Token economy
Estamos en uno de esos momento en los que lo viejo muere y lo nuevo no acaba de nacer. Los agentes de IA todavía no pueden, a día de hoy ser equivalentes al trabajo humano. Pero es el plan de muchos.
El objetivo final de las grandes empresas de inteligencia artificial y sus inversores no es ser la herramienta tecnológica más usada. Es convertirse en una alternativa al trabajo humano del conocimiento.
Creo que es importante recordarlo, más allá de lo que entendamos que se está consiguiendo y qué puede estar por venir.
Las enormes inversiones en el sector de la IA no se justifican desde el prisma de capturar un porcentaje alto del presupuesto en gasto tecnológico de todo el planeta, pero sí cuando aspiran a dar un bocado al gasto en capital humano. Lo venimos diciendo desde hace años, pero es ahora cuando asistimos a un momento en el que el relato en la industria es más sincero al respecto, hasta el punto de que algunos están apostándolo todo a esta carta.
Pienso en Jensen Huang, que tiene un discurso en el que el gasto en IA se integra en el coste por empleado, postulando sentiría “profundamente alarmado” si un ingeniero con un sueldo de 500.000 dólares no estuviera consumiendo al menos 250.000 en tokens. Sam Altman, por su lado, lleva tiempo vendiendo la idea de que su negocio futuro consistirá en vender tokens, como un servicio público asimilable a la electricidad o al agua.
Tomasz Tunguz, de Theory Ventures, ha llegado a sugerir que es ya un cuarto componente de la compensación, junto al salario, el bonus y las acciones, y que los candidatos en Silicon Valley empiezan a preguntar en las entrevistas cuántos tokens vienen incluidos con el puesto. Si no hay previsto gastar mucho en IA, es que el puesto carece de ambición.
Entre los tres dibujan la foto de las empresas exploradoras en las que la implementación de la IA agéntica sigue yendo de la mano de un ingeniero humano en el proceso: todavía una herramienta, pero una muy especial en la que el coste del trabajador hay que repensarlo.
Ben Murray, en su blog The SaaS CFO, propone una versión 2.0 de la métrica ROSE para hacer visible el cambio. La ROSE clásica divide los ingresos recurrentes entre el gasto en empleados y externos, y mide cuántos genera la compañía por cada dólar invertido en mano de obra humana. Murray añade al denominador el gasto en agentes de IA cuando ese gasto retrasa, reduce o sustituye contrataciones humanas. Lo justifica con este ejemplo: una empresa con 10 millones de ARR, 4 millones en plantilla y 1,5 millones en tokens da una ROSE clásica de 2,50 pero una ROSE digital de 1,82. La conclusión sería que la compañía no es en realidad tan eficiente como parecía: está sustituyendo nómina por tokens. Para que esa lectura funcione hay que tocar antes el plan contable: abrir una cuenta separada ”Agentic AI” o “Digital Labor”, distinta de la infraestructura tecnológica y del software.
La regla de oro que propone Murray para clasificar: ¿este agente IA rellena una casilla del organigrama que de otro modo ocuparía una persona? Si la respuesta es sí, va a la cuenta de Digital Labor; si no, sigue siendo software. Un chatbot adoptado como copiloto que ayuda a un trabajador a ir más rápido se queda en gasto operativo; un agente que evita una contratación se vuelve una pseudonómina.
Algo ocurriendo en paralelo: la narrativa del tokenmaxxing (el orgullo de gastar en cómputo de IA cifras astronómicas) ha colonizado un rincón muy específico de Silicon Valley. Como toda moda del sector tecnológico, tiene un poco de impulso arriesgado, incentivos mal calculados y mucha mimética de lo que hacen los demás. Los testimonios recogidos por Gergely Orosz desde dentro de Meta, Microsoft y Salesforce resultan desconcertantes: leaderboards que premian al que más gasta, ingenieros que prototipan funciones que jamás piensan enviar solo para hinchar su consumo, agentes atrapados en bucles que devoran miles de dólares en tareas inútiles.
En la transformación que Meta está intentando llevar a cabo, el punto central no es solo el incentivo a gastar en tokens ni la presión para que los empleados entrenen agentes inteligentes. Lo fundamental es cómo está intentando transformar su forma de trabajar. La frase clave de Bosworth, tal como la cita Reuters, explica a las claras sus planes, Meta quiere avanzar hacia un escenario en el que “los agentes hacen principalmente el trabajo” y el papel humano pasa a ser “dirigir, revisar y ayudarles a mejorar”. Esa es la versión corporativa del humano en el bucle: no tanto el trabajador aumentado, sino el trabajador convertido en supervisor de procesos que antes ejecutaba él mismo.
En la práctica, estamos en uno de esos momentos en los que lo viejo muere y lo nuevo no acaba de nacer. Los agentes de IA todavía no pueden, a día de hoy, sustituir a un ingeniero senior, a un product manager o a un especialista en marketing.
