A principios de 2026, las grandes tecnologicas dieron a sus empleados una orden simple: usad tanta IA como podais. Meta y Amazon llegaron a montar tablas de clasificacion que premiaban a quien mas tokens consumia. Le pusieron nombre: tokenmaxxing, maximizar el consumo de IA como si fuera, en si mismo, una medida de productividad.
Luego llegaron las facturas. En mayo, segun lo reportado, Uber dijo haber agotado en cuatro meses el presupuesto de IA que tenia para todo el ano, y Meta anuncio que limitaria el uso interno tras ver un aumento "exponencial" de costes. Un dato puso cifra al desperdicio: segun un estudio de la startup EntelligenceAI, de cada dolar invertido en IA solo unos 18 centavos acaban llegando a produccion; el resto se va en corregir errores, reescribir y revisar lo que la maquina produjo mal.
Pero el numero que de verdad rompe el mito no es el de la factura. Es este: cuando se mide a los modelos con tareas que no se resuelven por puro reconocimiento de patrones, 11 de cada 13 caen por debajo del 50% de su rendimiento base con solo 32.000 tokens de contexto. Es decir: darle mas informacion al modelo no lo hizo mejor. Lo hizo peor. El tokenmaxxing no fallo solo por caro. Fallo porque parte de una idea equivocada de lo que es un LLM.
La lectura comoda es de gestion de gastos: "las empresas se pasaron de frenada con el presupuesto de IA, ya recortaran". Y lo archivas como un problema de finanzas ajeno a como tu usas la herramienta.
Es justo lo que oculta lo importante. El sobrecoste es el sintoma, no la causa. La causa es una creencia: que la IA es un compresor de informacion al que, cuanto mas le metes, mejor te responde. Si crees eso, la respuesta logica a un mal resultado es darle mas contexto. Y ahi es donde el dato muerde: mas contexto no arregla, degrada. El error no fue gastar de mas; fue malentender para que sirve la maquina.
Esto no va sobre presupuestos de IA ni sobre el gasto de las grandes tecnologicas.
Va sobre que la calidad de lo que te da un LLM no escala con la cantidad de informacion que le metes, sino con la calidad del encuadre con que se la pides — y quien entiende eso tiene ventaja sobre quien sigue echandole mas contexto.
1. Un LLM no es un compresor de informacion. La intuicion del tokenmaxxing es que el modelo es como una base de datos: cuanto mas le cargas, mas sabe y mejor responde. Pero no funciona asi. El modelo no "lee" tus 200 paginas y las entiende; reparte su atencion entre todo lo que le das, y cuanto mas hay, mas se diluye. Mas contexto no es mas conocimiento: es mas ruido entre el que tiene que encontrar la senal.
2. El exceso de contexto tiene un nombre y un coste: context rot. A medida que el input crece, el rendimiento se degrada — la atencion se concentra en el principio y el final, y lo del medio se procesa peor. Por eso 11 de 13 modelos se desploman a los 32.000 tokens en tareas que exigen razonar y no solo reconocer. No es que "aun no lleguen": es que el problema no se arregla con tamano. Una ventana mas grande te deja meter mas, no garantiza que el modelo lo use bien.
3. Lo que escala no es el volumen, es el encuadre. El que saca buen resultado de un LLM no es el que mas le mete, sino el que mejor le acota: la pregunta precisa, el contexto justo y relevante, el formato claro de lo que espera. Acotar es el trabajo. El que entiende que la maquina rinde con buen encuadre y no con mas datos hace mas con menos tokens — y, de paso, paga menos.
Piensa en la ultima vez que un modelo de IA te dio una respuesta floja. ¿Que hiciste: replanteaste como se lo estabas pidiendo, o le pegaste mas contexto encima esperando que con mas material acertara?
Si tu reflejo es "le doy mas", estas tratando al LLM como un compresor: mas dentro, mejor fuera. Y el dato dice que a partir de cierto punto es al reves.
Y la incomoda: ¿cuanto de tu frustracion con la IA viene de que la herramienta es mala, y cuanto de que le estas pidiendo las cosas mal — con todo el material encima y sin un encuadre claro de lo que de verdad quieres?
Si lo que rinde no es el volumen de contexto sino la calidad del encuadre, entonces aprender a acotar es una ventaja sobre quien solo sabe echarle mas. Las capas:
Antes de pegar el documento entero, preguntate que parte es de verdad relevante para lo que pides. Un input corto y pertinente casi siempre bate a uno largo y difuso. Si dudas, recorta: es mas facil anadir despues que limpiar el ruido.
La diferencia entre una respuesta mediocre y una util casi nunca esta en cuanto cargaste, sino en como formulaste la peticion: que quieres, en que formato, con que criterio. Un minuto puliendo el encuadre rinde mas que diez recopilando contexto.
Meter de mas "por si acaso" no es prudencia: es ruido que paga doble — en factura y en peor respuesta. Reserva el contexto extenso para cuando la tarea de verdad lo exige, no como reflejo por defecto.
Ante un mal resultado de la IA, no preguntes "¿que mas le doy?". Pregunta "¿como se lo estoy pidiendo?". El que mejora el encuadre saca mas de cualquier modelo, incluso del barato; el que solo suma contexto paga mas por un resultado que, pasado cierto punto, empeora.
El tokenmaxxing no quebro solo porque la factura fuera alta. Quebro porque partia de un error: creer que a la IA, cuanta mas informacion, mejor. El dato lo desmiente. Mas contexto, pasado un punto, no mejora la respuesta: la degrada. Lo que de verdad mueve la calidad no es cuanto le metes, sino con que claridad se lo pides. Deja de preguntarte cuanto contexto darle. Empieza a preguntarte como encuadrar lo que quieres. Esa es la habilidad que separa al que paga de mas por peores respuestas del que saca oro de un modelo gratis.