Quemar Tokens No Es Trabajar

De la hora-hombre a la economía del token

A fines del siglo XIX, Frederick Taylor caminaba por los talleres de la Midvale Steel con un cronómetro en la mano. Medía cuánto tardaba un obrero en cargar una pala, girar una pieza o volver a su puesto. De ahí salió la idea de que el trabajo podía descomponerse en unidades de tiempo y que pagar por hora era pagar por algo objetivo. La hora se convirtió en la moneda del esfuerzo y durante un siglo casi nadie la discutió.

Después llegó la economía del conocimiento y la hora empezó a quedar chica. Un programador podía resolver en veinte minutos lo que otro no resolvía en una semana, y ambos facturaban lo mismo. Peter Drucker propuso mirar el resultado en lugar del reloj, y de esa intuición nacieron la dirección por objetivos, los indicadores de desempeño y los OKR. El trabajo dejó de medirse por presencia y pasó a medirse por entrega. Fue un avance, aunque con trampa, porque los objetivos también se pueden inflar, negociar a la baja o cumplir en el papel mientras el negocio se hunde.

Hoy estamos presenciando el surgimiento de un tercer paradigma, mucho más abstracto y con implicaciones metodológicas profundas: la tokenización del trabajo.

¿Qué significa realmente tokenizar el esfuerzo?

Un token es el fragmento mínimo de texto que procesa un modelo de lenguaje, algo así como una sílaba para la máquina. Cada pregunta que le hacés a un sistema de IA, cada informe que le pedís o línea de código que te sugiere, consume una cantidad de tokens que alguien paga y que queda registrada. Mientras la IA fue un juguete, ese registro era un detalle técnico de facturación. Cuando entró de lleno a las empresas, se transformó en otra cosa: un rastro contable de cuánto y cómo trabaja cada persona con las máquinas.

Jensen Huang, el CEO de Nvidia, propuso hace unos meses que los ingenieros de élite reciban, además del sueldo, un presupuesto anual de tokens equivalente a la mitad de ese sueldo. Y agregó que si un ingeniero consume apenas una fracción de eso, el problema no es de la empresa sino del ingeniero. El bajo consumo, que toda la vida fue sinónimo de eficiencia, pasó a ser síntoma de obsolescencia.

No es una excentricidad aislada. Meta rastrea con una herramienta interna cuántas líneas de código se generan con ayuda de IA y premia a los adoptantes más intensivos con multiplicadores de bono. Amazon monitorea la frecuencia y la profundidad con que sus empleados usan las herramientas corporativas de IA, pesando esos datos en las promociones. Según The New York Times, Meta, OpenAI y Shopify mantienen rankings internos en tiempo real que muestran cuántos tokens consume cada empleado. Un ingeniero de OpenAI llegó a procesar 210.000 millones en una semana, el equivalente a leerse Wikipedia completa 33 veces. El deporte ya tiene nombre: tokenmaxxing.

La metamorfosis de la medición laboral

El engaño del volumen y la fricción necesaria

Acá vale la pena frenar y mirar exactamente qué estamos midiendo. Existe una diferencia abismal entre el esfuerzo invertido y el valor generado.

El token es, en esencia, capacidad computacional consumida. Medir la productividad de una persona por los tokens que quema es como evaluar la destreza de un conductor exclusivamente por la cantidad de nafta que gasta. Un profesional que llega al modelo con el problema bien pensado, el contexto ordenado y las instrucciones precisas resuelve en unos cientos de tokens lo que otro, con el pensamiento difuso, necesita miles para resolver peor. Los estudios sobre modelos de código muestran diferencias de tres a uno en consumo para resultados equivalentes. Si la empresa premia el volumen, está premiando el desperdicio.

A esto se suma una trampa conocida: cuando una métrica se convierte en un objetivo, deja de ser una buena métrica. En cuanto los empleados saben que su consumo de tokens se monitorea, dejan de usar la IA para resolver problemas y empiezan a usarla para dejar rastro. Generan automatizaciones redundantes, resúmenes de cosas ya resumidas, consultas que nadie necesita. La métrica ya no describe el trabajo; lo deforma.

En el afán de la eficiencia absoluta, la tecnología nos vende la eliminación de toda fricción. Pero en entornos de alto riesgo o de decisiones estratégicas, esa "fricción" —el doble chequeo, el silencio para dudar, la incomodidad de evaluar opciones— es exactamente el mecanismo que evita el desastre. Al delegar la resolución a intercambios algorítmicos masivos solo para alimentar una métrica, corremos el riesgo de confundir la velocidad de generación de resultados con la solidez del criterio.

El futuro del criterio de medida

Del lado humano, mientras tanto, las señales son incómodas. Un estudio publicado por investigadores de Duke documentó una penalización social por usar IA en el trabajo: los colegas tienden a atribuirle el éxito a la máquina y a juzgar al usuario como menos competente. La paradoja es cruel. La empresa te exige usar IA de manera visible y tu entorno te descuenta mérito precisamente por eso. Sumale la fatiga de decidir a cada rato qué se delega, qué se revisa y qué se corrige: a veces el que más tokens quema no es el más sofisticado, es el más agotado.

El token va a recorrer el mismo camino que la hora y el objetivo, pasando de hallazgo útil a métrica gastada, solo que más rápido, porque nunca una unidad de medida fue tan fácil de inflar. La pregunta interesante nunca fue cuántos tokens consume alguien, sino qué relación hay entre ese consumo y el valor que produce. Las organizaciones que entiendan esa diferencia van a usar el consumo como señal de diagnóstico, no como vara de mérito. Las que no, van a descubrir dentro de unos años que compraron teatro digital a precio de productividad.

El futuro del trabajo no le va a pertenecer al que más consuma ni al que más horas registre, sino al que mejor convierta capacidad computacional en criterio. Esa conversión, que incluye saber qué preguntar, qué delegar, qué descartar y cuándo desconfiar, todavía no tiene unidad de medida. Llevamos ciento treinta años buscando la balanza exacta para pesar el trabajo humano. Lo más probable es que no exista, y que lo mejor de cada nueva unidad no sea lo que mide, sino la pregunta que nos obliga a hacernos: qué es, exactamente, lo que valoramos cuando decimos que alguien trabaja bien.