Torras.ai

He notat un nou ritual que apareix abans que la gent doni una tasca seriosa a un agent d’IA.

Primer, comproven el model. Després el nivell d’esforç. Després la velocitat. Després l’ús restant. Miren l’hora de reinici, es pregunten quanta capacitat pot consumir la tasca i fan un petit càlcul: hauria de començar ara, triar un model més barat o guardar els bons tokens per a alguna cosa més important?

La feina encara no ha començat, però l’ansietat sí.

Això se sent cada cop més familiar el 2026. A mesura que la IA agentitzada esdevé part de la feina quotidiana, els tokens ja no són un detall tècnic invisible. S’han convertit en alguna cosa que sentim que consumim.

2026 és l’any de l’ansietat pel token.

Ansietat d’autonomia, però per a la intel·ligència

Els conductors de vehicles elèctrics coneixen la sensació d’ansietat d’autonomia: la por que la bateria no els porti fins a la destinació, fins i tot quan el quadre de comandament diu que n’hi hauria d’haver prou.

El problema no és simplement la capacitat de la bateria. És la incertesa. L’estimació canvia amb la velocitat, la temperatura, el terreny, l’estil de conducció i el trànsit. Un propietari nou encara no sap en què confiar. El trenta per cent pot semblar còmode en un trajecte conegut i perillosament baix en una carretera desconeguda.

L’ansietat pel token té la mateixa estructura.

Pots tenir ús restant, però serà suficient per acabar la tasca? Un nivell d’esforç més alt resoldrà el problema o només consumirà més capacitat? L’opció ràpida és econòmica, o la velocitat ve de cremar l’assignació més ràpidament? Si l’agent troba un error de prova difícil a mig camí, en quedarà prou per recuperar-se?

La pregunta important no és:

Quants tokens tinc?

És:

Tinc prou intel·ligència per arribar a la destinació?

L’indicador de combustible ha entrat a la feina

Per a la majoria d’usuaris, els tokens solien estar amagats. Els desenvolupadors pagaven per trucades d’API, els enginyers optimitzaven els prompts i els equips de finances rebien la factura. La persona que feia la pregunta rarament pensava en la maquinària que hi havia a sota.

Els agents van canviar aquesta relació perquè fan més que produir una resposta curta. Inspeccionen fitxers, cerquen documentació, operen eines, executen proves, revisen la seva feina i, de vegades, coordinen altres agents. Una sola assignació pot romandre activa durant minuts o hores i consumir una quantitat de capacitat difícil de predir per avançat.

Al mateix temps, els controls s’han multiplicat. Triem entre models, nivells de raonament o esforç, execució estàndard i ràpida, treball local i al núvol, un agent o diversos. Cada opció promet una combinació diferent d’intel·ligència, latència i consum.

Aquests controls són útils. També traslladen un nou problema d’optimització a l’usuari.

Abans de delegar la tasca real, se’ns demana que ens convertim en petits planificadors de capacitat.

No sabem què compra un token

Un litre de combustible i un quilowatt-hora són unitats físiques. Són predictors imperfectes de l’autonomia, però els conductors poden aprendre gradualment què signifiquen.

Un token és més difícil d’interpretar. És una unitat de text i càlcul, no una unitat de feina completada. Deu mil tokens poden produir una anàlisi excel·lent, un intent fallit, una llarga conversa sobre requisits o els passos finals d’una funcionalitat de programari que ja n’ha requerit molts més.

La mateixa tasca aparent també pot consumir quantitats molt diferents segons el repositori, les eines disponibles, el nombre d’errors trobats i l’estàndard de verificació. “Arregla el bug” pot significar canviar una línia. Pot significar passar una hora descobrint que el bug és en un sistema completament diferent.

Això fa que el comptador d’ús sigui psicològicament potent però operativament feble. Ens diu quanta energia desapareix sense dir-nos si ens acostem a la destinació.

Cada elecció sembla que podria ser la incorrecta

La tria del model crea una altra capa d’ansietat.

Si selecciones un model més petit o de menor esforç, pots estalviar capacitat, però potser malinterpretarà la tasca i requerirà diversos intents. Si selecciones el model més capaç, pots preguntar-te si has utilitzat intel·ligència premium en una feina que una opció més barata podria haver fet. Si tries velocitat, pots preocupar-te pel cost. Si tries eficiència, pots passar el teu temps esperant.

Rarament hi ha prou informació per calcular la resposta perfecta abans que comenci la tasca.

Això produeix una forma estranya de penediment per la decisió. Si el resultat és pobre, culpem la tria del model. Si l’ús baixa ràpidament, culpem el nivell d’esforç. Si l’agent té èxit fàcilment, ens preguntem si hem pagat de més.

L’ajust òptim només es fa evident quan ja no és útil.

La psicologia del reinici

Els límits de subscripció afegeixen els seus propis comportaments.

Quan s’acosta un reinici, la capacitat no utilitzada pot semblar desaprofitada. Quan el proper reinici és lluny, la mateixa capacitat sembla preciosa. Un usuari amb un vint per cent restant pot ajornar feina valuosa perquè té por de necessitar aquests tokens més tard. Un altre pot llançar tasques innecessàries poc abans d’un reinici perquè deixar capacitat sense utilitzar sembla perdre alguna cosa que ja ha pagat.

Això no és una assignació racional de recursos. És la psicologia familiar de l’escassetat, la caducitat i el cost enfonsat aplicada a la intel·ligència de màquina.

