En abril de 2026, según reportó The Information y recogió The Pragmatic Engineer, Meta tenía un ranking interno de consumo de IA que sumaba el uso de más de 85.000 empleados y listaba a sus 250 mayores usuarios. En 30 días se habían consumido 60,2 billones de tokens: unos USD 900 millones a precios de lista de la API de Anthropic, aunque el costo efectivo, con descuentos, sería menor. El ranking se desmontó a los pocos días de conocerse.

Ese comportamiento tiene nombre: tokenmaxxing. Maximizar el consumo de IA, normalmente para subir en una tabla de posiciones, como si gastar más fuera lo mismo que ganar más.

El 20 de agosto, The Economist publicó «How to measure returns on AI», con un subtítulo que resume la escena: «From tokenmaxxing to something more normal». Según la nota, pasado el entusiasmo inicial, los directorios y los directores financieros vuelven a preguntar lo de siempre —cuánto se gastó y qué se obtuvo—, y la medición se desplaza del insumo (usuarios, consultas, tokens) hacia el resultado. La nota es de acceso restringido. Lo que sigue es lo que nosotros agregamos desde la operación.

Un token es una línea de costo

Premiar el consumo de tokens tiene algo de paradoja: un token es lo que se le paga al proveedor. Vive en el estado de resultados, del lado de los gastos. Un ranking de tokens es un ranking de quién gastó más.

Ya escribimos en la columna sobre el efecto composición que el desempleo agregado es un saldo: no miente, pero no informa. El consumo de tokens es otro saldo. Dice cuánto pasó por la máquina y nada sobre qué salió del otro lado.

En los sistemas que operamos en producción, la ingeniería apunta en la dirección contraria al ranking. Los tokens son la mayor línea de gasto de un agente —alrededor del 60% en el desglose que publicamos— y entre el modelo más barato y el más caro para una misma consulta hay un rango de 14 veces. Por eso el trabajo serio consiste en gastar menos por resultado: enviar cada consulta al modelo más económico que la resuelve, y no volver a pagar por una respuesta que ya se dio. En el agente de soporte que desglosamos, con 12.000 consultas mensuales, esas dos técnicas llevaron el costo de USD 0,023 a USD 0,015 por consulta —cerca de un tercio menos—, y el caché semántico evitó 35% de las llamadas al modelo. El desglose completo está en nuestro análisis de costos de IA en producción.

MISMO AGENTE, MISMO TRABAJO — COSTO POR CONSULTA Todo al modelo más caro USD 0,023 Model routing + caché semántico USD 0,015 · cerca de un tercio menos Fuente: nodo., análisis de costos de IA en producción. Agente de soporte, 12.000 consultas/mes. 70% Haiku 4.5 y 30% Sonnet 5; el caché semántico evita 35% de las llamadas al modelo.

Un equipo que celebra su posición en el ranking de consumo y uno que celebra haber bajado su costo por consulta están optimizando números que apuntan en direcciones opuestas.

El antes también hay que medirlo

Lo que sí mira un directorio no tiene tokens. En el motor de screening de sanciones que construimos, una verificación individual pasó de 30–45 minutos a menos de 2 segundos, y un lote de 5.000 entidades, de semanas de trabajo manual a menos de 15 minutos, con 2,8% de falsos positivos. En el CRM de una red de concesionarios en Chile, el tiempo de primera respuesta bajó de cuatro horas a menos de 30 segundos, y la proporción de leads sin respuesta cayó de 23% a menos de 2%.

60,2 billones
Tokens en 30 días en el ranking interno de Meta, según The Information. Un número de gasto, no de resultado.
-1/3
Costo por consulta del mismo agente con model routing y caché semántico: de USD 0,023 a USD 0,015.
<30 s
Primera respuesta a un lead en el CRM de una red de concesionarios en Chile. Antes: cuatro horas.
<2 s
Verificación individual en el motor de screening de sanciones. Antes: 30–45 minutos.

Ninguna de esas cifras habla de consumo. Hablan de un antes y un después medidos sobre el mismo proceso. Y lo difícil de esa frase no es el después: es haber medido el antes. Sin línea base, cualquier mejora es una anécdota; con ella, es un resultado que un directorio puede auditar. El marco para armarla —ahorro directo, ingreso incremental y costo evitado— lo desarrollamos en cómo medir el ROI de IA en tu empresa.

