El token: la nueva economía del lenguaje

👋 Hola,

Bienvenido a Sintetika, nuestro newsletter semanal sobre futuro, innovación, tecnología y la construcción de la sociedad del mañana.

🧐 En esta edición encontrarás:

• El token: la nueva economía del lenguaje

• IBM pierde 25% de su valor y arrastra a tecnológicas

• Apple demanda a OpenAI por presunto robo de secretos comerciales

• Premios Nobel piden políticas ante el impacto económico de la IA

• Empleados demandan a Meta por despidos supuestamente apoyados en IA

• Encuesta: ¿Cuál es tu postura ante el impacto ambiental en el uso de la IA?

“El problema fundamental de la comunicación es reproducir, exacta o aproximadamente, un mensaje seleccionado en otro punto.”
— Claude E. Shannon, A Mathematical Theory of Communication, 1948.

La primera fantasía útil sobre la inteligencia artificial es que habla.

Pero no habla.

Calcula fragmentos y estima lo que a continuación tiene más sentido dentro de las posibilidades de un patrón.

Nosotros escribimos una frase y solemos creer que la máquina recibe eso, una frase. O una pregunta. O una intención. Pero antes de cualquier respuesta, el sistema fragmenta el lenguaje en unidades pequeñas: tokens.

Un token puede ser una palabra. O parte de una palabra. O un signo de puntuación. O un pedazo de palabra que para nosotros no tendría existencia propia. Depende del modelo, del idioma, del contexto, de cómo fue entrenado el sistema para partir el lenguaje.

No es un detalle técnico: ahí empieza la economía de la IA.

Los usuarios privados, pero sobre todo las empresas, han estado comprando inteligencia artificial como quien compra una promesa: más productividad, menos fricción, respuestas automáticas, análisis instantáneos, atención al cliente sin descanso.

Pero por debajo había y hay una contabilidad. Cada pregunta se convierte en tokens. Cada documento adjunto, tokens. Cada instrucción, tokens. Cada respuesta larga, tokens. Cada corrección, tokens. Cada paso invisible de un agente que consulta una base de datos, revisa una herramienta o vuelve a intentar una tarea… más tokens.

Pensemos en algo simple. Un usuario pide: “Resume este contrato”.

La orden es breve. Pero si el contrato tiene ochenta páginas, la máquina no está procesando una frase: está navegando en una masa de lenguaje. Si después el usuario pide detectar riesgos, comparar cláusulas, redactar una propuesta y preparar una versión ejecutiva, la conversación deja de ser conversación: se vuelve consumo.

Y ese consumo se mide en una unidad que casi nadie ve: el token.

El token es al lenguaje lo que el kilowatt-hora es a la electricidad: una abstracción técnica que sólo se vuelve real cuando aparece en la factura.

Por eso muchas empresas están teniendo una experiencia incómoda. Primero descubrieron que la IA funcionaba. Después descubrieron que podía integrarse a varias tareas. Empezaron con pilotos pequeños, pruebas internas, equipos curiosos. Luego vinieron los bots de soporte, los copilotos de programación, los resúmenes de juntas, los análisis legales, los asistentes comerciales, los sistemas de búsqueda interna, los generadores de reportes.

La adopción fue creciendo. Y la factura también.

No porque los proveedores hayan cambiado la naturaleza del cobro de la noche a la mañana, sino porque el uso dejó de ser esporádico. La IA pasó de experimento a rutina. Y cuando una tecnología se vuelve rutina, su costo abandona la parcela de inversión visionaria y empieza a ser gasto operativo.

Ese es el momento en que la épica se acaba. Incluso compañías del tamaño de Microsoft han empezado a revisar el uso interno de herramientas como Claude Code, no porque la IA no sirva, sino porque a escala organizacional el gasto por tokens puede convertirse en millones de dólares al año.

La pregunta empresarial entonces ya no sólo apunta a cuál modelo “razona” mejor, escribe mejor o responde con más soltura. Ahora es cuánto cuesta completar una tarea con calidad suficiente.

No cuánto cuesta conversar. Cuánto cuesta resolver.

Dos modelos pueden llegar a una respuesta parecida con consumos muy distintos. Uno puede necesitar más contexto. Otro puede producir respuestas más largas de lo necesario. Otro puede requerir varios pasos intermedios. Otro puede ser más barato por token, pero menos eficiente por tarea. Otro puede parecer caro en la lista de precios y, sin embargo, ahorrar dinero si resuelve mejor con menos vueltas.

