Trabajadores de tecnología están al límite: la carrera por el consumo máximo de inteligencia artificial
La inteligencia artificial está cambiando no solo cómo trabajan los programadores, sino también cómo son evaluados, comparados e incluso cómo se ven a sí mismos dentro de las empresas.
Y el termómetro de ese cambio tiene un nombre bien específico: tokens.
Si todavía no escuchaste hablar de tokenmaxxing, preparate, porque este concepto está dominando las conversaciones en los pasillos — virtuales o no — de las mayores empresas de tecnología del mundo.
La idea es simple en la superficie: cuantos más tokens consumís usando herramientas de IA, más productivo parecés ser. Pero ¿realmente funciona así en la práctica? La respuesta, como casi todo en tecnología, no es tan directa como nos gustaría que fuera. 😅
Lo que empezó como una forma de medir el uso de herramientas como ChatGPT, Claude y Gemini se convirtió en un verdadero juego de competitividad corporativa, con leaderboards internos, presupuestos de tokens como beneficio laboral y evaluaciones de desempeño vinculadas a cuánto consume cada ingeniero por semana. Hay gente gastando más de 150 mil dólares por mes con herramientas de codificación basadas en IA. Hay ingenieros procesando el equivalente a 33 veces el contenido de Wikipedia en una sola semana. Y hay empresas usando todo eso como criterio para decidir quién asciende — o quién se queda atrás. Es una carrera que mezcla productividad real, ansiedad laboral y, seamos honestos, una buena dosis de teatro corporativo. 🎭
Qué son los tokens y por qué se convirtieron en moneda de poder
Antes de entrar al juego, vale la pena entender las piezas. Dentro de los modelos de lenguaje — los famosos large language models — los tokens son las unidades básicas de procesamiento de texto. Pensalos como pedazos de palabras, a veces una sílaba, a veces una palabra entera, a veces un símbolo. Cada vez que mandás un mensaje al ChatGPT o le pedís al Claude que revise un bloque de código, estás consumiendo tokens — tanto los que enviás como los que el modelo te devuelve. Y ese consumo tiene un costo, ya sea financiero o computacional.
Durante mucho tiempo, los tokens fueron apenas una métrica técnica. Los equipos de ingeniería los monitoreaban para controlar gastos con APIs y asegurarse de que los presupuestos de infraestructura no se fueran de las manos. Pero cuando las empresas empezaron a distribuir cuotas individuales de tokens para sus ingenieros — como un beneficio laboral, casi como un vale de comida digital — la dinámica cambió por completo. De repente, el volumen de tokens consumidos pasó a señalar, al menos en la percepción colectiva, cuánto ese profesional estaba realmente usando la inteligencia artificial en su día a día de trabajo. Quien consumía más, aparentemente, estaba más integrado a la nueva era de la tecnología.
Este movimiento no surgió de la nada. Empresas como Meta, Shopify y OpenAI ya declararon públicamente que esperan que sus empleados usen herramientas de IA de forma intensiva, y que ese uso será evaluado en las revisiones de desempeño. Algunos gestores empezaron a recompensar a ingenieros que hacen uso intensivo de herramientas de IA y a advertir a quienes no adoptan la tecnología. En ese contexto, los tokens dejaron de ser una métrica de infraestructura y se convirtieron en un indicador de desempeño profesional — con todas las presiones, distorsiones e los incentivos torcidos que eso puede traer. 🤔
Los números que impresionan — y asustan
Para tener una dimensión de lo que está pasando, basta mirar los números divulgados recientemente. Un ingeniero de OpenAI procesó 210 mil millones de tokens en una sola semana — texto suficiente para llenar Wikipedia entera 33 veces. En Anthropic, un único usuario de Claude Code, el sistema de codificación con IA de la empresa, acumuló una cuenta de más de 150 mil dólares en un mes.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Hasta hace poco, usuarios avanzados consumían miles de tokens por día en herramientas como ChatGPT, Claude o Gemini. Para tener una referencia, un estudiante escribiendo un ensayo con la ayuda de IA, incluyendo varias rondas de revisión, podría gastar cerca de 10 mil tokens — algo equivalente a 7.500 palabras. Usar millones de tokens requeriría horas consecutivas frente a la computadora sin hacer otra cosa más que escribir. Y usar miles de millones era prácticamente imposible.
