Los directores financieros cuentan cada token: el value-maxing releva al tokenmaxxing

El viernes 9 de octubre de 2026, Bloomberg Tech llevó a su emisión un tema que se oye cada vez más en las reuniones corporativas: los directores financieros están recontando cada token. El periodo del «tokenmaxxing», en el que se empujaba a los empleados a usar la IA lo máximo posible y se presentaba el aumento del consumo como progreso, llega a su fin. Le sustituye el «value-maxing»: la pregunta ya no es cuántos tokens se han quemado, sino qué ha obtenido la empresa a cambio. Pese a ello, el gasto en IA sigue quitando el sueño a los CFO. El presentador Ed Ludlow lo comentó con Nina Trentmann, autora del boletín CFO Briefing.

El avance del programa no menciona cifras concretas ni nombres de empresas, así que a continuación nos basamos solo en la tesis declarada y analizamos la lógica del proceso.

Del tokenmaxxing al value-maxing

La primera oleada de adopción corporativa de la IA generativa partía de una idea sencilla: cuanto más trabaja la gente con los modelos, más rápido aprende la empresa. De ahí surgieron los rankings internos de actividad, los límites «por empleado» y los incentivos por un consumo elevado. Los tokens se convirtieron en una métrica de implicación, aunque por naturaleza son una línea en la factura del proveedor.

Cuando las facturas crecieron, la métrica dejó de funcionar. El director financiero no ve una «cultura de innovación», sino una partida de gasto variable, difícil de prever y que crece al ritmo del entusiasmo de los empleados. De ahí el giro hacia el value-maxing: cada uso de la IA debe vincularse a un resultado medible.

Por qué es tan difícil presupuestar los tokens

Con el SaaS clásico todo está claro: precio por puesto, contrato fijo y una línea predecible en el presupuesto. En los servicios de IA que se pagan por tokens, el coste depende de la longitud de las consultas, del modelo elegido, del número de llamadas y de cómo los empleados y los agentes encadenan esas llamadas. Un contexto muy largo o un agente autónomo que hace girar el modelo en bucle puede consumir el presupuesto en cuestión de días.

Como resultado, los equipos financieros se enfrentan a varios problemas a la vez:

• no existe una unidad de medida habitual: un token no equivale a una tarea, y una tarea no equivale a un resultado;
• el gasto está repartido entre departamentos, contratistas y suscripciones «en la sombra» de los empleados;
• cada modelo tiene un precio distinto, y la elección entre ellos a menudo no la hace quien paga;
• el efecto de la IA suele expresarse en tiempo de los empleados, difícil de convertir en dinero.

Qué métricas empiezan a exigir los CFO

De la lógica del value-maxing se desprende un conjunto de indicadores que los equipos financieros suelen pedir a los responsables de los proyectos de IA. Es una interpretación nuestra, no un resumen de datos de la emisión:

• coste de una tarea completada en lugar de coste del token;
• proporción de consultas que han dado lugar a un resultado utilizado, y no a un borrador descartado;
• gasto en IA desglosado por divisiones y productos;
• proporción de modelos caros y baratos en la carga de trabajo;
• comparación con el coste base de ese mismo trabajo sin IA.

Qué deben hacer los equipos financieros y de producto

El primer paso es prosaico: reunir todo el gasto en IA en una sola imagen. Mientras una parte del gasto pase por API corporativas, otra por suscripciones personales y otra dentro de contratos en la nube, será imposible gestionarlo.

El segundo paso es nombrar un responsable para cada escenario importante y exigirle una métrica de negocio. Por ejemplo, el tiempo de tramitación de una solicitud, el número de tickets cerrados o la velocidad de preparación de un informe. Si no hay métrica, es motivo para reducir los límites, no para ampliarlos.

El tercer paso es enrutar la carga entre modelos: las tareas rutinarias, a las opciones baratas, y los modelos caros, solo donde la calidad influya en el resultado. El cuarto es introducir límites y alertas para los escenarios con agentes, en los que el modelo se llama a sí mismo.

La tendencia está clara: en las empresas, la IA pasa de la categoría de «experimentos» a la de «gastos operativos», y por tanto se le aplican las mismas exigencias que a cualquier otra partida del presupuesto. Salen ganando quienes saben explicar por qué pagan exactamente.