Por Canuto  

El cofundador de LinkedIn, Reid Hoffman, se sumó a uno de los debates más comentados en Silicon Valley: si el consumo de tokens de IA puede servir como señal útil para medir adopción y productividad dentro de las empresas. Su postura llega poco después de la controversia en Meta por un panel interno que clasificaba a empleados según su uso de herramientas de inteligencia artificial.
***

  • Reid Hoffman dijo que rastrear el uso de tokens puede ser un buen indicador para observar la adopción interna de IA.
  • El inversionista advirtió que esa métrica no es un reflejo perfecto de productividad y debe analizarse con contexto.
  • También propuso integrar la IA en toda la organización y realizar revisiones semanales para compartir aprendizajes.

 

Reid Hoffman, cofundador de LinkedIn y reconocido inversionista de capital de riesgo, manifestó una postura favorable hacia la práctica conocida como “tokenmaxxing”, un término que ha ganado tracción en Silicon Valley para describir el uso intensivo de herramientas de inteligencia artificial dentro de las organizaciones.

Su comentario llegó pocos días después de que Meta cerrara un panel interno de “tokenmaxxing”, luego de que se filtrara a la prensa una clasificación de IA que, según el reporte original de TechCrunch, mostraba qué empleados consumían más tokens. La controversia abrió un debate sobre si esa métrica realmente sirve para medir productividad o si solo premia el mayor gasto en herramientas de IA.

Para entender la discusión conviene partir de lo básico. Un token de IA es una pequeña porción de datos que un modelo procesa para interpretar una instrucción y generar una respuesta. También es la unidad que se utiliza para medir consumo y, en muchos casos, para calcular costos de uso de los servicios de IA.

A partir de esa lógica, varias empresas comenzaron a rastrear internamente cuántos tokens utilizan sus empleados. La idea es que ese dato puede funcionar como una señal indirecta de adopción tecnológica, especialmente en momentos en que la IA pasa de ser una herramienta experimental a una capacidad transversal de negocio.

Durante una entrevista emitida en la cumbre World Economy de Semafor esta semana, Hoffman defendió esa aproximación, aunque con matices. Si bien no utilizó de forma explícita la jerga de la Generación Z asociada a “tokenmaxxing”, sí dejó claro que considera útil observar el gasto de tokens como parte del panel de métricas que una empresa debería seguir.

“Deberías lograr que personas de todo tipo de funciones realmente participen y experimenten [con IA]”, dijo Hoffman en el evento. Luego añadió que una de las cosas que vale la pena observar es cuánto uso de tokens están haciendo realmente las personas mientras trabajan con estas herramientas.

Su argumento no fue que el número bruto de tokens equivalga a productividad. De hecho, remarcó lo contrario. Según explicó, ese indicador no representa un ejemplo perfecto de productividad, pero sí puede ayudar a entender quiénes están probando, aprendiendo y desarrollando hábitos de uso en torno a la IA.

Ese matiz es importante porque la crítica principal al “tokenmaxxing” es que puede parecerse más a clasificar a los empleados por quién gasta más dinero que por quién genera mejores resultados. En otras palabras, la métrica puede premiar volumen de uso sin distinguir entre trabajo eficiente, exploración sin rumbo o simples interacciones costosas con un modelo.

Una métrica útil, pero no suficiente

Hoffman reconoció ese límite de forma explícita. Señaló que algunas personas pueden consumir muchos tokens de maneras más aleatorias o exploratorias, lo que obliga a combinar la medición del uso con una comprensión más fina sobre para qué se están utilizando esos tokens y qué resultados producen dentro de la organización.

Desde su perspectiva, no todo experimento con IA tiene que derivar en una mejora inmediata. También hay valor en los intentos fallidos. “Parte de ello serán experimentos que fracasarán, está bien”, afirmó, al defender la idea de que la adopción empresarial de IA requiere prueba, error y aprendizaje colectivo.

Ese enfoque sugiere una visión más amplia que la simple competencia interna por encabezar una tabla de posiciones. Para Hoffman, lo relevante no es solo quién usa más la IA, sino que exista una variedad amplia de personas utilizándola al mismo tiempo y de manera colectiva dentro de distintas áreas de la empresa.

En este punto, su comentario se alinea con una tendencia cada vez más visible en el sector tecnológico. Las compañías ya no evalúan la IA solo como un producto o una función aislada, sino como una infraestructura operativa que puede transformar procesos individuales, dinámicas de equipo y productividad a nivel corporativo.

Por eso, el debate sobre tokens no es menor. En muchas plataformas de IA generativa, el costo económico está directamente ligado al volumen de tokens procesados. Medirlos puede ofrecer una fotografía de intensidad de uso, pero también puede generar incentivos discutibles si la organización no diferencia entre experimentación útil y consumo ineficiente.

