El mercado de inteligencia artificial tiene un problema de medición que se está convirtiendo en un problema de caja.
Según Steven Carlini, Chief Advocate de Data Centers and AI en la unidad de gestión energética de Schneider Electric, los tokens —la unidad nativa con la que operan los modelos de IA— se han convertido en la moneda principal del sector. Proveedores como OpenAI y Anthropic facturan por volumen de tokens, tanto de entrada como de salida. El resultado: presupuestos desbordados y una práctica que en Silicon Valley ya tiene nombre propio.
«Tokenmaxxing»: productividad o simulacro
El término describe la tendencia de empleados que maximizan su consumo de tokens para demostrar actividad. Las firmas tecnológicas lo fomentaron al inicio, pero los costos escalaron hasta niveles que el propio Carlini califica de excesivos. Los ingenieros más activos de Nvidia pueden consumir más de 250.000 dólares anuales en tokens. Meta, según la misma fuente, ya comenzó a establecer límites por empleado ante el aumento de gastos.
El problema de fondo es conceptual: medir volumen de tokens no equivale a medir valor generado. Carlini lo compara con evaluar a un agente de atención al cliente por el número de llamadas atendidas, no por los problemas resueltos.
La nueva fórmula: tokens por vatio por dólar
La propuesta de Schneider Electric es incorporar dos variables al indicador existente —tokens por vatio— para construir una métrica tridimensional: tokens por vatio por dólar. El objetivo es relacionar el output inteligente con el costo energético y el costo de capital, tanto en hardware propio como en infraestructura rentada.
Los números justifican la urgencia. Los tokens de salida cuestan entre tres y cinco veces más que los de entrada. Los modelos de frontera de alto nivel pueden facturar entre 5 y 50 dólares por millón de tokens de salida, mientras que modelos más pequeños y optimizados cuestan una fracción de eso. Usar el modelo más potente para redactar un correo electrónico —en palabras del propio Carlini— «es como manejar un Ferrari para llevar a los niños a la escuela».
Eficiencia energética como palanca de rentabilidad
Para mejorar el indicador, Schneider Electric identifica varias palancas operativas: adoptar refrigeración líquida para reducir el consumo energético en hardware de inferencia, programar cargas de trabajo intensivas cuando la electricidad es más barata, optimizar los sistemas de distribución de energía y usar gemelos digitales para simular arquitecturas alternativas antes de invertir en hardware.
Los centros de datos enfrentan además una restricción estructural creciente: a medida que el consumo por GPU aumenta, ya no es viable simplemente añadir aceleradores más potentes sin comprometer la capacidad eléctrica disponible.
Lo que el indicador no resuelve
Carlini reconoce una limitación relevante: la métrica no captura la calidad del output. Formatos de menor precisión como FP4 generan más tokens por segundo que FP16, pero con menor exactitud. La optimización del indicador podría, en teoría, incentivar volumen sobre inteligencia real.
---
Desde la perspectiva de Ágora Capital, la discusión sobre tokens por vatio por dólar es, en el fondo, la misma de siempre: cuando el costo de un recurso se vuelve opaco, el desperdicio se institucionaliza. Las empresas que adoptaron IA sin disciplina de medición están descubriendo que el aparato de cómputo puede consumir presupuestos enteros sin rendir cuentas claras. La libre empresa no funciona sin precios que señalen escasez —y la energía, el capital y la atención humana son escasos. Quien primero construya un marco riguroso de retorno por token tendrá una ventaja competitiva real; quien no lo haga, simplemente estará subsidiando ineficiencia con dinero de sus accionistas.
