Uber gastó su IA en 4 meses: por qué medir tokens falla

Uber quemó su presupuesto de IA en 4 meses y volvió a empezar de cero

En abril de 2026, Praveen Neppalli Naga, CTO de Uber, reconoció ante The Information que la compañía había agotado todo su presupuesto anual de IA en apenas cuatro meses. La frase fue literal: "I'm back to the drawing board, porque el presupuesto que pensé que necesitaba ya está volatilizado". La causa no fue un proyecto fallido. Fue todo lo contrario: 95% de los ingenieros de Uber adoptaron herramientas como Claude Code y Cursor, cada uno gastando entre US$500 y US$2.000 al mes en tokens. La compañía alcanzó casi la adopción universal y, en paralelo, se quedó sin presupuesto para sostenerla. Uber terminó fijando un tope de US$1.500 mensuales por ingeniero en herramientas de codificación agentica, según reportó IBTimes.

La paradoja es lo que vuelve al caso tan incómodo para cualquier líder: lo que parecía un caso de éxito se convirtió en un problema financiero. El 70% del código que llega a producción en Uber hoy se origina con IA, y alrededor del 10% de las actualizaciones del backend se publican ya sin intervención humana, según datos que el propio CEO Dara Khosrowshahi confirmó en la llamada de resultados del primer trimestre.

Starbucks ató el 25% del bonus IT a "usar IA varias veces por semana"

El segundo ejemplo, menos espectacular pero igual de revelador, lo aporta Starbucks, que vinculó una cuarta parte de la bonificación de su equipo de tecnología a metas departamentales de adopción de IA, definidas como usar un asistente varias veces por semana. La intención declarada era empujar la adopción. El efecto predecible fue incentivar la apariencia de adopción, no la creación de valor. Como recordó Diginomica, basta que una métrica sea fácil de medir para que los equipos optimicen hacia ella, no hacia el resultado de negocio que la métrica intenta representar.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

El culto al token: 60 billones en 30 días

El patrón se repite a escala mucho mayor. En Meta, un empleado construyó en 2026 un dashboard interno llamado "Claudeonomics" que clasificaba a más de 85.000 personas según los tokens consumidos, con insignias como "Session Immortal", "Cache Wizard" y "Token Legend". En una ventana de 30 días, el panel registró más de 60 billones de tokens consumidos, según reportó Yahoo Finance / The Information. La lógica era la misma: más tokens, más transformación. La pregunta que nadie respondió en el dashboard es cuánto de esa actividad se convirtió en producto.

Por qué medir tokens es medir actividad, no productividad

Un ingeniero que genera 500 líneas de código mediocre consume más tokens que uno que usa la herramienta puntualmente para resolver un problema arquitectónico específico, pero el primero, bajo un esquema que recompensa volumen, parece más productivo y puede incluso sobrevivir rondas de despido. Esa es la trampa. Como documenta TechTimes citando a Gartner, las tareas de IA agentica consumen entre 5 y 30 veces más tokens que una consulta sencilla de chat: cada agente opera con identidad persistente, dispara entre 10 y 20 llamadas al modelo por tarea en background y arrastra ventanas de contexto completas en cada inferencia. El token dejó de ser una unidad comparable al "informe generado" de la primera ola de automatización; es, como escribió TNW, "una utilidad con contador, no una licencia de oficina".

Lo que cambió en 2026: el ROI financiero desplazó a la productividad como métrica reina

La encuesta 1H 2026 de Futurum Group, aplicada a 830 líderes de TI, encontró que el impacto financiero directo ya es la métrica número uno de éxito en IA, citada por el 21,7% de los encuestados, casi el doble que el año anterior. Al mismo tiempo, MIT NANDA estima que solo entre el 5% y el 8% de los pilotos de IA generativa logran un ROI medible a escala; el 95% restante no muestra impacto en P&L. Gartner, en su cumbre de Datos y Analítica de Sídney 2026, presentó una cifra igual de dura: 4 de cada 5 organizaciones que aumentaron su inversión en IA este año no pueden demostrar retorno medible sobre ella. En mayo, la misma firma proyectó que el 25% del presupuesto de IA planeado para 2026 se deslizará hacia 2027 porque las pruebas de concepto mueren en el pipeline de compras.

