El fin del tokenmaxxing, o casi

En Amazon, según el Financial Times, había quien ponía a un agente a hacer trabajo que nadie había pedido, sin más fin que gastar tokens, y unos empleados habían montado una clasificación que encabezaba quien más gastaba. Amazon la quitó en mayo, y esta semana ha publicado la nota interna en la que les explica a sus ingenieros qué espera de ellos ahora que trabajan con IA. Con ella se cierra el año del tokenmaxxing, en el que muchas tecnológicas han medido la IA por lo que gastaban en ella. Contar tokens era lo fácil, y lo que de verdad importa, saber si la IA te hace trabajar mejor, sigue casi sin medirse.

Un número que sale solo

Una empresa que le paga la IA a su plantilla quiere saber si le sirve de algo. Contestar bien a eso lleva tiempo, porque hay que mirar qué se entrega, con qué calidad y a qué coste, y esperar meses para verlo. El consumo de tokens, en cambio, está en el panel del proveedor desde el primer día, no para de subir y se puede ordenar de mayor a menor. Con esas ventajas, era cuestión de tiempo que acabara siendo la respuesta.

El año ha dado ejemplos de sobra. En marzo, Jensen Huang, el consejero delegado de Nvidia, dijo que estaría «muy preocupado» si un ingeniero que cobra 500 000 dólares al año no gastara al menos 250 000 en tokens. En abril se supo que un empleado de Meta había montado Claudeonomics, una clasificación de los que más gastaban, con títulos como «Token Legend», y a los dos días ya no estaba. La de Amazon se llamaba KiroRank, por Kiro, su herramienta de programación con IA, y la empresa la retiró a finales de mayo con un ruego a la plantilla: «Por favor, no uséis la IA solo por usarla».

Nada de esto es nuevo. El economista Charles Goodhart lo describió en 1975, y la antropóloga Marilyn Strathern lo resumió en la frase que hoy se conoce como ley de Goodhart: «cuando una medida se convierte en objetivo, deja de ser una buena medida». En cuanto el consumo se clasifica y se premia, ya no dice nada del trabajo que hay detrás.

El freno lo ha puesto la factura

Desde la primavera, las empresas han ido echando el freno, y no porque hayan encontrado una medida mejor. El CTO de Uber reconoció en abril que el presupuesto de IA que tenía previsto para 2026 ya se había esfumado. En agosto, Jay Parikh, vicepresidente ejecutivo de Microsoft, escribió a la plantilla que el tokenmaxxing «no es lo que buscamos», que había que mirar cómo se gastaban los tokens y que cada división tendría su presupuesto. Desde el 1 de octubre, Accenture cubre 29 dólares al mes por persona en Claude, y lo que pase de ahí lo tiene que pagar un proyecto o un equipo. Se ha pasado de premiar el consumo a ponerle presupuesto, pero se sigue mirando el mismo número.

Amazon, a medias

La nota la mandaron en septiembre los ingenieros de más rango de Amazon a sus desarrolladores y managers, junto con la nueva definición del puesto. La empresa la publicó en su web el 27 de octubre. Sobre el consumo de tokens, la adopción de herramientas y el número de cambios no se anda con rodeos: «todos sabemos lo mal que miden estas métricas, sobre todo porque no tienen que ver con lo que importa». Hasta avisa de que, usadas «como objetivo en vez de como medida», pueden disparar los costes, porque «el tokenmaxxing choca con la frugalidad».

Un párrafo más abajo dice que esas mismas métricas van de la mano de los resultados que importan, que está bien tenerlas en cuenta, «con cuidado y criterio», al pensar en la propia carrera y en el rendimiento de la organización, y recomienda fijarse en los equipos del percentil 10 de adopción de la IA para entender por qué no la aprovechan. Las dos cosas no casan. Si una cifra cuenta para tu carrera, ya es un objetivo, justo lo que la propia nota pide evitar, y Goodhart hace el resto.

