Cuando gastar más IA no significa trabajar mejor
Hay una nueva forma de mirar el trabajo
Hay una escena que probablemente empezaremos a ver cada vez más en muchas empresas. Alguien entra en el panel de administración de una herramienta de inteligencia artificial y se encuentra con datos que hasta hace poco no formaban parte de nuestras conversaciones habituales. Uso por persona, agentes activos, créditos consumidos, consultas realizadas, coste estimado por departamento o actividad por equipo.
A primera vista puede parecer una métrica más. De hecho, tiene sentido que exista. Si una empresa paga por herramientas de inteligencia artificial, necesita saber si se están utilizando, cuánto cuestan y en qué áreas se están incorporando con más fuerza. Nadie gestionaría de forma seria un presupuesto tecnológico sin mirar mínimamente el uso. El problema no está en medir. El problema aparece cuando empezamos a confundir esa medición con una lectura fiable del valor que se está generando.
Y ahí, me parece, empieza una conversación mucho más interesante que la simple subida de precios de las herramientas de IA.
Durante estos últimos años hemos hablado mucho de si las personas usan o no usan inteligencia artificial. La pregunta parecía bastante sencilla. Estás dentro o estás fuera. Te estás adaptando o te estás quedando atrás. Has probado ChatGPT, Claude, Gemini, Copilot o cualquier otra herramienta, o sigues trabajando como antes. Sin embargo, esa pregunta empieza a quedarse corta, porque el uso de la IA ya no se limita a entrar en un chat y pedir una respuesta. Cada vez más, hablamos de agentes, automatizaciones, contexto largo, análisis de documentos, generación de código, búsquedas encadenadas y procesos completos asistidos por modelos.
Por eso la siguiente pregunta no será solo si usas IA, sino cuánta IA usas, cuánto cuesta ese uso y, sobre todo, qué estás consiguiendo con él. Esta última parte es la importante. Sin ella, corremos el riesgo de repetir con la inteligencia artificial una vieja torpeza que ya conocemos demasiado bien.
Hemos medido mal el trabajo muchas veces. Hemos confundido presencia con compromiso, horas de oficina con productividad, reuniones con coordinación, correos enviados con comunicación, llamadas realizadas con actividad comercial o informes largos con pensamiento profundo. Cada época ha tenido sus indicadores cómodos, esos números que parecen darnos seguridad porque son fáciles de contar, aunque no siempre expliquen lo que realmente importa.
Ahora podríamos añadir uno nuevo a la lista. Tokens consumidos.
La ilusión de que la IA costaba veinte euros
Nos acostumbramos muy rápido a pensar que la inteligencia artificial generativa costaba poco. Para muchas personas, la cifra mental quedó fijada en torno a una suscripción mensual asumible. Pagabas una cantidad razonable y sentías que tenías acceso a algo casi ilimitado. Escribías una pregunta y la respuesta aparecía en segundos. Pedías otra versión y llegaba. Subías un texto, solicitabas un resumen, pedías ideas, corregías el resultado y volvías a intentarlo sin pensar demasiado en lo que ocurría al otro lado.
La experiencia era tan limpia que invitaba a olvidar todo lo que no veíamos. No veíamos los centros de datos, las tarjetas gráficas, la electricidad, la refrigeración, la memoria, el mantenimiento, la inferencia ni la cantidad de recursos necesarios para que una respuesta apareciera en una pantalla como si no pesara nada. Veíamos una caja de texto, y una caja de texto parece algo ligero, casi inmaterial, como si las palabras no ocuparan espacio ni consumieran energía.
Pero la inteligencia artificial no es una libreta digital. Incluso una interacción sencilla implica procesamiento, memoria, contexto e infraestructura. Un documento largo no solo se «sube», también debe ser leído y mantenido disponible para trabajar con él. Una conversación extensa no solo continúa, sino que arrastra parte de lo anterior para no perder coherencia. Y cuando añadimos imágenes, análisis complejos o agentes que consultan archivos y utilizan herramientas, el coste deja de parecerse al de una simple respuesta y empieza a acumular nuevas capas. Durante una primera etapa, el precio visible para el usuario nos permitió no pensar demasiado en todo esto. Pagábamos poco, o incluso nada, y la sensación era que la IA estaba disponible como un servicio abundante, casi como una extensión natural de internet.
Sin embargo, una cosa es el precio que pagamos y otra distinta el coste real de lo que utilizamos. No siempre coinciden, y cuando una tecnología necesita crecer rápido, captar usuarios, crear hábitos y ocupar mercado, es bastante habitual que durante un tiempo alguien asuma una parte importante de la factura. Puede ser la empresa, pueden ser los inversores, puede ser una estrategia de negocio a largo plazo o puede ser una combinación de todo ello.