Microsoft, por su parte, está retirando de forma discreta las licencias directas de Claude Code dentro de su grupo de Experiencias y Dispositivos y migrando a sus ingenieros a GitHub Copilot CLI antes del cierre de su año fiscal. TNW interpretó el movimiento no como una derrota de Anthropic sino como el fin de la fase experimental: la empresa con mayor poder de negociación del mercado se aleja de un proveedor cuyo producto su propio equipo prefería, y la única variable que cambió fue la factura. GitHub había hecho algo similar en noviembre de 2025, cuando pausó nuevos registros en Copilot Pro y Pro+ porque los workloads agenticos de los suscriptores pagados generaban costos superiores al precio mensual del plan.

La métrica correcta: separar aceleración de razonamiento

Las organizaciones que están resolviendo este problema comparten tres hábitos, según el análisis de Diginomica:

Definen el éxito por unidad de negocio antes de desplegar herramientas, identificando qué outcome quieren mover y cómo lo van a medir.
Tratan el dato de uso como diagnóstico, no como indicador de desempeño: alto consumo sin mejora de resultados es una alerta roja, no una medalla.
Distinguen entre dos usos de IA: cuando es un acelerador de procesos (una tarea de cuatro horas baja a una), se mide tiempo ahorrado; cuando es un socio de razonamiento (modelar escenarios, sintetizar información, evaluar opciones), se mide la calidad de las decisiones que produce, no los tokens que consumió.

Uber ya está moviéndose en esa dirección. En agosto de 2026, su CTO publicó que la compañía estaba "al final de la era del tokenmaxxing": desde enero, el número de personas usando modelos frontier se cuadruplicó mientras el costo por token cayó, gracias a mejor caching de prompts, modelos por defecto más ajustados y más visibilidad por ingeniero. El CFO Balaji Krishnamurthy, en la llamada de resultados del segundo trimestre, dijo que están viendo "el doble de output de código por ingeniero", una métrica de productividad, no de actividad.

Qué significa esto para tu startup

Si hoy mides adopción de IA por tokens, horas en la herramienta o porcentaje de código escrito por IA, no mides productividad: mides cumplimiento. Y el cumplimiento se puede gamificar, exactamente como hicieron los líderes de Uber y Starbucks. Las cifras que importan son otras, y conviene ponerlas en el tablero antes de desplegar las herramientas, no después.

Acciones concretas que puedes aplicar esta semana:

Define la métrica de outcome antes de abrir el acceso a una herramienta de IA. Si no puedes decir qué mejora concreta esperas medir (ticket medio, tiempo de resolución, churn, líneas de código que llegan a producción), no estás listo para medir productividad, solo vas a medir actividad.
Separa dos tableros: uno de adopción (¿quién usa la herramienta?) y otro de impacto (¿qué cambió en el resultado?). Si un ingeniero tiene alto uso pero outcomes planos, tienes un problema de coaching o de encaje de herramienta, no un éxito que celebrar.
Pon un tope de gasto por persona o por equipo desde el día uno, igual que Uber terminó fijando US$1.500/mes por ingeniero. Un founder con 10 developers usando Claude Code o Cursor a US$1.500/mes cada uno son US$15.000/mes, US$180.000 al año, antes de pagar tu propio modelo o tus APIs. Sin tope, el "éxito de adopción" te puede quebrar la caja igual que le pasó a Uber en el primer trimestre.

La lección de fondo no es anti-IA. Las ganancias de productividad de una IA bien desplegada son reales y documentadas. La lección es de contabilidad: las empresas que ganan esta década no serán las que más tokens consuman, sino las que mejor conecten cada euro gastado en cómputo con un resultado de negocio medible.