Lo difícil de medir

Lo que habría que medir es si se entrega mejor, y eso no es fácil. Para empezar, de tu impresión no te puedes fiar. En 2025, METR, un laboratorio independiente que evalúa modelos de IA, puso a 16 desarrolladores veteranos a resolver tareas reales de los proyectos open source en los que llevaban años trabajando, y sorteó cuáles harían con IA y cuáles sin ella. Antes de empezar, contaban con ahorrarse un 24 % del tiempo. Tardaron un 19 % más, y al terminar seguían convencidos de haber ido más rápido. Con las herramientas de principios de 2026, METR cree que probablemente ya van más rápido, aunque sus datos solo dan «un indicio muy débil» de cuánto.

Además, lo que sube no siempre es lo que importa. Investigadores de Microsoft calcularon en julio que quienes empezaron a usar Claude Code o Copilot CLI integraron cerca de un 24 % más de pull requests. Faros AI, que vende analítica de ingeniería, siguió a equipos que pasaron de usar poca IA a usar mucha y vio que sus PR tardaban cinco veces más en revisarse y llegaban con casi un 29 % más de fallos. Si solo miras cuántos PR salen, parece que todo va mejor, y el coste aparece después, en la revisión y en producción.

Por eso tienen más sentido las métricas de siempre, por equipos: cuánto tarda un cambio en llegar a producción y qué parte de los cambios falla al llegar. Son dos de las métricas de DORA, el grupo de investigación de Google que lleva más de una década estudiando cómo entregan software los equipos (no confundir con DORA). En junio, DORA escribió que, en el consumo de tokens, las cifras de toda la empresa «no significan nada» y las puntuaciones individuales «hacen daño», y propuso mirarlo por equipo, por aplicación o por caso de uso.

La prueba de los jefes

Según la nota, quien dirige un equipo, o lo lidera en lo técnico, conoce la IA lo suficiente cuando la ha usado en su propio trabajo, el que acaba en producción, puede contar una tarea en la que le ayudó y otra en la que no, y sabe explicarle ese criterio al equipo. Es una prueba que no se puede delegar ni meter en un panel, y ahí está su valor. Al ingeniero le dice algo igual de importante: «si las herramientas de IA de hoy no te sirven en tu trabajo, eso es un hallazgo, no un fracaso».

Para pasar esa prueba hay que fijarse en cómo se usa la IA, y eso no se ve en el consumo de tokens. En el experimento que publicó Anthropic en enero, 52 ingenieros, la mayoría junior, tenían que aprender una biblioteca de Python que no conocían. Los que usaron IA sacaron de media un 50 sobre 100 en el examen final, frente al 67 de los que programaron a mano, pero las notas cambiaban mucho según cómo la usaran. Quienes le pedían que les explicara el código o le preguntaban por los conceptos sacaron de media 65 o más, y los que le dejaban el trabajo, menos de 40. Son grupos pequeños, de dos a siete personas, y los autores no dicen que una cosa cause la otra.

Y los que empiezan son cada vez menos. Según un estudio de Stanford, en julio de 2025 trabajaban en Estados Unidos casi un 20 % menos desarrolladores de 22 a 25 años que a finales de 2022. Los autores avisan de que no demuestran que la causa sea la IA. Aun así, si los que entran aprenden a delegar antes que a entender, cuesta ver de dónde va a salir la gente que revise todos esos PR dentro de unos años.

Por dónde empezar

Amazon no trae una métrica mejor, y dice que la encontrará «con el tiempo». Todavía no la tiene nadie. Mientras tanto, la prueba de los jefes es un buen punto de partida. Apunta esta semana una tarea en la que la IA te ayudó y otra en la que no, con lo que tardaste y por qué. Si tienes un equipo a tu cargo, hazla con tu propio trabajo antes de pedírsela a nadie. Y si en tu empresa hay una clasificación de tokens con nombres, propón quitar los nombres, tratar el consumo de cada equipo como un coste más y medir la entrega con esas dos métricas de DORA.

Picaporte Labs es una sola persona, en España. Si en tu empresa también llevan la cuenta de los tokens, escríbeme y cuéntame qué miden y qué ha cambiado.