Las herramientas de inteligencia artificial de propósito general prometen resolver casi cualquier problema: desde gestionar las relaciones con clientes hasta analizar por qué un gato bebe poca agua durante una ola de calor. Pero cuando se intenta utilizar una misma herramienta, sin un propósito definido, para todo tipo de tareas, los resultados suelen decepcionar y la confianza en la tecnología se resiente.

Cuando este patrón se repite entre cientos de empleados, aparece el llamado «tokenmaxxing»: encadenar instrucciones y ajustes hasta lograr que la IA produzca algo aprovechable. Algunas organizaciones responden culpando a quienes la utilizan o multiplicando la formación sobre un uso responsable. Sin embargo, el problema suele ser más profundo: personas competentes intentan crear soluciones en un entorno sin objetivos, límites, salvaguardas ni mecanismos para evaluar el gasto y los resultados.

## Bloquear el acceso no es la solución

Los procesos tradicionales de adquisición de tecnología se diseñaron para ciclos de software también tradicionales. Si desarrollar un sistema empresarial lleva años, esperar meses —o incluso años— para seleccionar al proveedor adecuado quizá parezca razonable. Pero el ritmo de creación de software ha cambiado. La contratación tecnológica puede tardar meses; pedirle a un chatbot público que genere una página web puede llevar unos segundos.

Las políticas corporativas suelen quedar archivadas en portales internos hasta que ocurre un incidente. Mientras tanto, si las herramientas autorizadas son lentas o demasiado restrictivas, los empleados buscan alternativas. Así recurren a aplicaciones de IA no verificadas y pueden introducir datos confidenciales de la empresa en modelos públicos.

Los prototipos resultantes plantean más problemas que el código. Pueden ignorar la identidad visual de la organización, sus sistemas de diseño, los criterios de accesibilidad WCAG 2.2 y prácticas básicas de autenticación. Prohibir el uso de IA tampoco garantiza que desaparezca: algunas personas pagan una suscripción de su propio bolsillo y siguen utilizándola. El gasto queda fuera de la vista de Finanzas y, además, se agravan los riesgos de gobernanza de datos.

También se pierde una oportunidad de innovación. Si solo los ingenieros pueden crear software, el progreso depende de la capacidad y la cola de trabajo del equipo de ingeniería. Dar herramientas adecuadas a responsables de producto, analistas y profesionales de marketing permite que quienes conocen de primera mano las necesidades del negocio contribuyan a resolverlas, con más visibilidad y control.

## El coste de construir sin una dirección clara

La presión por obtener resultados ya es considerable. Un estudio de Teneo para su informe Vision 2026, basado en más de 350 directores ejecutivos de empresas cotizadas y 400 inversores institucionales, señala que el 53 % de los inversores espera un retorno positivo de las nuevas iniciativas de IA en seis meses o menos. Solo el 16 % de los directores ejecutivos de grandes empresas cree poder cumplir ese plazo. Además, estos ejecutivos afirman que menos de la mitad de sus proyectos actuales de IA generan un retorno positivo.

El volumen de uso no parece que vaya a disminuir. Goldman Sachs Research prevé que el consumo de tokens se multiplique por 24 entre 2026 y 2030, hasta alcanzar los 120 cuatrillones mensuales. Al mismo tiempo, los proveedores de semiconductores ya registran descensos anuales del 60 % al 70 % en el coste por token. Los tokens serán más baratos y se consumirán en cantidades mucho mayores.

También cambiará quién los utiliza. Las organizaciones están desarrollando agentes de IA capaces de actuar de forma autónoma. Estos pueden consumir muchos más tokens que una persona que formula una pregunta: un proceso automatizado puede repetir consultas en secuencia decenas de veces y continuar trabajando sin que nadie se detenga a comprobar si la tarea sigue teniendo sentido. Si el objetivo no está bien delimitado, el agente puede gastar recursos mucho después de que una persona hubiera pedido aclaraciones.

Parte de ese gasto termina en prototipos que nunca llegan a producción. Experimentar es importante para mejorar el software, pero construir sin pensar en cómo se integrará una solución real puede desperdiciar recursos. Gartner estimó que, para finales de 2025, al menos la mitad de los proyectos de IA generativa se abandonaría después de la prueba de concepto, por motivos como la baja calidad de los datos, controles de riesgo insuficientes, costes crecientes o falta de valor empresarial claro.

Cuando un prototipo funciona de forma aislada, pero debe rehacerse desde cero para cumplir los requisitos de producción, la organización paga dos veces: por el uso excesivo de tokens y por las horas de ingeniería dedicadas a corregir el resultado. Una encuesta de Stack Overflow de 2025 encontró que el 46 % de los desarrolladores desconfía de la precisión de las respuestas de la IA. Para el 66 %, las respuestas «casi correctas» son una de sus mayores frustraciones, y el 45 % afirma que depurar código generado por IA puede llevar más tiempo.

## Acceso para todos, responsabilidad compartida

La velocidad de generación de código no es el problema. Reducir las barreras tecnológicas para quienes no son ingenieros puede dar lugar a software más útil, porque incorpora la experiencia de las personas que entienden la necesidad empresarial. La IA puede convertirse en una ventaja, y esa ventaja funciona mejor cuando más equipos pueden aprovecharla.

Pero ampliar el acceso también exige una forma más clara de rendir cuentas por el uso y los costes. Conviene aplicar a la IA una pregunta sencilla: ¿qué trabajo concreto se necesitaba hacer? Quien solicita recursos debe poder explicar, sin recurrir a palabras de moda, cuál era el propósito del gasto.

Para que la responsabilidad no se convierta en otra carga burocrática, debe formar parte del entorno de trabajo. Un primer paso es dejar de tratar el cuadro de chat que sirve para todo como opción predeterminada. En su lugar, las organizaciones pueden ofrecer flujos de trabajo con agentes especializados en tareas y funciones concretas, e incorporar límites de ejecución desde el diseño.

Así, quienes no son especialistas técnicos pueden trabajar con las pautas de marca, las fuentes, las reglas de seguridad y los componentes corporativos ya integrados. Las aplicaciones creadas tienen más probabilidades de cumplir los requisitos y estar listas para producción. Las salvaguardas no dependen de que cada persona recuerde una política escondida en un portal: vienen incorporadas en las herramientas.

## Cómo se ve una implementación eficaz

Los flujos de trabajo delimitados pueden generar resultados medibles. En una implementación reciente en una empresa mediana, un equipo de tres analistas de datos creó un agente capaz de analizar información procedente de todos sus sistemas. La herramienta ahorró a cada integrante entre 12 y 13 horas de trabajo manual por semana.

El equipo ahora produce un análisis que antes habría requerido diez veces más personas. También puede dedicar más tiempo a la estrategia y menos a recopilar datos manualmente. La diferencia está en que el agente tiene una función definida y opera dentro de parámetros establecidos: no es un cuadro de chat con acceso ilimitado a la tarjeta de crédito de la empresa.

## Abundancia, con rendición de cuentas

El aumento descontrolado de los costes y la pérdida de confianza en la tecnología no se resuelven racionando tokens. Su disponibilidad crecerá y su menor coste forma parte del potencial de esta tecnología. La clave es definir y comprender el propósito de la IA en cada organización: ofrecer herramientas accesibles, pero diseñadas para tareas específicas en lugar de depender de una solución genérica para todo.

Muchas empresas pueden indicar cuánto gastaron en IA el trimestre pasado. Sin embargo, cuando se les pregunta qué esperaban obtener a cambio, la respuesta suele ser poco concreta. Esa falta de claridad sobre el trabajo que la IA debe realizar es el verdadero problema; la factura inesperada es solo un síntoma.

Antes de que empiecen a consumirse tokens, la organización debería poder explicar, con palabras sencillas, para qué sirven sus herramientas. Con objetivos claros, flujos de trabajo adecuados y límites incorporados, será posible ampliar el acceso a la IA sin renunciar al control sobre sus costes, la seguridad y los resultados.

from Latest from TechRadar https://ift.tt/dUInSja
via IFTTT IA