Uber consumió su presupuesto anual de inteligencia artificial en apenas unos meses durante 2026 tras alentar el uso masivo de herramientas de IA entre empleados. Su director de tecnología admitió que la estrategia de "tokenmaxxing" llegó a su fin y reveló cómo la empresa logró reducir costos mientras duplicaba el gasto total.
¿Qué pasó con el presupuesto de IA de Uber?
La compañía de transporte enfrentó un problema operativo serio durante 2026: su iniciativa de impulsar el uso de herramientas como Claude Code de Anthropic entre empleados, con tablas de clasificación para medir adopción, generó un gasto acelerado que agotó los recursos asignados para todo el año en cuestión de meses. Praveen Neppalli Naga, director de tecnología de Uber, reconoció en una entrevista con The Information que el retorno de inversión esperado nunca se materializó, obligando a la empresa a replantear completamente su enfoque hacia la inteligencia artificial.
En una publicación en redes sociales, Naga escribió que la organización estaba "viendo tendencias muy interesantes en los costos de IA" y señaló que los datos indicaban "el final de la era del llamado tokenmaxxing". Esta tendencia, que dominó el sector tecnológico a mediados de 2020, se caracterizaba por incentivar el uso intensivo de modelos de lenguaje sin evaluar adecuadamente el impacto en productividad.
Cómo Uber redujo costos sin limitar acceso
Lo paradójico es que mientras Uber enfrentaba el agotamiento presupuestario, logró cuadruplicar la cantidad de empleados con acceso a herramientas de IA de frontera. Para alcanzar esto sin multiplicar los gastos, la empresa implementó una estrategia de ingeniería basada en optimización técnica, no en restricciones presupuestarias.
Las medidas concretas incluyeron:
- Mejora del almacenamiento en caché de mensajes para reducir procesamiento redundante
- Ajuste de configuraciones por defecto de los modelos de lenguaje
- Evaluación sistemática de nuevos modelos enfocada en eficiencia
- Transparencia radical: permitir que ingenieros vieran en tiempo real su consumo de IA y costos horarios
Naga explicó el cambio de filosofía: "Uno podría esperar que los costos aumenten a medida que se acelera la adopción. Hemos visto lo contrario, no porque hayamos restringido el acceso, sino porque hemos tratado la eficiencia como un problema de ingeniería, no de presupuesto".
La paradoja de Jevons en el gasto de tokens
El fenómeno que experimenta Uber es una manifestación moderna de la paradoja de Jevons, un principio económico del siglo XIX que describe cómo la mayor eficiencia en el uso de un recurso puede paradójicamente aumentar el consumo total. Cuando la máquina de Watt hizo el carbón más eficiente, el consumo de este combustible se disparó en lugar de disminuir.
Con los tokens de inteligencia artificial ocurre algo similar. Según el Índice de Gasto en Tokens de Silicon Data, el precio unitario de un token cayó más de 90% desde 2023, pero simultáneamente el gasto total en modelos de lenguaje se duplicó desde finales de 2025. Las empresas no gastan menos dinero cuando los costos bajan; en cambio, despliegan más agentes de IA, automatizan flujos de trabajo adicionales y generan más código.
Un informe de Bain and Company de junio de 2026 confirmó esta dinámica: entre diciembre de 2024 y 2025, los costos de tokens se redujeron a la mitad, mientras que el consumo de tokens creció un 450% en el mismo período. Torsten Slok, economista jefe de Apollo, sintetizó el fenómeno: a medida que los tokens se abaratan, las empresas ejecutan más agentes, automatizan más procesos y generan más código, empujando el gasto agregado al alza incluso cuando el costo unitario colapsa.
¿Dónde está el retorno de inversión en IA?
Andrew Macdonald, director de operaciones de Uber, reconoció en mayo de 2026 que el vínculo entre adopción de IA e innovación real seguía siendo difuso. Señaló que aunque implícitamente más funcionalidades estaban siendo enviadas, "es muy difícil trazar una línea entre una de esas estadísticas y estar bien, ahora estamos produciendo un 25% más de funciones útiles para el consumidor".
Deutsche Bank también advirtió durante 2026 que las ganancias de productividad derivadas de la IA aún no se materializaban en la economía amplia. Mientras que los márgenes de las Siete Magníficas crecieron del 15% al 25% entre los primeros trimestres de 2023 y 2026, el resto del S&P 500 solo experimentó un 10% de crecimiento. Esto sugiere que el gasto en inteligencia artificial permanece concentrado en el sector tecnológico sin traducirse en mejoras generalizadas.
El futuro: eficiencia sobre volumen de tokens
Naga indicó que Uber pivotó hacia una filosofía que prioriza la calidad sobre la cantidad en el consumo de tokens. No especificó si la compañía está usando más o menos computación que a principios de 2026, pero enfatizó un cambio conceptual fundamental.
"Este es el futuro de la IA aplicada a escala empresarial", concluyó el CTO. "La próxima fase, como quiera que la llamemos, no se caracterizará por quién gasta más tokens, sino por cómo la gente los usa de la manera más eficiente posible".
Implicaciones para empresas y administradores argentinos
La experiencia de Uber durante 2026 ofrece lecciones críticas para dueños y administradores de empresas argentinas que evalúan inversiones en inteligencia artificial. El error inicial de Uber—incentivar el uso sin medir retorno—es un riesgo común cuando se busca adopción rápida de tecnología.
Para empresas locales, el modelo de Uber post-corrección sugiere que la eficiencia técnica y la transparencia en costos son tan importantes como la adopción masiva. Implementar dashboards de consumo de IA, evaluar constantemente modelos alternativos y alinear el uso de herramientas con objetivos de negocio específicos puede evitar el derroche que Uber experimentó. En el contexto de restricciones presupuestarias que enfrentan muchas pymes argentinas, esta lección sobre optimización sin sacrificar acceso resulta particularmente relevante para maximizar el retorno de inversiones tecnológicas limitadas.
