Enrique Dans cuestiona que el gasto en IA sirva para medir el valor de un empleado
El uso de herramientas de inteligencia artificial empieza a entrar en los cuadros de mando de muchas empresas, pero convertirlo en un objetivo de productividad puede generar más problemas que soluciones. El profesor y divulgador tecnológico Enrique Dans ha advertido contra la idea de evaluar a los trabajadores en función de los tokens que consumen o del dinero que sus interacciones con una IA representan para la compañía.
Su razonamiento es directo: los tokens miden consumo, no valor. Una persona puede realizar una tarea compleja con pocas consultas y obtener un resultado excelente, mientras que otra puede generar miles de tokens sin aportar una mejora real al producto, al servicio o al proceso interno.
Los tokens no equivalen a productividad
Los tokens son las unidades de texto que utilizan los modelos de inteligencia artificial para procesar las instrucciones y generar respuestas. Su volumen influye en el coste de una operación, especialmente cuando se emplean modelos avanzados o se automatizan tareas a gran escala, pero no refleja por sí mismo la calidad del trabajo realizado.
Dans resume esta diferencia con una comparación sencilla: evaluar a los empleados por los tokens que gastan sería como medir a los conductores por la cantidad de gasolina que consumen. Un mayor consumo puede deberse a un trayecto más largo, a un vehículo menos eficiente o a una conducción inadecuada, pero no demuestra que el viaje haya sido más útil.
Con la IA sucede algo parecido. El volumen de peticiones puede aumentar porque el profesional está resolviendo un problema difícil, revisando distintas alternativas o trabajando con documentos extensos. También puede crecer por falta de experiencia, por instrucciones mal planteadas o por una dependencia excesiva de la herramienta.
Amazon alerta del riesgo de fijar objetivos equivocados
La advertencia coincide con una preocupación que también se ha planteado en Amazon: utilizar el gasto en inteligencia artificial como una meta puede fomentar comportamientos contraproducentes. Si una empresa premia el mayor consumo de modelos, algunos equipos podrían sentirse obligados a utilizar la IA incluso cuando no sea necesaria.
Ese enfoque puede derivar en más costes de infraestructura, una proliferación de procesos innecesarios y resultados de menor calidad. También puede incentivar que los empleados alarguen sus conversaciones con los modelos o dividan una tarea en múltiples consultas para aparentar un mayor nivel de actividad.
El problema no está en consultar el consumo. Los datos económicos pueden ser útiles para controlar presupuestos, comparar herramientas o detectar procesos que necesitan optimización. La dificultad aparece cuando una métrica operativa se transforma en una medida directa del rendimiento individual.
El coste puede aportar contexto, pero no una conclusión
Las organizaciones necesitan conocer cuánto les cuesta desplegar la inteligencia artificial. El precio de las consultas, el uso de modelos de mayor capacidad, el almacenamiento de información y la integración con otras aplicaciones forman parte de la gestión tecnológica habitual.
Sin embargo, esas cifras deben interpretarse junto a otros indicadores. Un departamento puede consumir más recursos porque está automatizando una tarea crítica que antes requería muchas horas de trabajo manual. En ese caso, el gasto adicional podría estar asociado a un ahorro de tiempo y a una mejora del servicio.
Por el contrario, un consumo reducido tampoco garantiza eficiencia. Una herramienta poco utilizada puede estar mal integrada, ser difícil de manejar o no resolver las necesidades reales de los trabajadores. El dato aislado, por tanto, ofrece una visión incompleta.
Qué deberían medir las empresas
Para valorar el impacto de la IA, las compañías deberían desplazar el foco desde la cantidad de uso hacia los resultados. Algunas métricas más relevantes pueden ser:
- El tiempo ahorrado en tareas repetitivas o de bajo valor añadido.
- La calidad del resultado final, incluyendo errores, revisiones y satisfacción del cliente.
- La velocidad de entrega de proyectos, informes o respuestas.
- La reducción de costes operativos sin deteriorar el servicio.
- La capacidad de los equipos para resolver problemas más complejos.
- El cumplimiento de las políticas de seguridad y privacidad.
Los tokens y el gasto asociado pueden mantenerse como indicadores auxiliares. Sirven para identificar desviaciones, estimar necesidades de capacidad y decidir si conviene cambiar de modelo o rediseñar un flujo de trabajo. Lo importante es que se comparen con el valor obtenido.
La eficiencia no consiste en usar más IA
La expansión de la inteligencia artificial ha llevado a muchas empresas a buscar señales rápidas que permitan comprobar si la inversión está funcionando. Contar usuarios, consultas o tokens resulta sencillo, pero esa facilidad puede convertir una medida técnica en una falsa representación de la productividad.
La cuestión clave no es cuánto utiliza una persona la IA, sino qué consigue gracias a ella. En algunos casos, la mejor decisión será automatizar una parte del proceso; en otros, bastará con emplear la herramienta de forma puntual. La eficiencia también puede consistir en saber cuándo no usarla.
La advertencia de Enrique Dans apunta así a un debate cada vez más relevante en la gestión empresarial. La inteligencia artificial necesita métricas, pero no cualquier métrica. Medir el consumo puede ayudar a controlar la tecnología; medir el impacto permite saber si realmente está mejorando el trabajo.