El escenario cambió drásticamente con la llegada de las llamadas herramientas de codificación agénticas. Estos sistemas pueden trabajar de forma autónoma durante horas seguidas, revisando y editando grandes bases de código y escribiendo programas enteros a partir de un solo prompt. Cada agente puede crear subagentes para manejar diferentes partes de una tarea, generando miles de tokens en cada etapa del proceso. Algunos sistemas de IA, como el popular asistente open-source OpenClaw, están diseñados para funcionar 24 horas al día, 7 días a la semana, consumiendo tokens mientras sus usuarios humanos duermen.
Ege Erdil, cofundador de Mechanize, una startup de IA, estimó que un solo agente funcionando a tiempo completo puede consumir 700 millones de tokens por semana. Calculó su propio consumo personal entre mil millones y 10 mil millones de tokens por semana. En su visión, eso ni siquiera es tanto cuando tenés agentes corriendo continuamente.
Max Linder, ingeniero de software en Estocolmo, resumió la situación de forma directa: probablemente gasta más en Claude que lo que gana de sueldo. En su caso, quien paga la cuenta de tokens es el empleador. 💸
Tokenmaxxing: ¿productividad de verdad o actuación?
El término tokenmaxxing nació exactamente de esa tensión. Describe la práctica — consciente o no — de maximizar el consumo de tokens para parecer más productivo dentro de los sistemas de evaluación corporativos. Y acá está el problema central: consumir muchos tokens no es, necesariamente, sinónimo de entregar más valor. Un ingeniero puede usar Claude para generar páginas y páginas de código que nunca llegan a producción. Otro puede usar el mismo modelo para resolver un bug crítico en quince minutos con una sola pregunta bien formulada. El volumen de tokens es completamente diferente. ¿El impacto en el negocio? Quizás el segundo caso sea infinitamente más valioso.
Ese desajuste entre volumen de consumo y calidad de entrega es el punto ciego más peligroso de la carrera por tokens. Cuando las empresas usan dashboards de consumo para evaluar quién está siendo productivo con inteligencia artificial, corren el riesgo de premiar a quien sabe jugar el juego de las métricas — y no necesariamente a quien está generando los mejores resultados con la tecnología. Es el tipo de incentivo que, en teoría de juegos, se llama Ley de Goodhart: cuando una métrica se convierte en meta, deja de ser una buena métrica. Los números suben, pero lo que miden empieza a desconectarse de la realidad.
Varios profesionales de tecnología consultados por el The New York Times expresaron preocupación por el hecho de que colegas están consumiendo miles de millones de tokens — que pueden costar miles de dólares por día — esencialmente para acumular derechos de presumir. Incluso dentro de los propios laboratorios de IA, donde los empleados tienen uso ilimitado de las herramientas de la empresa, la idea de que todo ese consumo sea genuinamente productivo parece bastante improbable. Un empleado de OpenAI, que pidió no ser identificado por no tener autorización para hablar sobre los hábitos de codificación con IA de sus colegas, lo puso de forma simple: esto no parece sostenible.
Dicho esto, sería injusto ignorar que existe, sí, una correlación razonable entre uso intenso de IA y ganancias reales de productividad. Datos publicados por GitHub sobre Copilot muestran que los desarrolladores que integran herramientas de codificación con IA en su flujo de trabajo logran completar tareas significativamente más rápido en determinados contextos. El problema no es usar IA con intensidad — el problema es transformar el volumen de uso en un ranking de valor humano dentro de la empresa. Ahí la cosa empieza a descarrilarse. 😬
El dinero que está detrás de la carrera
Todo ese consumo desenfrenado de tokens se traduce en ingresos expresivos para las empresas que los venden. Anthropic más que duplicó sus proyecciones de ingresos en apenas dos meses este año, en gran parte por el crecimiento acelerado de sus herramientas de codificación agénticas. OpenAI reveló recientemente que Codex, su herramienta de codificación agéntica, triplicó el número de usuarios activos semanales desde principios de año, y que el uso total de Codex, medido en tokens, aumentó cinco veces. El año pasado, Google informó que sus modelos de IA procesaban más de 1,3 cuatrillones de tokens por mes.
Las empresas de IA no están simplemente observando este fenómeno de forma pasiva — lo están incentivando. Los mayores consumidores de tokens reciben trofeos, recompensas y reconocimiento público. Es un modelo que alimenta la competitividad y mantiene a los usuarios enganchados, gastando cada vez más. Para los ejecutivos de tecnología, si un programador quiere operar un enjambre de 10 agentes de IA ejecutando tareas en paralelo en ventanas separadas, están encantados de pagar la cuenta.