Ese es precisamente el punto donde la discusión se vuelve más delicada para empresas grandes. Una tabla de clasificación interna puede incentivar curiosidad y adopción temprana, pero también puede empujar a empleados a maximizar una métrica sin relación clara con desempeño, impacto o retorno operativo.

El trasfondo de Meta y la expansión del concepto en Silicon Valley

La intervención de Hoffman se produjo después de un episodio que amplificó el término “tokenmaxxing” dentro del ecosistema tecnológico. Meta cerró su panel interno dedicado a esta práctica luego de que la clasificación se filtrara a la prensa, lo que llevó el asunto desde la cultura corporativa interna hasta el debate público.

El tema llamó la atención porque refleja cómo las empresas buscan nuevas formas de medir la transición hacia flujos de trabajo apoyados por IA. Antes, la adopción de software podía seguirse por licencias activas o tiempo de uso. Ahora, el seguimiento de tokens añade una capa cuantitativa mucho más granular, aunque también más polémica.

La propia palabra “maxxing” ayuda a explicar por qué el concepto se viralizó tan rápido. Se trata de una jerga popular entre miembros de la Generación Z para describir la optimización extrema de algo. El término se ha visto en expresiones como “looksmaxxing” o “sleepmaxxing”, y ahora fue trasladado al lenguaje corporativo de la IA.

Sin embargo, detrás del tono informal hay una pregunta seria: ¿qué se debe medir cuando una empresa quiere saber si realmente está integrando inteligencia artificial en su cultura de trabajo? Para algunos ingenieros y empleados del sector, los tokens son una señal incompleta. Para defensores como Hoffman, son un indicador útil si se leen con contexto.

El debate también toca un asunto más profundo: la diferencia entre actividad y resultado. Una organización puede registrar miles o millones de tokens procesados sin que eso implique decisiones mejores, mayor velocidad de ejecución o productos más sólidos. Al mismo tiempo, un bajo consumo puede esconder una adopción incipiente o poco visible en ciertas áreas.

Por esa razón, las declaraciones de Hoffman no fueron una defensa ciega del indicador, sino una invitación a usarlo como una pieza dentro de un sistema más amplio de aprendizaje empresarial. El valor, según su planteamiento, surge cuando la medición se acompaña de observación cualitativa sobre los casos de uso y sus resultados.

Revisiones semanales y adopción transversal de IA

Además de respaldar el seguimiento del gasto de tokens, Hoffman ofreció otras recomendaciones para las compañías que todavía están definiendo su estrategia de inteligencia artificial. Su principal consejo fue integrar la IA en toda la organización, en lugar de limitarla a unos pocos equipos técnicos o experimentos aislados.

La idea central es que la adopción sea transversal. No solo en ingeniería o producto, sino también en otras funciones. Para él, la clave está en lograr que personas de distintos perfiles participen y prueben activamente estas herramientas, porque la innovación práctica puede surgir desde varios frentes al mismo tiempo.

Junto a eso, sugirió establecer controles o revisiones periódicas para compartir hallazgos. En concreto, propuso una revisión semanal grupal enfocada en responder qué intentó hacer cada equipo con IA durante la semana, tanto en productividad personal como grupal y empresarial, y qué aprendizajes dejó ese proceso.

Según Hoffman, ese tipo de dinámica permite detectar usos realmente sorprendentes de la tecnología. También ayuda a que el conocimiento no quede fragmentado dentro de la organización. En lugar de depender de iniciativas aisladas, la empresa puede construir una memoria colectiva sobre lo que funciona, lo que falla y lo que merece escalarse.

Esa visión encaja con una lógica de innovación iterativa. La IA no se implementa como una política cerrada, sino como una práctica en evolución, donde las métricas cuantitativas, como los tokens, conviven con discusiones internas más cualitativas sobre utilidad, impacto y aprendizaje compartido.

En ese sentido, el “tokenmaxxing” aparece menos como una métrica definitiva y más como un síntoma del momento actual que vive Silicon Valley. Las empresas buscan urgentemente formas de traducir la fiebre por la IA en procesos medibles, comparables y gestionables. La dificultad está en hacerlo sin distorsionar los incentivos.

La posición de Hoffman resume bien esa tensión. Por un lado, considera positivo seguir el uso de tokens para saber quién está adoptando la IA y experimentando con ella. Por el otro, reconoce que el número por sí solo no basta, y que debe leerse junto a la intención, el contexto y el aprendizaje que produce.

Con ello, el inversionista no cerró el debate, pero sí le dio respaldo desde una de las voces más influyentes del ecosistema tecnológico. A medida que más compañías conviertan la IA en parte central de su operación, la discusión sobre qué medir y cómo premiarlo probablemente solo se hará más intensa.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados