La fiebre de la IA degrada la toma de decisiones en las grandes empresas

Un ejecutivo de una organización que factura más de 2.000 millones de dólares presentó una estrategia técnica centrada por completo en la inteligencia artificial. Justo después confesó que nunca había usado ChatGPT ni ninguna otra herramienta de IA en su vida. La anécdota no sale de una sátira: la cuenta Nik Suresh, consultor de grandes empresas, en su ensayo «AI Mania Is Eviscerating Global Decision-Making», que Simon Willison recomendó el 19 de julio en su blog.

Willison, una de las voces más leídas del ecosistema de herramientas de IA, describe el texto como «una perspectiva entretenida» sobre la fiebre que desborda a las grandes compañías con las que Suresh trabaja, y avisa de que viene «repleto de anécdotas picantes de fuentes anónimas». El ensayo original merece la lectura completa; aquí repasamos lo que revela sobre cómo se están tomando decisiones tecnológicas en 2026.

El ranking de tokens como métrica de productividad

Entre los testimonios recogidos, uno destaca por lo que dice de los incentivos internos. Un ingeniero cuenta que su empresa mantiene una clasificación de consumo de tokens, una tabla que ordena a los empleados según cuánta IA usan. Su respuesta racional ante ese sistema: «hago checkout de una copia paralela de nuestro repositorio en Go y le digo a la IA que lo reescriba entero en Zig mientras yo trabajo en otra cosa, solo para poder conservar mi empleo».

Es un caso de manual de la ley de Goodhart: cuando una medida se convierte en objetivo, deja de ser una buena medida. Si el uso de IA se premia por volumen, los equipos generarán volumen, aunque sea quemando tokens en reescrituras que nadie va a revisar ni desplegar. El coste es doble: dinero gastado en cómputo sin valor y una señal de datos contaminada que la dirección leerá como adopción entusiasta.

Decisiones sin experiencia de primera mano

El caso del ejecutivo que jamás abrió ChatGPT apunta a un problema más profundo que el desperdicio: hay estrategias corporativas enteras que se redactan desde el pánico competitivo y no desde la evidencia. Suresh relata también una conversación con un directivo escéptico dentro de una compañía sobreexcitada con la IA, señal de que incluso en las organizaciones más entusiastas hay cuadros que ven el problema y no encuentran la manera de frenarlo.

Nada de esto es exclusivo de una empresa concreta. Suresh escribe desde su experiencia como consultor de múltiples organizaciones de gran tamaño, y el patrón se repite: comités que aprueban partidas millonarias para iniciativas de IA sin que nadie en la sala haya pasado una tarde probando las herramientas que van a comprar.

Conviene subrayar un matiz importante. Ni Suresh escribe desde el rechazo a la tecnología ni Willison, que lleva años documentando usos productivos de los LLM, recomienda el ensayo por escepticismo gratuito. La crítica no va contra los modelos: va contra la gestión. Presupuestos aprobados a golpe de titular, mandatos de adopción sin formación y métricas de actividad que confunden gasto con resultado.

Para quién es útil

La pieza es material de trabajo para tres perfiles. Para CTOs y responsables de ingeniería que reciben presión de sus consejos para «hacer algo con IA», funciona como catálogo de antipatrones. Para consultores, como espejo incómodo de lo que ven cada semana. Y para los equipos técnicos atrapados en mandatos absurdos, como confirmación de que el problema no son ellos y de que existe vocabulario preciso para nombrarlo.

Las métricas alternativas existen y son aburridas: código en producción, tiempo de ciclo, tasa de defectos, satisfacción de los equipos que usan las herramientas. Ninguna cabe en una clasificación semanal de tokens, y precisamente por eso son más difíciles de manipular.

En ElephantPink usamos Claude y otras herramientas de IA a diario, y justo por eso este ensayo nos parece necesario: la adopción funciona cuando la impulsan personas que usan las herramientas de verdad y se mide por resultados entregados. Un ranking de tokens mide facturas de API, no productividad.