La unidad relevante hasta ahora estaba siendo el precio por millón de tokens. Pero eso está cambiando, y cada vez más apunta hacia el costo por trabajo terminado.

Ahí se entiende un giro reciente de la industria. OpenAI, xAI, Meta y otros actores ya no sólo compiten por mostrar modelos más capaces. También compiten por demostrar que pueden hacer más con menos: menos tokens, menos latencia, menos gasto, menos desperdicio operativo.

xAI, por ejemplo, presentó Grok 4.5 con una promesa explícita de mayor eficiencia de tokens. OpenAI ha empezado a hablar de sus modelos no sólo en términos de inteligencia, sino de rendimiento y costo. Meta ha colocado sus modelos en una lógica de acceso y precio pensada para desarrolladores y empresas que no quieren que la IA se convierta en una máquina de gastar dinero.

No es que la potencia haya dejado de importar. Es que la potencia sola ya no basta.

La primera etapa de la IA generativa fue una carrera de exhibiciones, casi un show mediático. Resolver exámenes. Escribir código. Componer textos. Interpretar imágenes. Mantener conversaciones largas. Era una competencia por el asombro.

La segunda etapa será una competencia por la eficiencia. Esa competencia será menos vistosa, pero más decisiva.

Porque las empresas viven de márgenes, presupuestos, contratos, procesos y responsabilidades. Un modelo que impresiona en una presentación puede ser inviable si cada flujo interno multiplica tokens sin control.

Un chatbot que contesta bonito puede ser un mal negocio si usa diez párrafos para resolver una consulta que exigía una línea. Un agente autónomo puede parecer sofisticado hasta que alguien revisa cuántas veces llamó herramientas, cuántos documentos cargó y cuántas respuestas descartó antes de llegar a la versión final.

La inteligencia artificial, entonces, también puede ser burocrática en sus entrañas. Puede producir un texto desperdiciando materia prima como quien deja correr el agua mientras se lava los dientes.

Y ese derroche no es sólo económico. También es físico.

Cada token implica cómputo. Cada cómputo ocurre en servidores. Cada servidor necesita electricidad, refrigeración, chips, redes, mantenimiento. La Agencia Internacional de Energía estimó que los centros de datos consumieron alrededor de 415 TWh en 2024, cerca de 1.5% de la electricidad mundial, y proyecta que podrían acercarse a 950 TWh en 2030.

Y esto también tiene una huella ecológica. Conviene no convertir esto en un sermón. Pero es bueno agregarle contexto.

Una consulta individual no es una catástrofe ecológica. Pero millones de consultas, agentes funcionando todo el día, modelos más grandes, contextos más largos y empresas automatizando procesos completos sí modifican la escala del problema.

¿Debemos dejar de usar IA para ser más generosos con el medioambiente? Esa pregunta ya llega tarde.

Es mejor preguntarse qué tipo de IA estamos normalizando: una IA que piensa mejor porque usa mejor sus recursos, o una que responde más porque nadie le puso límites.

Hay una enseñanza incómoda en esto. La abundancia verbal de los modelos nos sedujo. Nos acostumbramos a respuestas largas, explicaciones extensas, resúmenes dobles, alternativas, listas, tonos, versiones, reformulaciones. La máquina lucía generosa porque nunca se cansaba.

Pero esa generosidad tiene costo. Quizá la madurez de la IA empiece cuando dejemos de confundir longitud con inteligencia.

Una buena implementación empresarial no será la que permita preguntarlo todo de cualquier manera. Será la que sepa cortar. Elegir contexto. Reducir instrucciones. Usar modelos pequeños cuando basten. Reservar los modelos más potentes para tareas donde realmente importen. Medir el costo por resultado. Auditar los flujos. Evitar que la automatización se convierta en palabrería industrial.

La tokenización, entonces, no es un detalle de ingenieros. Es una lección política y económica sobre el lenguaje.

En la vieja economía del folletín, la extensión podía ser una forma de remuneración. A Dumas se le atribuye, no sin debate, haber cobrado por línea en algunos de sus contratos. En la economía de la IA, la ironía se invierte: escribir de más ya no produce ingresos: produce gasto.

En la época de la IA, escribir de más puede ser una línea de gasto.

Tal vez por eso el token sea una unidad tan reveladora.

No mide inteligencia.

Mide la materia prima que la inteligencia artificial consume para parecer inteligente.

Y nos obliga a mirar algo que quizá preferíamos no ver: detrás de cada respuesta fluida hay una cadena de decisiones técnicas, comerciales y energéticas. Detrás de cada asistente amable hay una arquitectura que alguien paga. Detrás de cada automatización hay una pregunta que quizá podíamos haber formulado mejor.