Del lado de los suscriptores individuales, los planes pagos de Claude y ChatGPT ofrecen una cantidad fija de tokens por una mensualidad. Algunos tokens se almacenan en caché, lo que significa que el sistema ya los tiene en memoria y no necesita generarlos desde cero, y las empresas cobran más por los tokens de salida que por los de entrada. Quien necesita más tokens puede comprarlos por separado o migrar a planes más caros.
Pero los usuarios más astutos aprendieron a esquivar el sistema, apilando múltiples suscripciones o aprovechando ofertas promocionales. Un fundador de startup reveló haber descubierto que una herramienta de IA de Figma permitía usar el equivalente a 70 mil dólares en tokens de Claude a través de una cuenta que costaba apenas 20 dólares por mes. Usó esa brecha para construir seis proyectos de software simultáneamente. Una vocera de Figma aclaró que ese uso ocurrió antes de la aplicación de límites de crédito de IA, que entró en vigencia recientemente. 👀
Cómo las empresas están estructurando esta carrera
El escenario que se está dibujando en el mercado de tecnología es curioso y, dependiendo del punto de vista, un poco perturbador. Empresas como Meta y OpenAI crearon leaderboards internos — paneles visibles que muestran qué ingenieros consumen más tokens por semana. La lógica, según los gestores que defienden este enfoque, es crear una cultura de adopción acelerada de la inteligencia artificial. Si todos pueden ver quién está usando más, la presión social y la competitividad natural de los equipos de tecnología empujan los números hacia arriba. Es un mecanismo de gamificación aplicado al trabajo — y funciona, al menos para aumentar los números en el panel.
En Meta, los gestores pasaron a considerar el uso de IA en las evaluaciones de desempeño, recompensando a ingenieros que utilizan herramientas de forma intensiva. En Shopify, la empresa declaró que el uso de tokens es solo una de las métricas utilizadas para medir desempeño, analizando también cómo la IA mejora y amplifica el trabajo realizado.
Además de los rankings, otra práctica que está ganando fuerza es la distribución de presupuestos de tokens como beneficio corporativo. En lugar de liberar acceso irrestricto a las herramientas, algunas empresas establecen cuotas mensuales individuales. Presupuestos generosos de tokens se están convirtiendo en un beneficio laboral para programadores, comparable al plan dental o almuerzo gratuito. Quien usa más de la cuota recibe aprobación para expandir el límite, señalando que está integrado al flujo de trabajo inteligente. Quien queda muy por debajo puede recibir una conversación con el gestor sobre por qué no está aprovechando las herramientas disponibles. Este tipo de estructura crea una presión constante para consumir más, independientemente de si la tarea en cuestión realmente se beneficia del uso de IA o no.
Gergely Orosz, autor de un newsletter popular entre ingenieros de software, defendió la práctica de evaluar profesionales mediante leaderboards de IA, llamándola una forma extremadamente barata de aprender sobre formas nuevas e interesantes de trabajar. Reconoció que las métricas anteriores usadas para evaluar la productividad de los programadores — como cuántas líneas de código escribieron o cuántas modificaciones enviaron — tampoco eran perfectas. Pero su observación más contundente fue otra: dentro de las grandes empresas de tecnología, se está convirtiendo en un riesgo de carrera no usar IA a ritmo acelerado, independientemente de la calidad del resultado.
Vale notar que no todas las empresas están siguiendo este camino. Hay una corriente fuerte de líderes técnicos que defiende un enfoque más cualitativo: en lugar de medir tokens, medir entregas. En lugar de rankear consumo, evaluar impacto. Organizaciones con cultura de ingeniería más tradicional han resistido transformar el uso de IA en métrica de desempeño individual, argumentando que esto distorsiona incentivos y puede empeorar la calidad del código generado — al fin y al cabo, código escrito con apuro, aunque esté asistido por IA, todavía necesita ser revisado, testeado y mantenido por humanos. ⚙️
La ansiedad de los tokens y el miedo a quedarse atrás
Nikunj Kothari, un inversor de capital de riesgo en San Francisco, escribió en una publicación reciente sobre lo que llamó token anxiety — la ansiedad de los tokens. Describió un escenario en el que el ecosistema de tecnología se obsesionó con la productividad de IA, no con la productividad humana. Kothari dijo que cambió Netflix por Claude Code y observó que las conversaciones en las cenas de Silicon Valley cambiaron. Antes, la pregunta estándar era qué estás construyendo. Ahora, la pregunta es cuántos agentes tenés corriendo.