Lo que ahora empieza a cambiar es que esa primera etapa de acceso relativamente cómodo va dando paso a otra más precisa y quizá más incómoda. Aparecen planes más caros, límites más visibles, créditos, prioridades, versiones avanzadas y costes asociados al uso intensivo. No debería sorprendernos. Lo que ocurre es que habíamos interiorizado demasiado rápido la idea de que la inteligencia artificial avanzada podía funcionar como una tarifa plana de pensamiento.
La diferencia entre recibir una respuesta y poner a trabajar un agente
Una parte importante de la confusión viene de llamar de la misma manera a usos que tienen costes muy distintos. Durante los primeros meses de popularización de la IA generativa, muchas personas la utilizaban para tareas relativamente acotadas. Mejorar un correo, resumir un documento, pedir una explicación sencilla, proponer títulos, traducir un texto, ordenar unas ideas o preparar un primer borrador.
Todo eso puede ser útil, por supuesto. Pero sigue siendo una interacción bastante delimitada. Yo pido algo y recibo una respuesta. Puede haber varias iteraciones, puedo corregir y pedir cambios, pero la estructura de fondo sigue siendo conversacional.
Con los agentes la situación cambia. Un agente no se limita a contestar. Puede leer instrucciones, consultar documentos, usar herramientas, comparar información, generar un resultado, detectar errores, corregirlos, volver a probar, resumir lo aprendido y entregar una propuesta más elaborada. Eso ya no se parece tanto a una conversación puntual como a una pequeña cadena de trabajo.
Y una cadena de trabajo consume más recursos.
No cuesta lo mismo pedirle a una IA que reformule una frase que pedirle que analice veinte documentos, identifique patrones, prepare un informe, proponga acciones y deje todo listo para revisarlo. No cuesta lo mismo una pregunta sencilla que un sistema trabajando durante varios minutos sobre un problema complejo. Sin embargo, durante un tiempo hemos metido todo en el mismo saco bajo una expresión demasiado amplia. Usar IA.
Esa expresión empieza a quedarse pobre.
Usar IA puede significar hacer una consulta puntual o apoyarse en un sistema que acompaña una parte entera de un proceso profesional. Puede significar pedir una idea rápida o tener agentes revisando código, analizando contratos, clasificando incidencias, preparando propuestas comerciales o transformando reuniones en tareas. El salto no es solo técnico. También es económico y cultural, porque cuando una herramienta pasa de ayudarnos a responder a ayudarnos a trabajar, deja de ser un complemento simpático y se convierte en capacidad productiva.
Y la capacidad productiva se mide, se presupuestaría, se compara y se discute.
El token empieza a salir de la sala técnica
Para muchas personas, la palabra token todavía suena lejana. Algo propio de desarrolladores, ingenieros o gente muy metida en las tripas de los modelos. Podemos simplificarlo bastante diciendo que un token es una pequeña unidad de texto que el modelo procesa. A veces coincide con una palabra, a veces con una parte de una palabra y a veces con un fragmento. Los modelos no leen exactamente como leemos nosotros. Trabajan con esas unidades para interpretar una entrada y generar una salida.
Pero lo importante aquí no es quedarse en la definición técnica. Lo relevante es que el token empieza a cambiar de significado. Deja de ser solo una unidad interna del funcionamiento de los modelos y empieza a convertirse en una unidad económica. Algo que se consume, se calcula, se limita, se factura y se compara.
Hasta ahora el usuario veía preguntas y respuestas. La empresa empieza a ver consumo. Y cuando una organización empieza a ver consumo, la pregunta por el retorno aparece de manera casi inevitable.
Eso no es malo. De hecho, puede ser muy sano. No tiene sentido invertir en herramientas de IA sin saber si se usan, cómo se usan y qué valor aportan. Lo delicado es convertir una señal parcial en una medida total. Porque consumir muchos tokens puede significar que una persona está explorando procesos de forma avanzada, trabajando con agentes y buscando nuevas formas de aportar valor. Pero también puede significar que está dando vueltas, pidiendo versiones innecesarias, subiendo documentos sin criterio o usando modelos potentes para tareas que no lo necesitan.
El consumo puede darnos una pista. Lo que no debería es convertirse en la prueba definitiva.
No confundamos combustible con viaje
Me ayuda pensarlo con una imagen sencilla. En un coche, el combustible importa. Sin combustible no hay movimiento. Si el depósito está vacío, no llegamos a ninguna parte. Pero a nadie sensato se le ocurriría evaluar un viaje únicamente por los litros consumidos. Un conductor puede gastar mucho porque ha hecho un trayecto largo, necesario y bien planificado. También puede gastar mucho porque ha dado vueltas sin rumbo, ha acelerado de más, ha elegido mal la ruta o no sabía exactamente a dónde iba.