¿Cuánto lenguaje necesita realmente una máquina para ayudarnos? ¿Cuánto nos tardaremos en cambiar la percepción de que la locuacidad es equivalente a inteligencia?

La respuesta definirá más que una factura.

Definirá si la inteligencia artificial se convierte en una herramienta precisa o en otra forma elegante de desperdicio.

IBM sufrió una de las peores jornadas bursátiles de su historia el 14 de julio del 2026 después de presentar resultados preliminares por debajo de las expectativas del mercado. Sus acciones llegaron a caer cerca de 25%, después de que la compañía anticipó ingresos trimestrales de 17,200 millones de dólares, por debajo de los 17,900 millones esperados por analistas.

El golpe no se explica sólo por un mal trimestre. IBM advirtió que muchas empresas están reorientando sus presupuestos tecnológicos hacia infraestructura física para inteligencia artificial: servidores, memoria, almacenamiento y centros de datos. Eso está dejando menos espacio para compras tradicionales de software y mainframes, dos áreas clave para la compañía.

El caso provocó nerviosismo entre inversionistas porque muestra una tensión de fondo: la IA no sólo está creando nuevos ganadores en tecnología, también está modificando hacia dónde se mueve el gasto empresarial. Si las empresas destinan más capital a infraestructura, varias compañías de software pueden enfrentar presión en ingresos, márgenes y valuaciones.

Apple presentó una demanda contra OpenAI y dos exempleados de la compañía por presunta apropiación indebida de secretos comerciales. La acusación sostiene que información confidencial relacionada con hardware y productos de Apple habría sido utilizada para apoyar los planes de OpenAI en dispositivos de consumo.

Entre los señalados está Tang Tan, exvicepresidente de diseño de producto de Apple, quien después se incorporó al proyecto de hardware de OpenAI tras la adquisición de io, la empresa fundada por Jony Ive. Apple acusa a los exempleados de haber accedido o trasladado información sensible sobre diseño, proveedores y productos no anunciados.

OpenAI ha negado tener interés en secretos comerciales de competidores. Las dos compañías habían colaborado en la integración de ChatGPT en el ecosistema de Apple, y ha generado dudas. La carrera por la IA ya no se limita al software: también se está moviendo hacia hardware, dispositivos y propiedad intelectual.

Más de 200 economistas e investigadores, incluidos 15 premios Nobel y especialistas vinculados con OpenAI, Anthropic y Google, pidieron a gobiernos y líderes tecnológicos crear políticas e instituciones capaces de enfrentar el impacto económico de la inteligencia artificial.

La declaración, titulada We Must Act Now, advierte que la IA podría provocar una transformación económica mayor que la Revolución Industrial, pero en un periodo mucho más corto. Entre los firmantes aparecen Daron Acemoglu, Simon Johnson, Michael Spence y Joseph Stiglitz, además de figuras de la industria como Sarah Friar, Jeff Dean, Jack Clark, Eric Schmidt y Reid Hoffman.

Todavía no hay evidencia concluyente de una destrucción masiva de empleos por IA. La OCDE sostiene que, hasta ahora, la adopción de IA no ha provocado una caída generalizada en la demanda laboral. Precisamente por eso, los firmantes argumentan que este es el momento para prepararse: antes de que el impacto económico se acelere y las instituciones vuelvan a llegar tarde.

Un grupo de 26 empleados demandó a Meta en una corte federal de Oakland, California. Acusan a la empresa de haber usado sistemas de inteligencia artificial, datos de actividad, monitoreo de pulsaciones, tableros de uso de tokens y rankings algorítmicos para seleccionar personas afectadas por despidos.

Según la demanda, el proceso perjudicó de forma desproporcionada a trabajadores que estaban en licencias médicas, familiares, de maternidad o paternidad. Los demandantes forman parte del grupo de aproximadamente 8,000 empleados —cerca del 10% de la plantilla— que Meta anunció que recortaría en mayo.

Meta rechazó las acusaciones y afirmó que las decisiones laborales fueron tomadas por personas, no por inteligencia artificial. El caso pone a prueba un punto central en la discusión laboral sobre IA: qué ocurre cuando sistemas aparentemente neutrales terminan castigando ausencias protegidas por ley o condiciones personales que deberían estar fuera de una evaluación automatizada.

Gracias por leer Sintetika, el newsletter que te explica el futuro con profundidad y contexto.