Meta deja de medir el rendimiento por tokens mientras impulsa su propio agente de IA
Meta ha retirado el consumo de tokens de sus evaluaciones internas de rendimiento, después de varios meses en los que sus empleados estuvieron sometidos a una fuerte presión para demostrar que utilizaban intensivamente herramientas de inteligencia artificial. El cambio coincide con la expansión de Hatch, un agente capaz de ejecutar tareas de varios pasos de forma autónoma en el ordenador.
La nueva guía interna para ingenieros ya no incluye el uso de IA como criterio específico de evaluación. Además, los responsables de la compañía han comunicado que los paneles de adopción y los recuentos de tokens no se emplearán para medir el impacto de los trabajadores.
El giro pone fin, al menos formalmente, a una estrategia que convirtió el uso de herramientas de IA en una métrica de productividad. También evidencia una de las dificultades más relevantes de la adopción empresarial de esta tecnología: utilizar más inteligencia artificial no significa necesariamente obtener mejores resultados.
Qué era el tokenmaxxing
El término tokenmaxxing describe la práctica de consumir deliberadamente grandes cantidades de tokens para aparentar un uso intensivo de la IA. Los tokens son las unidades en las que los modelos de lenguaje procesan el texto: pueden corresponder a palabras completas, fragmentos de palabras o signos.
En los sistemas de IA generativa, el número de tokens influye en el coste, el tiempo de procesamiento y la cantidad de información que puede manejar un modelo. Sin embargo, un volumen elevado de tokens no demuestra por sí solo que una tarea se haya resuelto mejor ni que el trabajador haya sido más productivo.
La práctica alcanzó su máxima visibilidad cuando un empleado creó una clasificación interna con más de 85.000 personas ordenadas por su consumo mensual de tokens. Algunos puestos aparecían acompañados de etiquetas como Token Legend. El listado terminó siendo retirado, pero reveló hasta qué punto la métrica se había integrado en la cultura interna de la empresa.
Una métrica que terminó distorsionando los incentivos
La experiencia de Meta ilustra los riesgos de convertir un indicador de actividad en un objetivo laboral. Cuando los empleados saben que su evaluación depende del número de consultas o del volumen de texto procesado, pueden fragmentar tareas, repetir instrucciones o mantener conversaciones innecesariamente largas con un modelo.
Ese comportamiento incrementa el consumo, pero no necesariamente mejora el resultado. De hecho, puede añadir costes, dificultar la supervisión y aumentar las posibilidades de que la IA genere errores. En un entorno empresarial, un documento correcto, una aplicación que funcione o un caso resuelto tienen más valor que el número de tokens empleados para llegar hasta ellos.
Durante la fase más intensa del experimento interno, Meta llegó a instalar sistemas de seguimiento para recopilar datos sobre el uso de estas herramientas. La compañía también probó modelos de sustitución de tareas y equipos mediante IA. Los resultados, según distintos informes sobre el proceso, estuvieron acompañados de un aumento de los problemas técnicos y de seguridad, además de una mayor carga de supervisión humana.
El episodio refuerza una conclusión cada vez más extendida en el sector: el uso de IA es una métrica de proceso, no de resultado. Medir el proceso puede ayudar a entender la adopción, pero resulta insuficiente para determinar si una inversión tecnológica está generando valor.
Hatch mantiene el consumo, pero cambia quién lo controla
La retirada de los tokens de las evaluaciones no implica que Meta quiera que sus empleados utilicen menos inteligencia artificial. La compañía está ofreciendo acceso a Hatch, un agente de IA diseñado para planificar y ejecutar acciones en un ordenador con un grado de autonomía superior al de un chatbot convencional.
Un agente de IA puede dividir una petición en varias fases, utilizar aplicaciones, comprobar el resultado y corregir sus propios errores. Por ejemplo, en lugar de limitarse a redactar un informe, podría recopilar datos, organizarlos en una hoja de cálculo y preparar una presentación. Cada paso adicional suele requerir nuevas interacciones con el modelo y, por tanto, más tokens.
Los primeros empleados que han probado Hatch señalan que su uso puede elevar el consumo de tokens precisamente por su funcionamiento iterativo: el sistema planifica, ejecuta, revisa y vuelve a intentarlo cuando detecta un problema. La paradoja es que Meta deja de premiar el volumen de tokens mientras distribuye una herramienta que puede consumirlos de forma masiva.
La diferencia es que ahora el consumo estaría vinculado a una tarea concreta y no a una clasificación individual. Meta también tendría un incentivo estratégico para fomentar el uso de su propio agente frente a servicios externos de compañías como OpenAI o Anthropic. De este modo, una parte mayor del gasto y de los datos de uso permanecería dentro de su infraestructura.
Del consumo ilimitado a los presupuestos de IA
El cambio de Meta se produce cuando las empresas empiezan a sustituir la idea de uso ilimitado por presupuestos controlados de tokens. Estos presupuestos establecen cuánto puede consumir cada equipo y obligan a relacionar el gasto con indicadores de negocio, como documentos procesados, código operativo, tiempo ahorrado o casos resueltos.
La tendencia también comienza a extenderse entre compañías españolas, especialmente en sectores como el financiero y el jurídico. En estos ámbitos, la prioridad ya no es demostrar que se utiliza una herramienta de IA, sino integrar la tecnología en procesos medibles y mantener bajo control sus costes y riesgos.
Para los proveedores de modelos, este cambio puede tener consecuencias. El número de empresas que usan IA podría seguir creciendo mientras disminuye el consumo medio por tarea. Eso supondría pasar de un crecimiento impulsado por incentivos internos a otro basado en la utilidad real de cada llamada a la API.
Meta no abandona la inteligencia artificial, sino una forma concreta de medirla. El siguiente reto será demostrar que agentes como Hatch mejoran la productividad sin trasladar el problema a nuevos costes, errores o tareas de supervisión. En la nueva etapa, la pregunta ya no será quién consume más tokens, sino quién consigue mejores resultados con ellos.