Es más, todavía estamos lejos de medir bien la productividad que aportan, los problemas que pueden generar a medio plazo, o de identificar cuáles son las mejores prácticas. Y aunque parece buena idea tomar su capacidad en escritura de código como referencia, todavía no está tan claro que esta generación de IA vaya a generalizar a cualquier tarea del conocimiento.
Es por eso que este es el momento de los que se mueven rápido y rompen cosas, como le gustaba decir a Zuckerberg. También de nuevos actores y startups que quieren entrar aprovechando modelos de empresa mucho más apalancados en la IA como ventaja competitiva: menos empleados humanos, más botscaling.
Se comentó mucho que Amos Bar-Joseph, CEO de la startup Swan AI, colgó en LinkedIn una factura de la que decía estar más orgulloso que de cualquier otra en su vida: 113.000 dólares gastados en un solo mes en tokens de Claude por un equipo de cuatro personas. “No tenemos comerciales ni presupuesto de marketing”, “pero gastamos una millonada en tokens; esa factura es, en parte, nuestro equipo de go-to-market, ingeniería, soporte y legal”.
Nada de esto zanja, por supuesto, el debate sobre el empleo ni de la viabilidad de este tipo de propuestas con más gasto en tokens que en personas. Vuelve a señalarse la fallida profecía para con los radiólogos, que ahora se extiende a creativo y del conocimiento. Me interesa la respuesta de Chollet:
A ese discurso de que “La IA automatiza tareas, no empleos, y cuando una tarea se vuelve más barata, la demanda del empleo crece”, se le pueden hacer tres objeciones:
En lo primero, tiene razón con la foto actual. Pero la pretensión de los laboratorios de IA es capturar procesos completos con los agentes. Veremos.
Hay empleos que están tan comprimidos en una tarea principal que, cuando esa tarea se automatiza, el empleo desaparece o se vuelve residual.
Aumentar la productividad genera más empleo si había demanda insatisfecha. Es por lo que los aumentos de eficiencia en agricultura y ganadería han llevado la reducción del empleo en esos sectores del 70% de la sociedad al 2-4%.
En todo caso, mis dos aportaciones más optimistas respecto al empleo los próximos años beben de otras fuentes:
La naturaleza precaria de la ventaja comparativa humana frente al agente de inteligencia artificial
Hoy volvemos sobre una reciente obsesión: cómo podemos intentar anticipar los efectos económicos y laborales del despliegue de esta nueva generación de inteligencia artificial. Llevo tiempo echando de menos un marco siquiera desde el que discutirlo.
Exponencial
“Lo más sorprendente ahora mismo es la falta de reconocimiento público de lo cerca que estamos del final de la expansión exponencial. Para mí, es absolutamente increíble que, dentro y fuera de la burbuja, la gente siga hablando de los mismos temas políticos de siempre, y que, a la vez, estemos cerca del final de la expansión exponencial”
El viejo mundo pre IA se resiste a desaparecer y el nuevo no sabemos aún si será como nos lo están contando.
Creo que fue a ti a quien te leí hace bastante 'si OpenAI está valorada en 100.000 millones de dólares y recibe financiación equivalente, no penséis que su objetivo es que escribas chistes o crees memes. Su objetivo es cambiar el mundo'.
Sigo viviendo en la niebla. Supongo que todos. Creo que, en mi caso, estoy en una zona más densa aún. Tomo tres apuntes y disparo por la reacción inmediata que me han producido, lo que quiere decir que son reacciones, no tesis elaboradas.
1-"capturar procesos completos con los agentes. Veremos". Me encanta el veremos. Mi reacción, basada en haber tratado de vivir de los procesos "end to end", que se suelen llamar, y en el sur de Europa. Las organizaciones no tienen ni idea de cómo funcionan realmente. Es obvio que unas más y otras menos, pero la cultura de organización no ha creado ni visualizaciones ni KPIs especialmente enfocados en gestionar procesos (a pesar de ser una metodología muy madurada desde lo más hondo del siglo XX). No sólo no tienen ni idea, sino que no lo tienen como categoría mental. Los departamentos de sistemas son los que articulan esto, pero tienen una visión -a pesar de lo que digan- profundamente de ingeniería y no tanto de negocio, lo que no deja de ser lógico. Por tanto, hacer que un agente haga cosas que ni tu tienes claro lo que son, donde empiezan, donde llegan, para qué y cómo creo que deben ir bien son un paraíso para vender horas de consultores, no sé si de resultados en ciclos cortos. Insisto, esto es reacción.
2-"agentes atrapados en bucles que devoran miles de dólares en tareas inútiles." Hay gente que me dice que ni siquiera tienen claro qué están haciendo en un momento dado. Es como si hubiera una necesidad de auditoría de los agentes. Sigo diciendo que es reacción.
3-"el trabajador convertido en supervisor de procesos que antes ejecutaba él mismo" Es decir, que asumimos que el trabajador es un maestro de su proceso y que su forma de hacerlo es, exactamente, la correcta. Tengo serias dudas de que sea generalizable. Tercera vez que digo que es reacción.
A ver qué pensáis.