Uber y el fin del tokenmaxxing: lecciones de IA para founders

El fenómeno del «tokenmaxxing» marcó los primeros meses de 2026 en el sector tecnológico, convirtiendo el consumo desmedido de tokens de inteligencia artificial en una falsa métrica de rendimiento. El director de tecnología (CTO) de Uber, Praveen Neppalli Naga, declaró oficialmente el fin de esta etapa, señalando que la industria debe dejar atrás la obsesión por quién gasta más recursos computacionales para centrarse en la optimización real de los flujos de trabajo.

En abril de 2026, la propia compañía admitió haber quemado su presupuesto anual destinado a herramientas como Claude Code en apenas cuatro meses, impulsada por prácticas como tablas de clasificación internas que incentivaban a los ingenieros a usar modelos de IA de manera masiva. Sin embargo, el análisis posterior demostró que mayor volumen de tokens no se traducía automáticamente en un incremento proporcional de funcionalidades útiles para los usuarios finales.

¿Cómo logró Uber reducir costes sin frenar la adopción de IA?

A pesar de que el número de empleados utilizando herramientas de frontera en Uber se cuadruplicó desde el inicio del año, los costes operativos por token disminuyeron de forma notable. Según detalló Praveen Neppalli Naga en su análisis oficial, la compañía logró este equilibrio mediante una serie de cambios técnicos e infraestructurales:

🤖 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

Optimización de prompt caching: Implementación de técnicas avanzadas para reutilizar el contexto procesado por los modelos.
Ajustes en los modelos por defecto: Selección estratégica de arquitecturas más eficientes para tareas rutinarias y experimentación con modelos de peso abierto (open-weight).
Transparencia interna: Herramientas que otorgan a los ingenieros visibilidad directa sobre su consumo de IA y los costes asociados por hora.
Despliegue operativo («Agentic Pods»): Creación de equipos de ingenieros especializados que se internan en departamentos como finanzas, legal y marketing para rediseñar procesos enteros desde la raíz, en lugar de acelerar tareas aisladas.

¿Qué significa esto para tu startup?

Para los fundadores y equipos de desarrollo en el ecosistema tecnológico, el caso Uber refleja una lección de madurez indispensable en la gestión de costes de infraestructura e inteligencia artificial:

Mide resultados, no inputs: Evita establecer métricas internas basadas en el volumen de consultas a APIs de IA o en el número de líneas de código generadas. El éxito debe medirse en el impacto real sobre el negocio, como la reducción de tiempos en procesos críticos o la mejora en la retención de usuarios.
Trata la eficiencia como un reto de ingeniería: En lugar de limitar drásticamente el acceso a las herramientas o recortar presupuestos de forma ciega, audita la forma en que tus equipos estructuran los prompts, aprovechan el almacenamiento en caché y seleccionan los modelos adecuados para cada caso de uso.