Hubo un tiempo en el que un profesional cualquiera aprendía su oficio y aplicaba sus conocimientos, en adelante, durante sus años de carrera profesional. Los perfiles profesionales ahora evolucionan constantemente e incorporan nuevos conocimientos constantemente. A esto se le unen las habilidades laborales o skills, específicas de una profesión (hard skills) o comunes en todas ellas (soft skills). Y qué decir de la constante introducción de nueva tecnología. Sin ir más lejos, la inteligencia artificial es ya un componente imprescindible en cualquier empresa, sin importar su tamaño o sector. Y en esa vorágine, los expertos en IA mencionan conceptos como el tokenmaxxing o el tokenminning.
Resulta inevitable que en un campo tan específico como el de la inteligencia artificial surjan conceptos propios, normalmente en inglés, que nos hemos visto obligados a aprender para entender qué es eso de la IA. Después de comprender lo que era el big data y de intentar descifrar qué es eso del blockchain, ahora nos encontramos con palabras como modelos LLM, prompts, chatbots, agentes de IA, alucinaciones, tokens, ventanas de contexto, pensamiento profundo o modo multiagente.
El tokenmaxxing o token maxxing y el tokenminning o token minning son dos tendencias de las que habrás oído hablar en el último año. Están relacionadas con la inteligencia artificial. O más específicamente, con el uso que se hace de asistentes de IA y agentes de IA en el ámbito profesional o laboral. La fiebre de la IA está en todas partes. Así que, para estar al día, conviene conocer estos dos conceptos. Es más. Es probable que ya los estés viviendo en tu oficina o lugar de trabajo.
Qué es el tokenmaxxing o token maxxing
Se conoce como tokenmaxxing, token maxxing o token maxing a una tendencia que han vivido millones de trabajadores en empresas de medio mundo a raíz de la incorporación de la IA en su puesto de trabajo. Básicamente, se trata del uso intensivo de prompts, agentes e iteraciones. Es decir, asociar el uso de la IA con la productividad. A más IA, más productivo. En muchas empresas, las métricas asociadas a la inteligencia artificial se han empleado para contabilizar la productividad de empleados, departamentos o equipos de trabajo. En definitiva, tokenmaxxing se podría traducir como maximizar el consumo de tokens.
Un token, palabra que aparece hoy en día en muchos ámbitos, no es más que una unidad de medida, una referencia o identificador asociado a datos. Con la llegada de las criptomonedas, este concepto se ha extendido al ámbito financiero. Pero también se emplea en el campo de la inteligencia artificial. Para valorar la capacidad de un modelo de IA, por ejemplo, se cuantifica cuántos tokens es capaz de procesar. En IA, el token es la unidad mínima de texto que la IA entiende y usa para pensar.
Obviamente, utilizar las métricas de uso de agentes de IA o asistentes de IA para cuantificar la productividad de alguien no es muy acertado. Podríamos decir que es un camino fácil. O una decisión tomada cuando se quiere simplificar la medición de la productividad. Y, en parte, esta tendencia es consecuencia de la adopción precipitada de IA en muchas empresas. Ya sea porque no evaluaron bien si la necesitaban o porque no dedicaron tiempo a su implementación.
La perversión detrás del tokenmaxxing
En resumen, el tokenmaxxing o token maxxing es la consecuencia de un error de base. Si el uso de IA equivale a ser productivo, la respuesta ha sido gastar muchos tokens. Y las consecuencias han sido que muchas empresas han visto cómo sus costes crecían de manera elevada sin que esto se reflejara en una mejora de la calidad del trabajo. Sin embargo, esta tendencia sigue teniendo adeptos. Y muchas empresas siguen usando los tokens de IA como medidor de productividad.
De por sí, esta tendencia no debería ser un problema. Si tu objetivo es gastar tokens, el token maxxing cumple con su propósito. Pero si el objetivo era mejorar la productividad empleando IA, no se ha logrado. Empresas como Meta, OpenAI o Amazon, que precisamente trabajan en modelos de IA, cayeron en esta tendencia. En abril de este año, varios medios se hicieron eco de un ranking interno que clasificaba a los empleados de Meta en función del uso de tokens de IA. El nombre del ranking era Claudeonomics y lo elaboró un empleado. El nombre es porque se basaba en el uso de la IA de Claude.
Así que, en vez de ser más productivos, los participantes del ranking elaboraban prompts larguísimos para hacer trabajar más a la IA. Lo que implica más uso de tokens de IA. También configuraban agentes de IA para que trabajaran en bucle generando código. Pero también hay ejemplos en empresas que no están ligadas directamente a la IA, como Uber, que agotó en cuatro meses su presupuesto anual.
Como alternativa, algunos expertos ya hablan de una nueva tendencia llamada valuemaxxing. Y que se centra en el valor real que aporta la IA. Sin embargo, medir eso es más difícil. No siempre hay parámetros cuantificables para hacerlo. Y como contraposición al tokenmaxxing, también se habla de tokenminning o token minning.
Qué es el tokenminning o token minning
El concepto de tokenminning o token minning significa literalmente token minimizing. Es decir, reducir o minimizar el uso de tokens. Viene a ser el antónimo u opuesto a tokenmaxxing, maximizar el uso de tokens. Y no hay que confundirlo con el concepto tokenmining o token mining, con una sola ene, que se refiere a la creación o distribución de tokens en el contexto de las criptomonedas.
Como hemos visto, el uso intensivo y, en ocasiones exagerado, de tokens de IA provocó facturas elevadas en muchas empresas. Dentro y fuera del sector. Un gasto descontrolado que no se ha traducido en un retorno en forma de beneficios o productividad. Así que una posible solución ha consistido en adoptar esta otra tendencia que aboga por lo contrario. Es decir, optimizar el uso que se hace de la IA. Algo que nos devuelve a los orígenes de la informática, cuando los recursos disponibles eran limitados.
Así pues, el tokenminning o token minning propone escribir instrucciones o prompts más cortos y precisos. Así, la IA consume menos tokens para procesar la pregunta sin que se resienta la respuesta o tarea a realizar. Otra propuesta consiste en utilizar modelos de IA sencillos para tareas sencillas. Y reservar los modelos de IA avanzados para tareas complejas. En definitiva, medir el éxito por el valor y los resultados obtenidos, no por la cantidad de recursos gastados.
Si te ha gustado este artículo y quieres recibir más contenido sobre innovación y tecnología directamente en tu correo, suscríbete a nuestra newsletter y mantente siempre actualizado. No somos de los que llenan tu bandeja, solo compartimos los lunes.