Este cambio de mentalidad revela algo más profundo que una simple tendencia de mercado. Existe un miedo genuino entre los profesionales de tecnología de que estamos en el umbral de una transformación radical en el mercado laboral para programadores. Si realmente estamos al borde de una revolución en los empleos de cuello blanco, quizás la ansiedad de los tokens sea racional. Nadie quiere ser el último programador escribiendo código manualmente, sin equipos de agentes de IA trabajando las 24 horas en su nombre.
Herramientas que usamos a diario
Para los empleadores que están pagando por todos esos tokens generados por la ansiedad, el gasto puede parecer una inversión razonable para mantenerse a la vanguardia. Y para los ingenieros, la carrera representa tanto una oportunidad genuina de ampliar sus capacidades como una presión sin precedentes para adaptarse o volverse obsoleto. 😓
El impacto real en la codificación y en el futuro de los ingenieros
Detrás de toda esta discusión sobre métricas y rankings, hay una transformación muy concreta ocurriendo en la forma en que se hace el trabajo de codificación. Herramientas como GitHub Copilot, Cursor, Claude Code y los agentes de código más recientes de Anthropic y OpenAI ya son capaces de escribir funciones completas, refactorizar módulos enteros, identificar bugs e hasta proponer arquitecturas de sistemas. El ingeniero que aprende a trabajar bien con estas herramientas — que sabe hacer las preguntas correctas, revisar el output con sentido crítico e integrar el código generado de forma coherente con el resto del sistema — genuinamente logra entregar mucho más en menos tiempo.
La mayoría de los tokenmaxxers consultados en reportajes recientes eran ingenieros o programadores aficionados construyendo y manteniendo softwares grandes y complejos usando agentes de codificación corriendo en paralelo. Relataron, de manera general, que las herramientas de codificación con IA los estaban haciendo más productivos. Sin embargo, algunos también enmarcaron su uso de IA como un movimiento estratégico — una forma de señalizar a colegas y jefes que están acompañando el ritmo de los tiempos, mientras la era de la codificación puramente humana parece estar llegando a su fin.
Ese es el lado positivo de la ecuación, y es real. La productividad que estas herramientas desbloquean no es ficción de marketing. Es posible ver, en contextos concretos, ingenieros resolviendo en horas problemas que antes tomarían días. La capacidad de usar inteligencia artificial para acelerar tareas repetitivas de codificación — como escribir tests unitarios, documentar APIs o convertir código de un lenguaje a otro — libera tiempo mental para lo que realmente exige creatividad humana: entender el problema del negocio, tomar decisiones de arquitectura y garantizar que el sistema en su totalidad tiene sentido. Cuando el uso de tokens refleja ese tipo de trabajo, los números altos están absolutamente justificados.
La gran pregunta: ¿estamos construyendo algo bueno?
La cuestión que sobrevuela toda esta carrera es inevitable: ¿alguno de estos tokenmaxxers está produciendo algo realmente bueno? ¿O simplemente están girando en vacío, generando código inútil y desperdiciando poder de procesamiento valioso en el intento de parecer ocupados?
Los leaderboards no miden calidad. Miden volumen. Y esa laguna es el talón de Aquiles de todo el sistema de evaluación basado en tokens. Quizás los adictos a la IA de hoy se conviertan en los ingenieros 100 veces más productivos de mañana. O quizás todo esto no sea más que teatro de productividad — una torre reluciente de tokens, construida por los competitivos y temerosos, que se va a derrumbar en cuanto entendamos de verdad lo que constituye trabajo útil.
El desafío para las empresas es crear sistemas de evaluación que logren distinguir el uso inteligente del uso performático. Eso pasa por combinar métricas cuantitativas — como el volumen de tokens — con evaluaciones cualitativas de entrega, revisión por pares e impacto en los productos. También pasa por crear una cultura donde los ingenieros se sientan seguros para usar la IA de forma honesta, sin necesidad de inflar números para parecer más relevantes.
De cualquier manera, una cosa parece segura: vamos a necesitar muchos más data centers. Al fin y al cabo, la competitividad más saludable no es la carrera por quién gasta más tokens — es la carrera por quién entrega software mejor, más rápido y más confiable. Y esa carrera, afortunadamente, la inteligencia artificial todavía no puede ganarla sola. 🚀
