Empleados de Amazon han admitido utilizar la inteligencia artificial de forma innecesaria para aumentar las cifras de uso en sus métricas internas, una práctica que pone en duda la fiabilidad de la demanda reportada y que se suma a conductas similares detectadas anteriormente en Meta y Microsoft.
La empresa establece objetivos que exigen que más del 80% de sus desarrolladores hagan uso semanal de herramientas de inteligencia artificial, supervisando el consumo mediante clasificaciones internas. Algunos trabajadores han reconocido que recurren a MeshClaw, una plataforma propia capaz de automatizar despliegues de código, gestionar correos electrónicos y operar en Slack, todo ello con el fin de incrementar artificialmente su número de tokens consumidos.
El impacto de la presión para usar inteligencia artificial en el entorno laboral
A pesar de que Amazon declara que estas estadísticas no influyen en las evaluaciones de rendimiento, varios empleados consideran que los responsables supervisan estos datos, generando un ambiente de presión constante. Uno de ellos describió la situación como la existencia de «incentivos perversos» creados por este seguimiento exhaustivo, que lleva a prácticas conocidas internamente como «tokenmaxxing».
Este fenómeno se ha extendido hasta el punto de crear un vocabulario propio y clasificaciones dedicadas, afectando no sólo a la cultura empresarial, sino también a la interpretación real de las demandas de infraestructura para inteligencia artificial. Si una parte considerable del consumo reportado es solo performativo, la validez de las cifras que sustentan inversiones de miles de millones queda comprometida.
El desafío de medir el consumo real en inteligencia artificial
Las inversiones combinadas en capital para 2026 de compañías como Amazon, Microsoft, Alphabet y Meta se estiman entre 650.000 y 700.000 millones, con previsiones en Wall Street que superan el billón para 2027. Cada una asegura que su capacidad de inferencia se consume tan rápido como se despliega.
El consumo interno de desarrolladores forma parte de esta absorción junto con el de clientes externos, datos que son cruciales para planificar capacidad, pedidos de GPU y otros suministros. Sin embargo, la distinción entre la adopción real de inteligencia artificial y la intensidad de consumo es esencial. La adopción es un factor estable y sostenible, mientras que la intensidad puede manipularse artificialmente, como ocurre actualmente debido a la estructura de incentivos.
Además, informes recientes indican que el coste de utilizar inteligencia artificial es mayor que el de emplear trabajadores humanos en algunas tareas, un aspecto que añade complejidad al análisis de la rentabilidad del despliegue masivo de estas tecnologías.
Tras la exposición pública, Meta eliminó rápidamente su clasificación interna, y Amazon restringió el acceso a las estadísticas de uso en equipo, lo que sugiere una respuesta inmediata a las críticas y una posible reconsideración del método de seguimiento.
Consecuencias y evolución futura del consumo en IA
El director ejecutivo de Nvidia, Jensen Huang, ha señalado el consumo de tokens por ingeniero como un indicador clave, advirtiendo que sería preocupante que un ingeniero cuyo coste anual ronda los 500.000 dólares no consumiera al menos 250.000 tokens. No obstante, la sostenibilidad de este consumo depende de que se traduzca en cargas de trabajo productivas que realmente justifiquen el empleo de GPU.
Expertos como Angie Jones, exvicepresidenta de ingeniería de herramientas de inteligencia artificial, prevén un cambio hacia métricas que valoren la eficiencia del consumo de tokens en lugar del volumen, atendiendo al hecho de que los pedidos de GPU y compromisos energéticos se planifican con años de antelación.
Este cambio refleja la necesidad de mejorar la calidad de las proyecciones de demanda, puesto que las grandes compañías tecnológicas diseñan infraestructuras para entornos donde cada trabajador puede consumir cientos de miles de dólares en recursos computacionales anuales.
La diferencia entre un uso productivo y otro performativo determinará qué proporción de la inversión millonaria se traduce en beneficios a largo plazo.
