dominio de la IA de sus empleados pensaban: ‘Bueno, ¿quién usa más tokens?’”, explicó Rob May, fundador de una empresa especializada en optimizar el uso de estas tecnologías al diario The New York Times.

El objetivo es mejorar el rendimiento y controlar los costes 

Pese a los recortes y limitaciones, las grandes tecnológicas no planean reducir sus inversiones en inteligencia artificial. Meta y Salesforce, entre otras, mantienen planes de gasto de cientos o miles de millones de dólares. La diferencia es que ahora buscan evaluar mejor el rendimiento obtenido y controlar los costes asociados.

La nueva estrategia pasa por reservar los modelos más avanzados para tareas complejas y utilizar alternativas más económicas para el resto del trabajo diario. Según Andy Markus, responsable de IA en AT&T, esta fórmula puede reducir los costes hasta en un 90% en determinados casos.