Tokenmaxxing toca a su fin: eficiencia, coste y el impacto real de los agentes de IA

Uber: del tokenmaxxing a la eficiencia responsable

La declaración del CTO de Uber marcando el final del tokenmaxxing es un cambio de paradigma: «la siguiente fase... no se caracterizará por quién gasta más tokens, sino por cómo los usa la gente de la forma más eficiente posible.» Según el análisis publicado por Praveen Neppalli Naga, Uber cuadruplicó el número de usuarios de herramientas de IA frontier mientras reducía el coste por token gracias a prácticas como prompt caching, modelos por defecto mejor escogidos y visibilidad del consumo para ingenieros, además de experimentar con modelos open-weight como alternativa más barata. El caso de Uber, que quemó su presupuesto de Claude Code en cuatro meses, ilustra el riesgo de medir productividad por volumen de tokens; el aprendizaje es claro: optimizar flujos y gobernanza reduce costes sin frenar la adopción. Más detalles en WWWhat's New IA: leer análisis de Uber.

El coste oculto de los agentes: rendimiento y consumo energético

En paralelo, se visibilizan dos problemas sistémicos. Primero, Martin Spier explica cómo los flujos agentivos multiplican los cambios de código y generan costes de rendimiento más allá del GPU: la necesidad de perfilado, detección de regresiones y optimización continua se convierte en una función crítica para mantener productos rápidos y escalables. InfoQ AI/ML detalla cómo los agentes always-on obligan a automatizar ingeniería de rendimiento: presentación de Martin Spier.

Segundo, los datos de Zeke Hausfather revelan la tremenda huella energética de los agentes: durante ocho semanas registró 3.200 millones de tokens y ~170 kWh usando Claude Code, lo que equivale a que un agente puede consumir ~600 veces más energía que una entrada de chat sencilla. Esa discrepancia desmonta la percepción de bajo coste energético por interacción y obliga a incorporar métricas de eficiencia energética y coste real en la toma de decisiones sobre despliegue de agentes. Fuente en The Decoder: análisis del consumo de agentes.

Atención al cliente: la IA ya está reconfigurando equipos y relaciones

La automatización está dejando de ser promesa y empieza a reducir plantillas en grandes empresas. Un repaso a casos como Microsoft, Uber o Hyatt muestra recortes significativos en soporte — Microsoft pasó de ~50.000 a ~40.000 empleados en soporte, con ahorros estimados en cientos de millones — y plantea una pregunta relevante para empresas y reguladores: ¿qué tipo de relación queremos con los clientes cuando la IA maneja la voz y el chat? Enrique Dans sintetiza el impacto en empleo y en la calidad percibida del servicio: leer reflexión.

Grokipedia congelada: cuidado con confiar en fuentes sin mantenimiento

Grokipedia, la apuesta enciclopédica de xAI, acumula más de tres meses sin actualizaciones, según investigación de Lawfare citada por WWWhat's New IA. Aunque sigue recibiendo millones de visitas, el feed de cambios desaparecido y las sugerencias sin procesar dejan a los usuarios consultando contenido potencialmente desactualizado. Es una llamada de atención sobre la confianza en productos emergentes de contenido y la necesidad de gobernanza y mantenimiento continuos. Más información: Grokipedia estancada.

Competencia en generación de imágenes: Imagine Image 2.0 vs GPT-Image-2

En benchmarks Arena, Imagine Image 2.0 de xAI se coloca justo detrás de GPT-Image-2 de OpenAI, incorporando herramientas prácticas como Magic Wand y Multi-Ref Editing para flujos creativos. Es un recordatorio de que la mejora en calidad va acompañada de nuevas funcionalidades pensadas para procesos reales de diseño y producción, y que la competencia empuja innovación útil para equipos de producto y marketing. Fuente en The Decoder: comparativa Arena.

Qué nos llevamos

La narrativa dominante cambia: ya no se trata de consumir más IA por sistema de medición, sino de usar la IA con eficiencia técnica, económica y energética. Quienes integren métricas de rendimiento, coste y huella energética en su gobernanza tendrán ventaja competitiva y mitigarán riesgos laborales y reputacionales asociados a automatizaciones masivas.