El consumo, por sí solo, no nos dice si el viaje tenía sentido. Necesitamos saber a dónde quería llegar esa persona, qué ruta eligió, cuánto tardó, en qué condiciones llegó, qué riesgos asumió y si había una forma mejor de hacerlo.
Con la IA ocurre algo parecido. Los tokens son necesarios, pero no son el destino. Consumir muchos tokens no demuestra, por sí solo, que haya mejor trabajo. Puede haberlo, claro. Una buena estrategia con agentes, contexto largo y modelos potentes puede requerir mucho consumo, igual que algunos viajes necesitan kilómetros. Pero también puede haber ruido, repetición, automatizaciones innecesarias y movimiento sin avance.
Aquí aparece una de las grandes paradojas de esta etapa. La inteligencia artificial puede ayudarnos a trabajar mejor, pero también puede ayudarnos a disimular mejor que no sabemos qué estamos haciendo. Puede generar actividad, versiones, documentos, borradores, resúmenes, análisis y propuestas. Puede producir muchísimo movimiento. Pero el movimiento, por sí solo, no siempre significa progreso.
Por eso me preocupa la tentación de construir una cultura profesional alrededor del consumo visible de IA. Si una empresa empieza a celebrar a quien más herramientas usa, quien más agentes lanza o quien más tokens consume, puede acabar alimentando una cultura de apariencia. Personas que introducen IA en cualquier tarea para demostrar que están al día. Equipos que enseñan gráficos de adopción como si fueran transformación. Responsables que presumen de dashboards muy completos sin preguntarse qué ha mejorado realmente.
Eso no es cultura de IA. Es teatro de IA.
Y el teatro puede salir caro. No solo por la factura económica, sino porque acostumbra a la organización a confundir actividad con aprendizaje, adopción con impacto y consumo con criterio.
El miedo a gastar también puede empobrecernos
Ahora bien, el riesgo contrario también existe. Una organización puede ver la factura de IA, asustarse y empezar a cortar por todas partes. Limitar accesos, bloquear modelos avanzados, pedir permisos para cualquier uso, forzar herramientas más baratas incluso cuando la tarea requiere más capacidad o convertir cada consulta en una pequeña culpa presupuestaria.
Ese camino parece prudente, pero también puede salir caro. Una empresa que solo mira el coste puede terminar apagando justo aquello que necesitaba aprender a usar mejor. Hay momentos en los que gastar más no es despilfarrar, sino explorar. Es permitir que los equipos prueben, fallen, comparen y entiendan qué procesos pueden mejorar con IA y cuáles no merecen la pena.
La conversación madura no está entre barra libre y cierre del grifo. Está en otra parte. Está en decidir qué uso merece modelos avanzados, qué tareas pueden resolverse con herramientas más sencillas, qué agentes generan retorno, qué automatizaciones ahorran tiempo real, qué procesos mejoran la calidad del trabajo y qué usos solo producen más ruido.
No se trata de usar menos IA. Se trata de usarla con más criterio. Y esto exige algo que a veces olvidamos cuando hablamos de tecnología. Exige pensar antes de automatizar, definir antes de medir, preguntar antes de consumir y evaluar después de usar.
La brecha puede estar en la calidad del acceso
Durante años hemos hablado de brecha digital como la distancia entre quienes tienen acceso a tecnología y quienes no. Con la IA puede ocurrir algo más sutil. Quizá mucha gente tenga algún tipo de acceso a herramientas de inteligencia artificial. Versiones gratuitas, modelos básicos, asistentes integrados en aplicaciones cotidianas o funciones sencillas dentro de herramientas que ya usamos. Eso puede dar la impresión de que la brecha se reduce.
Pero tal vez la diferencia no esté solo en tener o no tener IA. Tal vez esté en qué IA puedes usar, con qué límites, con qué modelos, con qué contexto, con qué velocidad, con qué agentes y con qué presupuesto.
Una cosa es tener una IA para tareas simples y otra muy distinta es disponer de agentes capaces de trabajar sobre proyectos complejos, acceder a documentación interna, analizar grandes volúmenes de información, automatizar procesos y sostener tareas largas con modelos potentes. La primera puede servir para consumir. La segunda puede servir para producir.
Ahí aparece una brecha incómoda. Equipos con presupuesto podrán experimentar más, automatizar mejor, acceder a modelos más capaces y construir procesos más potentes. Equipos con recursos limitados quizá tengan que conformarse con cupos pequeños, modelos básicos o miedo a gastar. Esto puede afectar a empresas, profesionales autónomos, centros educativos, administraciones públicas y personas en proceso de aprendizaje. No todos competirán con la misma capacidad aumentada.
