En mayo de 2026, varias empresas empezaron a poner límites al uso de herramientas de IA porque el gasto en tokens creció más rápido de lo que esperaban. Ejecutivos consultados por Axios dijeron que están trasladando tareas a modelos más baratos, vigilando el consumo y probando sistemas abiertos; Amazon, por su parte, desactivó KiroRank, un tablero interno que clasificaba a empleados por uso de tokens después de que el sistema incentivara trabajos sin valor. El cambio llega cuando los agentes de IA pueden ejecutar tareas durante horas y cuando Anthropic y OpenAI operan con valoraciones de cientos de miles de millones de dólares. La discusión dejó de ser cuánta IA puede usar una compañía y pasó a cuánto resultado obtiene por cada token consumido.
Los tokens convirtieron la adopción en una métrica de costos
Un token es una unidad de texto que un modelo procesa al leer una instrucción o generar una respuesta. En un chatbot tradicional, una consulta y su contestación producen consumo. En un agente de IA, el sistema puede leer archivos, llamar herramientas, revisar resultados y repetir el ciclo. Cada vuelta suma tokens, por lo que una licencia que parecía predecible puede convertirse en un gasto variable.
Google mostró la escala del problema durante su presentación de I/O del 19 de mayo. La compañía dijo que sus productos procesaban más de 3.2 × 10^15 tokens al mes, siete veces más que un año antes. También aseguró que, durante los 12 meses anteriores, más de 375 clientes de Google Cloud habían procesado cada uno más de un billón de tokens.
Son cifras de Google, no una medición independiente de todo el mercado, pero ilustran por qué el consumo dejó de ser un detalle técnico. Cuando un flujo de trabajo agéntico se ejecuta durante horas, la empresa no solo paga por tener acceso a un modelo: paga por cada paso que el sistema da para completar una tarea.
Las compañías buscan modelos más baratos y evitan depender de uno solo
Axios reportó el 29 de mayo que algunas empresas están enviando tareas a modelos más económicos porque sus presupuestos de tecnología se están desbordando y el retorno de inversión todavía no está consolidado. Matan Grinberg, CEO de Factory, explicó que no todas las tareas necesitan el modelo Opus de Claude. Eric Yunag, vicepresidente ejecutivo de Convergint, dijo que sus clientes están siendo más selectivos con el uso de IA.
La presión también está cambiando la relación con los proveedores. Grinberg contó a Axios que sus clientes temen comprometerse con una sola compañía por miedo a quedar expuestos a aumentos posteriores. En Factory, el uso de modelos abiertos se triplicó durante el último mes frente al de modelos cerrados, según el mismo reporte.
Google presentó esa preocupación como parte de su argumento comercial. Sundar Pichai afirmó que Gemini 3.5 Flash ofrece capacidades comparables a modelos de frontera por menos de la mitad del precio de opciones similares. La compañía calculó que las empresas más grandes podrían ahorrar más de 1,000 millones de dólares al año si trasladaran 80% de sus cargas a ese modelo. Es una estimación de Google sobre un escenario de adopción, no una proyección independiente, pero muestra qué argumento deben vender ahora los laboratorios: eficiencia medible, no solo capacidad.
Amazon retiró una métrica que confundía uso con productividad
El caso de Amazon expuso el problema desde dentro. La empresa desactivó KiroRank, un tablero creado por empleados que ordenaba a sus compañeros según la cantidad de tokens utilizados. Business Insider reportó que algunos trabajadores empezaron a realizar tareas que no resolvían problemas, únicamente para subir en la clasificación.
Dave Treadwell, vicepresidente sénior de Amazon, pidió al personal que no usara IA solo por usar IA. La compañía dijo que el tablero era informal y que nunca pretendió premiar el consumo por sí mismo. Amazon sí continúa midiendo los tokens para calcular costos, pero distingue esa contabilidad de una métrica de productividad.
Ese comportamiento recibió un nombre en Silicon Valley: tokenmaxxing. El término describe la idea de medir el trabajo de una persona o de una empresa por la cantidad de IA que utiliza. El problema es que más tokens pueden significar una tarea más compleja, pero también una instrucción mal diseñada, demasiadas iteraciones o trabajo generado sin utilidad.
Business Insider también citó a Uber como otro ejemplo de la tensión. Andrew Macdonald, director de operaciones de la compañía, dijo que las mejoras de productividad no estaban creciendo al mismo ritmo que el gasto en IA. La declaración llegó después de que el director de tecnología, Praveen Neppalli Naga, afirmara que Uber ya había agotado para abril su presupuesto anual de Claude Code.
Las grandes valoraciones chocan con clientes que ya ponen límites
La presión sobre los costos llega mientras los laboratorios de IA intentan justificar valoraciones extraordinarias y financiar la infraestructura necesaria para sostener sus servicios. El 28 de mayo, Anthropic dijo que había recaudado 65,000 millones de dólares en una ronda privada que elevó su valoración a 965,000 millones. La compañía también afirmó que sus ingresos anualizados habían alcanzado 47,000 millones de dólares. The Associated Press presentó ambos datos como declaraciones de Anthropic.
En otro reporte del 28 de mayo, Reuters informó, citando a Bloomberg, que Apollo Global Management y Blackstone trabajaban para reunir alrededor de 36,000 millones de dólares en financiamiento de deuda para comprar chips personalizados de Google y después arrendárselos a Anthropic. Reuters aclaró que las conversaciones seguían abiertas y que los términos podían cambiar.
La combinación explica la tensión del mercado. Los laboratorios necesitan que aumente el uso para justificar inversiones y valoraciones, pero sus clientes están empezando a pedir que cada dólar produzca un resultado defendible. Axios advirtió que la búsqueda de suscripciones más baratas puede presionar las proyecciones de ingresos de las principales compañías de IA justo cuando se acercan a posibles ofertas públicas iniciales.
La factura cambia la pregunta que deben responder los laboratorios
Las empresas no están abandonando la IA; están intentando decidir qué tareas merecen el modelo más caro, cuáles pueden resolverse con una opción más económica y dónde conviene imponer límites. El consumo bruto de tokens pierde valor como señal de éxito cuando no está conectado con tiempo ahorrado, trabajo terminado o ingresos generados.
Para Anthropic, OpenAI y sus competidores, el nuevo examen será demostrar cuánto cuesta completar una tarea y qué resultado produce. El tokenmaxxing convirtió el entusiasmo por usar IA en una cifra visible, pero la factura obligó a las empresas a compararla con el valor real del trabajo terminado, un dato más difícil de inflar.
