Vamos rapidísimo, sin tener muy claro hacia dónde

Hace poco el CEO de Nvidia dijo que se sentiría “profundamente alarmado” si un ingeniero que cobra 500.000 dólares al año no estuviera consumiendo al menos 250.000 en tokens. La frase me quedó grabada, porque deja a la vista qué estamos midiendo: ya no importa tanto qué resolvés, ni siquiera cuánto producís, sino cuánto consumís.

Hace rato arrastro una sensación incómoda y creo que por fin le encuentro la forma. Entregamos más rápido que nunca; la velocidad se multiplicó por varias equis. Abrimos más pull requests, despachamos más tickets, generamos más variantes de todo. Y sin embargo, cuando me siento a pensar para dónde vamos, no aparece una respuesta clara. Vamos rapidísimo, hacia un lado que nadie eligió del todo.

Las ganancias individuales no se acumulan: se amontonan. Cada uno rinde más y la suma de la empresa no se mueve. Chocan contra las mismas capas de decisión de siempre: las revisiones, las aprobaciones, el roadmap que tarda lo mismo de siempre en moverse. Aceleramos al corredor pero no agrandamos la pista, y termina frenado en la misma fila, solo que llegó antes. No es solo una intuición mía: Azeem Azhar cuenta el caso de una ejecutiva que lo dijo más corto que nadie: “uno más uno más uno más uno da uno y medio”.

No es una burbuja

Quiero ser claro con esto, porque es fácil caer en la pose del que dice que todo es humo, y no es lo que pienso. No estamos en una burbuja financiera. El valor es real: la gente vuelve a estas herramientas todos los días porque le sirven, no por moda.

Hay un dato del MIT que lo muestra bien, aunque conviene leerlo con precisión, porque circuló bastante deformado. En su estudio — hecho sobre unas decenas de empresas, no sobre el mercado entero — encontraron que, mientras solo el 40% de las compañías paga una licencia oficial de IA, en más del 90% de las que encuestaron los empleados ya usan herramientas personales como ChatGPT o Claude para trabajar. No es “el 90% de los trabajadores del mundo”, como se repitió por ahí; es que en casi todas las empresas que miraron hay gente usando IA por su cuenta. Lo que mejor funciona, entonces, suele ser la IA de abajo hacia arriba, la que nadie mide. Y lo que más fracasa es el piloto oficial, con tablero y reportes.

Así que no, no es una burbuja. Pero hay algo igual de raro pasando.

Queremos agentes en todos lados no porque haya un problema que lo pida, sino por miedo a quedarnos afuera. Porque el de al lado tiene uno y entonces siento que necesito tres. Es una solución buscando con desesperación un problema que la justifique. Y cuando uno adopta una herramienta antes de nombrar el problema que resuelve, lo único que le queda para festejar es haberla adoptado. Por eso terminamos midiendo el uso: porque usarla, casi sin querer, se volvió el objetivo.

Algo parecido ya nos pasó

A Bill Gates le atribuyen una frase que envejeció bien: medir el progreso de un programa por las líneas de código es como medir el progreso de un avión por su peso. Hace veinte años premiábamos al que escribía más líneas, como si más código fuera mejor software. Hoy miramos quién consume más tokens. Cambió la unidad, no el error. Es la vieja ley de Goodhart: cuando una medida se convierte en objetivo, deja de ser una buena medida.

La gente de producto tiene un nombre para esto. Melissa Perri lo llama *the build trap*: la trampa de medir el éxito por lo que producís en vez de por el valor que generás. Equipos enamorados de la cantidad de features que envían, sin parar nunca a preguntarse si a alguien le sirvieron.

La IA no nos saca de esa trampa: le pone un turbo. Antes despachábamos features que nadie pidió a velocidad humana; ahora lo hacemos a velocidad de máquina, y encima medimos cuántos tokens gastamos en el camino como si eso fuera el logro.

El caso que mejor lo retrata es el del “tokenmaxxing”. Cuando algunas empresas grandes pusieron tableros internos para rankear cuánta IA usaba cada empleado, pasó lo previsible: hubo gente que empezó a hacer llamadas innecesarias solo para inflar su número. Costos de cómputo arriba, valor real abajo. La métrica se cumplió a la perfección; el objetivo se perdió por completo.

Lo que dicen los números

El año pasado se hizo viral un estudio del MIT según el cual el 95% de los pilotos de IA en empresas no mostró impacto medible en resultados. Hay que tomarlo con pinzas: usa una definición estrecha de éxito y se apoya en pocas entrevistas, algo que le criticaron con razón. Pero aun bajándole el tono, la dirección es la misma. Gartner calcula que solo una de cada cincuenta inversiones en IA genera valor transformador, y apenas una de cada cinco entrega algún retorno medible.

No leo esos números como “la IA no sirve”. Los leo como una señal de que estamos midiendo lo que no importa. Premiamos al que más consume y no al que mejor resuelve. Confundimos adopción con transformación, y movimiento con dirección.

O quizá medimos demasiado pronto

Recién dije que medimos lo que no importa. Pero conviene hacerse la objeción honesta: tal vez no medimos lo que no importa, tal vez lo medimos demasiado pronto. Toda tecnología de propósito general arranca así. La electricidad estuvo años dentro de las fábricas sin mover la aguja de la productividad, porque primero había que reordenar la fábrica entera alrededor de ella; recién entonces llegaron las ganancias. Erik Brynjolfsson le puso nombre: la curva J, la tecnología que pesa antes de pagar. Si es eso lo que está pasando, el problema no es la métrica sino el calendario, y lo único que hace falta es paciencia.

Le doy lugar a esa lectura porque seguramente tiene razón en algo: estamos en la parte baja de la curva. Pero creo que ahí mismo se esconde el error, y es más fino que “medimos antes de tiempo”. El problema no es mirar el consumo de tokens. Es agarrar una métrica prematura — y encima inflable a voluntad — y subirla a la misma altura que las que de verdad miden valor. Ponerla en el tablero al lado del ingreso, de la retención, del problema resuelto, como si pesara igual. Y como es la más fácil de mover, termina pesando más que todas.

Una señal temprana sirve mientras se la trate como lo que es: una señal, mirada de reojo. El daño empieza cuando se la asciende a objetivo y se le da el rango de las métricas que importan. Ahí ya no es adelantarse con prudencia; es confundir el termómetro con la salud.

Nombrar el problema

No tengo una receta, y desconfío de quien dice tenerla. Pero sí tengo una sospecha sobre por dónde empieza la salida, y no es técnica. Hay quien propone resolver el atasco acelerando las decisiones: que la IA observe la señal, la interprete y decida sola, sin un humano en el medio. Puede ser. Pero a mí me late que el cuello de botella está más arriba, antes de cualquier decisión: en que casi nunca paramos a nombrar el problema. Sumamos el agente, abrimos el PR, llenamos el tablero, y recién después — si llega — aparece la pregunta de para qué era todo eso. Acelerar la ejecución sin haber elegido bien el problema solo te hace llegar antes a ningún lado.

Así que antes de sumar el próximo agente, me hago la pregunta más aburrida de todas, y me la hago a mí primero: ¿qué problema estoy resolviendo con esto? ¿O lo estoy poniendo porque todos lo ponen?

La tecnología es real y el apuro también. El desafío no es correr más rápido, sino tener más claro hacia dónde. Y eso, por ahora, no hay token que lo compre.