Las organizaciones están animando a más empleados a crear soluciones con inteligencia artificial, pero depender de una única herramienta de propósito general para cada tarea puede generar resultados decepcionantes y socavar la confianza en la tecnología. Cuando esto ocurre a gran escala, los trabajadores pueden perfeccionar repetidamente las instrucciones hasta obtener algo utilizable, un patrón descrito como «tokenmaxxing».

La fuente sostiene que el tokenmaxxing es menos un fracaso de los empleados que un síntoma de objetivos poco claros, límites de control insuficientes y formas limitadas de medir el gasto y los resultados de la IA. Culpar simplemente al personal o añadir una formación general sobre el uso responsable no aborda esos problemas subyacentes.

Los procesos tradicionales de adquisición también pueden entrar en conflicto con la velocidad del desarrollo de la IA. Mientras que aprobar software empresarial puede llevar meses, un empleado puede acceder a un chatbot público y generar una página de destino en cuestión de segundos. Si las herramientas aprobadas son demasiado lentas o restrictivas, los trabajadores pueden recurrir a servicios no evaluados, introducir potencialmente información confidencial en modelos públicos y crear riesgos de gobernanza de datos.

Los prototipos resultantes pueden introducir más problemas. Pueden contener código deficiente, no seguir los sistemas corporativos de diseño ni requisitos de accesibilidad como WCAG 2.2, y omitir prácticas básicas de autenticación. Restringir el acceso no necesariamente detiene este comportamiento; los empleados pueden optar por pagar ellos mismos las suscripciones, trasladando los costes fuera de la visibilidad financiera inmediata de la organización.

El artículo también relaciona el uso no gestionado de la IA con la presión por obtener retornos más rápidos. Una encuesta de Teneo a más de 350 directores ejecutivos de empresas cotizadas y 400 inversores institucionales reveló que el 53 % de los inversores esperaba retornos positivos de las nuevas iniciativas de IA en seis meses o menos, frente al 16 % de los directores ejecutivos de empresas de gran capitalización que creía poder cumplir ese plazo. Los directores ejecutivos también indicaron que menos de la mitad de sus proyectos actuales de IA estaban generando un retorno positivo de la inversión.

Al mismo tiempo, se espera que el uso de tokens crezca significativamente. Goldman Sachs Research prevé un aumento de 24 veces en el consumo mensual de tokens, hasta alcanzar los 120 cuatrillones de tokens entre 2026 y 2030, mientras que los proveedores de semiconductores están logrando reducciones anuales del 60 % al 70 % en el coste por token. Los precios más bajos podrían fomentar un mayor uso, especialmente a medida que las organizaciones implementen agentes autónomos de IA.

Los agentes pueden consumir muchos más tokens que una persona que trabaja mediante una instrucción, porque repiten consultas en secuencias. Un agente al que se le asigne una tarea poco clara puede seguir operando mucho después de que una persona se hubiera preguntado si el trabajo merecía la pena. Parte de ese gasto se destina a prototipos que nunca llegan a producción.

Gartner descubrió que al menos la mitad de los proyectos de IA generativa habían sido abandonados después de la fase de prueba de concepto a finales de 2025. Entre las razones se encontraban la mala calidad de los datos, controles de riesgo inadecuados, costes crecientes y un valor empresarial poco claro. Los prototipos que obligan a los ingenieros a reconstruirlos desde cero también pueden consumir tanto los presupuestos de tokens como un valioso tiempo de ingeniería.

Esto puede profundizar la desconfianza entre los equipos técnicos. La encuesta de desarrolladores de Stack Overflow de 2025 reveló que el 46 % de los desarrolladores desconfiaba de la precisión de los resultados de la IA. Las respuestas «casi correctas» eran la principal frustración para el 66 % de los desarrolladores, mientras que el 45 % afirmó que depurar código generado por IA llevaba más tiempo.

La alternativa propuesta no consiste en limitar el acceso a la IA, sino en hacer que su uso sea más específico y responsable. Dar a los equipos no técnicos la capacidad de crear soluciones puede ayudar a desarrollar software diseñado por personas que entienden el requisito empresarial. Sin embargo, cada uso debería tener un propósito claramente definido, y los empleados deberían poder explicar qué se pretendía conseguir con un gasto concreto de tokens.

En lugar de tratar una ventana de chat de propósito general como interfaz predeterminada, las organizaciones podrían proporcionar flujos de trabajo y agentes adaptados a roles específicos. Estos entornos podrían incluir límites de ejecución, directrices de marca, fuentes aprobadas, requisitos de seguridad y componentes prediseñados. Integrar esos controles ayudaría a los empleados a producir aplicaciones más cercanas al cumplimiento y listas para producción sin tener que solicitar por separado cada medida de protección.

La fuente describe una empresa mediana en la que un equipo de análisis de datos formado por tres personas creó un agente para analizar información en sus sistemas. La implementación ahorró a cada miembro del equipo entre 12 y 13 horas de trabajo manual por semana. El agente tenía una tarea definida y operaba dentro de parámetros predeterminados, en lugar de funcionar como un chatbot sin restricciones.

El argumento central es que la caída de los precios de los tokens no elimina la necesidad de supervisión financiera. Las organizaciones deberían definir primero, en términos sencillos, qué quieren que consiga la IA y después adaptar las herramientas, los límites y el gasto a ese propósito. Sin esa claridad, una factura inesperada es solo el síntoma de un fracaso más amplio a la hora de establecer qué papel debería desempeñar la IA.

Fuentes: TechRadar.