Por eso el coste real de la IA no es solo económico. También es social. Si la inteligencia artificial se convierte en una infraestructura básica para trabajar, aprender y producir, el acceso a sus mejores capacidades importará mucho. Y si ese acceso depende demasiado del presupuesto, la promesa de democratización quedará bastante matizada.
No significa que todo vaya a peor. Los modelos se optimizan, aparecen soluciones abiertas, bajan algunos costes y surgen herramientas más eficientes. Pero sería ingenuo pensar que la eficiencia técnica resolverá por sí sola la desigualdad de acceso. Una tecnología puede abaratarse por unidad y, aun así, generar una factura mayor si empezamos a usarla para muchas más cosas.
La pregunta no es solo cuánto cuesta cada token. La pregunta es cuánta capacidad de IA necesitaremos cuando muchas organizaciones quieran trabajar con agentes de verdad.
Medir mejor para trabajar mejor
Las empresas van a medir el uso de la IA. Es razonable y, probablemente, inevitable. Medirán costes, actividad, agentes, automatizaciones, ahorro de tiempo, adopción por equipos e impacto en procesos. No tiene sentido oponerse a toda medición. Lo que sí tiene sentido es discutir qué significa medir bien.
Los tokens pueden ser una señal de entrada, pero no deberían ser una sentencia. Pueden ayudar a entender si una herramienta se está usando, si un equipo está explorando, si un agente consume demasiado o si una tarea requiere un modelo que quizá no compensa. Pero no pueden responder solos a la pregunta importante. Qué hemos conseguido.
La evaluación madura debería conectar coste, uso y resultado. No basta con preguntar cuánta IA has usado. Habría que preguntar para qué la has usado, qué ha cambiado, qué proceso ha mejorado, qué decisión ha sido más clara, qué tarea ha dejado de repetirse, qué aprendizaje ha aparecido, qué error se ha evitado o qué calidad se ha ganado.
Ahí empieza la diferencia entre consumo y valor. Un profesional que utiliza mucha IA y demuestra impacto no es caro. Es rentable. Un equipo que consume muchos tokens pero mejora procesos, reduce errores, aprende más rápido y entrega mejor trabajo está usando la tecnología como recurso productivo. En cambio, un equipo que consume mucho para alimentar un contador no está transformando nada. Solo está quemando combustible. Y quizá ni siquiera sabe hacia dónde va.
Me interesa especialmente esta parte porque, al final, todo esto no va solo de herramientas. Va de criterio profesional. La IA nos obliga a hacernos mejores preguntas sobre el trabajo. Qué merece hacerse. Qué puede automatizarse. Qué debe seguir pasando por una conversación humana. Qué parte de una tarea requiere velocidad y qué parte requiere juicio. Qué datos necesitamos. Qué resultado esperamos. Qué coste estamos dispuestos a asumir.
La tecnología puede ayudarnos mucho, pero no sustituye esa responsabilidad. De hecho, cuanto más potente sea la herramienta, más importante será el criterio de quien la utiliza. Una IA limitada puede generar respuestas mediocres. Una IA muy potente, mal dirigida, puede generar mediocridad a gran escala.
Por eso no me preocupa solo que la IA se encarezca. Me preocupa que aprendamos a usarla desde una cultura pobre, una cultura que premie el consumo visible en lugar del aprendizaje real, que confunda dashboards con transformación, que llame innovación a cualquier automatización, que se asuste ante la factura sin preguntarse por el retorno o que convierta la inteligencia artificial en otra forma de competir por apariencia.
También veo la posibilidad contraria. Empresas que aprendan a medir mejor. Profesionales que documenten qué han conseguido con IA. Equipos que conecten uso con mejora. Organizaciones que permitan experimentar sin convertir cada token en sospecha. Personas que no usen la IA para parecer más ocupadas, sino para pensar mejor, decidir mejor y trabajar con más sentido.
Las empresas que entiendan esta etapa no serán las que corten el uso de IA por miedo ni las que conviertan el consumo en una competición interna. Serán las que aprendan a conectar coste, uso y resultado. Las que no pregunten solo cuántos tokens hemos gastado, sino qué hemos sido capaces de construir con ellos.
Porque al final quizá la pregunta no sea cuánta inteligencia artificial somos capaces de consumir, sino cuánta inteligencia humana somos capaces de poner en ese consumo. Una herramienta puede multiplicar nuestras posibilidades, sí. Pero también puede multiplicar nuestra confusión si dejamos que el contador piense por nosotros.
#IA #InteligenciaArtificial #Productividad #TrabajoDigital #DeCeroAIA