Diferents productes d’IA empaqueten l’accés de manera diferent, cosa que fa que la intuïció sigui encara més difícil de transferir. Un hàbit après a Codex pot no aplicar-se a Claude Code. Una subscripció personal pot comportar-se diferent d’una API mesurada o d’un compte empresarial. L’usuari ha d’aprendre un nou indicador de combustible per a cada vehicle.

Quan paga l’empresa, l’ansietat esdevé política

L’ansietat pel token esdevé més seriosa quan l’ús pertany a un ocupador.

Si una empresa paga per token, els empleats poden no saber com és un ús responsable. Una execució llarga d’un agent és prova d’automatització productiva o de despesa negligent? S’encoratja l’experimentació? Hi ha pressupost per persona, per equip o per resultat? Algú rebrà un informe mostrant qui ha consumit més?

Sense normes clares, la gent s’inventa les seves. Trien models més febles, eviten la feina exploratòria, escurcen els prompts, aturen els agents abans de la verificació o utilitzen comptes personals en silenci. Una empresa pot comprar IA potent i, tot i així, ensenyar als seus empleats a no utilitzar-la per l’ambigüitat al voltant de la factura.

L’oposat també és possible. Si l’ús sembla il·limitat i ningú el connecta als resultats, els equips poden generar grans quantitats d’activitat sense crear valor significatiu.

La resposta no és més ansietat. Són uns econòmics més clars.

La paradoxa de l’optimització

Alguna optimització és sensata. Les tasques fàcils no sempre necessiten el model més capaç. Els fluxos de treball repetits s’han de fer més eficients. Els bucles fallits no haurien de consumir recursos per sempre.

Però hi ha un punt en què l’optimització del token es torna autodestructiva.

Si un treballador del coneixement passa quinze minuts comparant models per estalviar uns cèntims, l’organització ha optimitzat el recurs més barat. Si un agent s’atura abans d’executar les proves perquè la verificació costa tokens, l’execució aparentment eficient pot crear rework humà car. Si la por d’utilitzar un reinici retarda una tasca valuosa, la capacitat no utilitzada s’ha tornat més important que el resultat pel qual es va comprar.

Podem gastar més atenció humana preocupant-nos pels tokens del que valen els propis tokens.

Per això crec que la mètrica més útil no és només el consum. Com vaig argumentar a The Megatoken Economy, la millor pregunta és quin valor econòmic produeixen aquests tokens. Una execució costosa que completa un flux de treball valuós pot ser eficient. Una execució barata que no produeix res útil no ho és.

D’un indicador de combustible a un indicador de confiança

Els millors productes d’IA no haurien de mostrar només un percentatge i un rellotge de reinici. Haurien d’ajudar els usuaris a respondre la pregunta que realment crea ansietat: puc acabar aquesta tasca?

Això pot significar estimar la capacitat probable requerida, avisar abans que un mode seleccionat sigui desproporcionat, reservar prou marge per a la verificació o permetre que una tasca continuï amb un model diferent. Pot significar explicar si “ús restant” és un límit dur, una assignació rotativa o una estimació.

La interfície hauria de comunicar confiança, no només inventari.

Les organitzacions també tenen feina a fer:

• Proporcionar valors predeterminats sensats. La majoria d’empleats no haurien de resoldre un problema de routing de models abans de cada prompt.
• Ajustar l’esforç a la importància. Utilitza configuracions més capaces quan els errors són cars, la tasca és difícil de verificar o el resultat té un alt valor.
• Definir pressupostos d’experimentació. La gent hauria de saber quanta llibertat té per aprendre sense por d’una revisió de costos invisible.
• Mesurar resultats juntament amb l’ús. El cost només té sentit quan es compara amb el temps estalviat, la qualitat millorada, el risc reduït o el valor creat.
• Dissenyar per a la recuperació. Quedar-se sense capacitat no hauria de significar abandonar una tasca a mig fer i perdre tot el context invertit.

Els individus poden adoptar una regla simple: tria un valor predeterminat raonable, canvia’l quan la importància ho justifiqui i avalua el resultat en lloc d’obsessionar-te pel comptador.

L’ansietat és un senyal de transició

Els primers propietaris de vehicles elèctrics havien de pensar constantment en carregadors, rutes, temperatura i autonomia restant. A mesura que les bateries milloraven, les xarxes de càrrega s’ampliaven i les estimacions esdevenien més fiables, gran part d’aquesta càrrega mental va disminuir.

La IA probablement seguirà un camí similar. La capacitat serà més barata. El routing serà més automàtic. Els productes aprendran quin model i nivell d’esforç requereix una tasca. Les organitzacions desenvoluparan pressupostos i expectatives més clars.

Però el 2026, encara som propietaris nous. Els indicadors són desconeguts, les estimacions són incertes i les xarxes de càrrega tenen regles diferents.

Aquesta és la raó per la qual l’ansietat pel token importa. No és una queixa de la gent que vol IA il·limitada. És una prova que la IA agentitzada s’ha tornat prou real per dependre’n, mentre que la seva economia i interfícies segueixen sent difícils de confiar.

La indústria ha fet visible la intel·ligència com un recurs consumible. El seu proper repte és fer aquest recurs comprensible.

Fins llavors, seguirem mirant el comptador abans de començar el viatge.

No perquè tinguem por d’utilitzar la IA, sinó perquè ja no estem segurs de si tenim prou IA per arribar.