2026 es el año de la ansiedad por los tokens
He notado que ha aparecido un nuevo ritual antes de que las personas asignen una tarea seria a un agente de IA.
Primero, revisan el modelo. Luego el nivel de esfuerzo. Después la velocidad. Luego el uso restante. Observan la hora de reinicio, se preguntan cuánta capacidad podría consumir la tarea y hacen un pequeño cálculo: ¿debería empezar ahora, elegir un modelo más barato o guardar los buenos tokens para algo más importante?
El trabajo ni siquiera ha comenzado, pero la ansiedad sí.
Esto se siente cada vez más familiar en 2026. A medida que la IA agente se convierte en parte del trabajo cotidiano, los tokens ya no son un detalle técnico invisible. Se han convertido en algo que sentimos que estamos consumiendo.
2026 es el año de la ansiedad por los tokens.
Ansiedad de autonomía, pero para la inteligencia
Los conductores de vehículos eléctricos conocen la sensación de ansiedad por la autonomía: el miedo de que la batería no los lleve hasta el destino, incluso cuando el tablero indica que debería ser suficiente.
El problema no es simplemente la capacidad de la batería. Es la incertidumbre. La estimación cambia con la velocidad, la temperatura, el terreno, el estilo de conducción y el tráfico. Un propietario nuevo aún no sabe en qué confiar. El treinta por ciento puede sentirse cómodo en un trayecto familiar y peligrosamente bajo en una carretera desconocida.
La ansiedad por los tokens tiene la misma estructura.
Puedes tener uso restante, pero ¿será suficiente para terminar la tarea? ¿Un nivel de esfuerzo más alto resolverá el problema o solo consumirá más capacidad? ¿La opción rápida es económica o la velocidad proviene de agotar la asignación más rápido? Si el agente encuentra un fallo difícil a mitad de camino, ¿quedará suficiente para recuperarse?
La pregunta importante no es:
¿Cuántos tokens tengo?
Es:
¿Tengo suficiente inteligencia para llegar al destino?
El indicador de combustible ha entrado en el lugar de trabajo
Para la mayoría de los usuarios, los tokens solían estar ocultos. Los desarrolladores pagaban por llamadas a la API, los ingenieros optimizaban los prompts y los equipos de finanzas recibían la factura. La persona que hacía la pregunta rara vez pensaba en la maquinaria subyacente.
Los agentes cambiaron esa relación porque hacen más que producir una respuesta corta. Inspeccionan archivos, buscan documentación, operan herramientas, ejecutan pruebas, revisan su trabajo y, a veces, coordinan otros agentes. Una sola asignación puede permanecer activa durante minutos u horas y consumir una cantidad de capacidad difícil de predecir de antemano.
Al mismo tiempo, los controles se han multiplicado. Elegimos entre modelos, niveles de razonamiento o esfuerzo, ejecución estándar y rápida, trabajo local y en la nube, un agente o varios. Cada opción promete una combinación diferente de inteligencia, latencia y consumo.
Estos controles son útiles. También trasladan un nuevo problema de optimización al usuario.
Antes de delegar la tarea real, se nos pide que nos convirtamos en pequeños planificadores de capacidad.
No sabemos qué compra un token
Un litro de combustible y un kilovatio-hora son unidades físicas. Son predictores imperfectos de autonomía, pero los conductores pueden aprender gradualmente lo que significan.
Un token es más difícil de interpretar. Es una unidad de texto y computación, no una unidad de trabajo completado. Diez mil tokens pueden producir un excelente análisis, un intento fallido, una larga conversación sobre requisitos o los pasos finales de una función de software que ya ha requerido mucho más.
La misma tarea aparente también puede consumir cantidades muy diferentes dependiendo del repositorio, las herramientas disponibles, la cantidad de errores encontrados y el estándar de verificación. “Arreglar el bug” puede significar cambiar una línea. Puede significar pasar una hora descubriendo que el bug está en un sistema completamente diferente.
Esto hace que el medidor de uso sea psicológicamente poderoso pero operacionalmente débil. Nos dice cuánta energía está desapareciendo sin decirnos si nos estamos acercando al destino.
Cada elección parece que podría ser la equivocada
La elección del modelo crea otra capa de ansiedad.
Selecciona un modelo más pequeño o de menor esfuerzo y puedes ahorrar capacidad, pero tal vez malinterprete la tarea y requiera varios intentos. Selecciona el modelo más capaz y puedes preguntarte si has usado inteligencia premium en un trabajo que una opción más barata podría haber manejado. Elige velocidad y puedes preocuparte por el costo. Elige eficiencia y puedes pasar tu propio tiempo esperando.
Rara vez hay suficiente información para calcular la respuesta perfecta antes de que comience la tarea.
Esto produce una extraña forma de arrepentimiento por la decisión. Si el resultado es pobre, culpamos a la elección del modelo. Si el uso cae rápidamente, culpamos al nivel de esfuerzo. Si el agente tiene éxito fácilmente, nos preguntamos si pagamos de más.
La configuración óptima se vuelve obvia solo cuando ya no es útil.
La psicología del reinicio
Los límites de suscripción añaden sus propios comportamientos.
Cuando se acerca un reinicio, la capacidad no utilizada puede sentirse desperdiciada. Cuando el próximo reinicio está lejos, esa misma capacidad se siente valiosa. Un usuario con un veinte por ciento restante puede posponer trabajo valioso porque teme necesitar esos tokens más tarde. Otro puede lanzar tareas innecesarias poco antes de un reinicio porque dejar capacidad sin usar se siente como perder algo por lo que ya pagó.
Esto no es una asignación racional de recursos. Es la psicología familiar de la escasez, la expiración y el costo hundido aplicada a la inteligencia de máquina.
Diferentes productos de IA empaquetan el acceso de manera diferente, lo que hace que la intuición sea aún más difícil de transferir. Un hábito aprendido en Codex puede no aplicarse a Claude Code. