Un empleado puede gastar más IA sin resolver mejor su trabajo. Esa diferencia está en el centro de la crítica de Enrique Dans al tokenmaxxing: premiar el consumo de recursos de inteligencia artificial como si la cifra demostrara por sí sola una mejora de productividad. El problema aparece cuando utilizar una herramienta deja de ser un medio y se convierte en el objetivo evaluado.El profesor de IE Business School lo explica en su artículo del 29 de octubre de 2026: «Los tokens nunca midieron valor, únicamente medían consumo. Es como evaluar a los conductores por la gasolina que gastan». Su reproche se dirige al incentivo que diseña la empresa, porque empuja al trabajador a aumentar un marcador que puede alejarse del resultado útil.El caso procede de una comunicación de la dirección de ingeniería de Amazon, firmada por Terk Terkowitz, vicepresidente e ingeniero distinguido de Worldwide Amazon Stores. El documento introduce un matiz importante: Amazon sigue defendiendo un uso prudente de esos indicadores.Amazon distingue entre observar el consumo y exigirloAmazon prefiere medir resultados a largo plazo, aunque reconoce dificultades para hacerlo. Advierte de que convertir las métricas de actividad en metas puede elevar costes y complejidad. El peligro está en confundir ambas funciones, una discusión presente en el teatro de la productividad.La compañía dice observar una correlación entre esas métricas y los resultados. Recomienda examinar tanto la baja adopción como el uso intenso, comprobando qué producen los equipos. No anuncia que abandone toda medición del consumo ni cuantifica pérdidas por tokenmaxxing. Esa diferencia importa al hablar del control del gasto empresarial.El mensaje reconoce que explicar dónde la IA todavía no ayuda demuestra criterio profesional. Un resultado negativo puede aportar información para decidir dónde desplegarla y qué trabajo conviene revisar antes de extender su uso.Qué cuenta un token y qué deja fueraIBM describe los tokens como las unidades de entrada y salida que procesan los modelos de lenguaje, y el tokenmaxxing como una práctica que incentiva su utilización. El contador registra actividad del sistema; no certifica que una respuesta sea correcta, que un programa funcione o que el cliente haya recibido un servicio mejor. Para evaluar esas cosas hacen falta otras comprobaciones.También importa qué información se entrega al modelo. En su guía de ingeniería de contexto, publicada en septiembre de 2025, Anthropic recomienda seleccionar el conjunto de información relevante que permita alcanzar el resultado deseado. Explica que acumular material puede reducir la precisión con la que se recuperan datos. Más contexto no garantiza más acierto, aunque algunas tareas necesiten procesar grandes cantidades de información.De ahí que optimizar no consista simplemente en recortar tokens. Una tarea compleja puede justificar más consumo; una cadena de respuestas fallidas puede encarecer una petición aparentemente barata. En la entrevista de La Razón con Margarita Sanz del Río, de GitHub, la directiva planteó precisamente ese problema de las iteraciones. El coste debe relacionarse con lo conseguido, además de con los recursos empleados y el consumo de la infraestructura.Hay asimismo un interés comercial que conviene mantener visible: IBM, Anthropic y GitHub venden servicios relacionados con estas tecnologías. Sus explicaciones permiten entender cómo las diseñan o comercializan, pero no sustituyen una evaluación del cliente. Lo mismo sucede con la supervisión de agentes que ejecutan tareas: observar actividad no basta para comprobar que las acciones respetan el encargo.Dans propone valorar calidad, errores, tiempo y coste por resultado útil. La conclusión permite comparar trabajos terminados, en lugar de premiar una factura mayor. El documento de Amazon añade una condición práctica a esa crítica: el consumo puede servir para investigar qué ocurre en un equipo, siempre que después se examine qué ha producido.