El antipatrón del tokenmaxxing: Uber quemó su budget anual de IA en semanas
Las empresas empujan uso agresivo de IA sin medir; llega la factura y el ROI sigue sin aparecer.
A principios de 2026, los CEOs de Silicon Valley compitieron por demostrar cuánto IA usaban sus equipos. El métrico implícito era el consumo de tokens: más tokens, más cultura IA, más futuro. Uber quemó su presupuesto anual de IA en cuestión de semanas. Y con eso llegó la pregunta que nadie había preparado: ¿cuánto generamos con todo esto?
El ciclo que documentó NEA
Tiffany Luck de NEA nombra el patrón con precisión: tokenmaxxing. Primero, el CEO empuja uso agresivo como señal cultural. Segundo, llega la factura. Tercero, alguien en finanzas pregunta por el retorno y el equipo de producto no tiene respuesta.
No es un problema de adopción. Es un problema de diseño: se instaló el hábito de consumir antes de definir qué medir. Las empresas reemplazaron métricas de negocio con métricas de herramienta —tokens generados, usuarios activos de Copilot, porcentaje de código asistido por IA— como si el uso fuera el resultado.
El resultado es que los presupuestos de IA se convirtieron en centros de costo sin un centro de ingresos equivalente. Las empresas que mejor sobreviven este ciclo son las que empezaron por el problema —reducción de tiempo de ciclo, tasa de defectos, costo por ticket— y eligieron herramientas en función de eso.
El silencio de Robinhood lo dice todo
Cuando Robinhood anunció un recorte del 10% de su plantilla, el CEO Vlad Tenev no mencionó la IA en ningún momento de la nota interna. En el contexto de 2026, ese silencio es un dato.
Durante meses, la narrativa estándar del sector fue: 'restructuramos para capturar la oportunidad de la IA'. Es un relato que legitima los despidos ante inversores y prensa porque los enmarca como inversión, no como ajuste. Tenev eligió no usarlo. Las razones pueden ser varias —prudencia legal, cultura interna, o simplemente que el argumento ya no es creíble— pero el efecto es el mismo: la IA como justificación corporativa está perdiendo tracción. Lo mismo documentamos al analizar cómo los despidos masivos enriquecen a un puñado de insiders.
No porque la tecnología no sirva. Sino porque el mercado empieza a pedir evidencia, y la evidencia escasea.
Por qué el ROI sigue sin aparecer
Hay tres razones estructurales por las que el retorno es difícil de medir en este momento.
Primero, los beneficios son frecuentemente difusos. Un programador que codifica 20% más rápido no genera automáticamente 20% más de ingresos si el cuello de botella está en producto, diseño o ventas. La ganancia de productividad individual no se traslada al P&L de forma directa.
Segundo, los costos son concentrados y visibles. Una factura de tokens es una línea de ítem en el presupuesto. El tiempo ahorrado por los ingenieros no lo es.
Tercero, los casos de uso más valiosos son los más difíciles de instrumentar. Automatizar atención al cliente tiene métricas claras. Mejorar la calidad de decisiones de un equipo de producto no las tiene.
El resultado es una asimetría de medición: el gasto es concreto, el beneficio es narrativo. Hasta que las organizaciones construyan los instrumentos para cerrar esa brecha, el ROI seguirá siendo una promesa razonable pero no una cifra. Esta tensión ya apareció cuando el relato del «todos usan IA para todo» chocó con los datos reales de adopción.
Qué mirar y qué hacer ahora
Para los equipos que toman decisiones de inversión tecnológica, las señales prácticas son estas.
Antes de escalar cualquier herramienta de IA, definir el denominador: ¿contra qué se mide el resultado? Tiempo, costo, tasa de error, ingresos por usuario. Sin denominador, el numerador es ruido.
Separar los proyectos de automatización de proceso (ROI medible en semanas) de los proyectos de augmentación cognitiva (ROI medible en trimestres, si existe instrumentación). Mezclarlos en el mismo presupuesto produce exactamente la confusión que describe Luck.
En los próximos meses, observar si los grandes proveedores —Microsoft, Google, Salesforce— empiezan a publicar datos de impacto verificables de sus clientes empresariales. Si lo hacen, el debate cambia. Si no, la presión sobre el ROI se va a intensificar, y los presupuestos de IA van a entrar en ciclos de revisión similares a los que vivió el SaaS en 2023. Un antecedente cercano: las consultoras que venden IA y se contradicen con sus propios informes ilustran exactamente cómo se ve ese colapso de credibilidad cuando la evidencia no aparece.