Del lado del costo aparece la unidad que cierra la cuenta. USD 0,015 es lo que cuesta una consulta. Lo que le importa al directorio es cuánto cuesta una consulta bien resuelta, y esa cifra solo existe si alguien definió antes qué significa «bien resuelta».

Cuando el ahorro se ve hoy y la cuenta llega después

La nota de The Economist toca además el caso del desarrollo de software: los asistentes de código permiten escribir y desplegar más rápido, pero si lo que producen es deficiente, lo que se ahorró en horas se paga después en revisión, corrección y mantenimiento. Es la misma trampa vista desde el otro lado: el costo de un token se ve el día uno; el de una revisión que nadie presupuestó aparece meses más tarde. Medir retorno exige contar ambos.

Hay una segunda trampa, que ya apareció en nuestra columna sobre la elasticidad de la demanda derivada: abaratar un proceso no decide nada por sí mismo. Lo decide qué se hace con lo abaratado. Las horas que la IA libera en una empresa solo son retorno si terminan convertidas en más producción, en costo evitado o en menos errores; si no, son capacidad ociosa con mejor promedio.

Lo que este argumento no dice

Medir resultados no es exigirlos de inmediato. Brynjolfsson, Rock y Syverson mostraron en 2021 que las tecnologías de propósito general requieren inversiones complementarias —rediseño de procesos, capacitación, datos— que no se reflejan bien en las mediciones de productividad de los primeros años. De ahí sale una advertencia práctica: exigir retorno en semanas puede matar iniciativas que rendirían en trimestres. Tampoco creo que los rankings hayan sido inútiles: si nadie usa la herramienta, no hay retorno posible. El uso es condición necesaria. Lo que falla es tomarlo por resultado.

Y una advertencia sobre este mismo texto: las cifras de nuestros sistemas las medimos nosotros, sobre proyectos que nosotros construimos. No las ha auditado un tercero, y quien las lea tiene derecho a la misma duda que pedimos aplicar a un ranking de tokens.

La pregunta, entonces, no es cuántos tokens consumió tu equipo este mes. Es cuánto tardaba el proceso antes de la IA, y si alguien lo midió.

Fuentes

Preguntas frecuentes

¿Qué es el tokenmaxxing?

Es la práctica de maximizar el consumo de IA —tokens, consultas, sesiones con asistentes— para subir en un ranking interno, bajo el supuesto de que usar más equivale a producir más. Según The Information, Meta llegó a agregar el uso de más de 85.000 empleados en un ranking así, con 60,2 billones de tokens en 30 días, y lo desmontó a los pocos días de conocerse. El problema de fondo es que un token es un costo: medir cuántos se consumieron mide cuánto se gastó, no qué se obtuvo.

¿Cómo se mide el retorno de la IA en una empresa?

Comparando un resultado de negocio antes y después, medido sobre el mismo proceso: tiempo de respuesta, tasa de errores o de falsos positivos, costo por resultado, ingresos incrementales o costos evitados. Eso exige haber medido la línea base antes de desplegar. Dos ejemplos publicados por nodo.: la primera respuesta a un lead pasó de 4 horas a menos de 30 segundos en el CRM de una red de concesionarios en Chile, y una verificación de sanciones pasó de 30–45 minutos a menos de 2 segundos.

¿Cuánto cuesta una consulta a un agente de IA en producción?

En el agente de soporte que desglosamos en nuestro análisis de costos, con 12.000 consultas mensuales, USD 0,015 por consulta usando model routing y caché semántico; enviando todo al modelo más caro, USD 0,023. El costo por consulta, sin embargo, no es el retorno: la cifra que importa es cuánto cuesta una consulta bien resuelta, y para calcularla hay que definir antes qué significa resuelta.

Lectura recomendada

Ranking de consumo de Meta: The Information, recogido por The Pragmatic Engineer (23 de abril de 2026); las cifras de costo son estimaciones a precios de lista de la API, no gasto declarado. Nota de The Economist del 20 de agosto de 2026, de acceso restringido: se cita su título, su subtítulo y su planteamiento general; el análisis y las cifras de operación son de nodo. Curva J de la productividad: Brynjolfsson, Rock y Syverson (2021). Cifras de costos, screening y CRM: publicadas previamente en este sitio y medidas por nodo. en sistemas propios, sin auditoría externa.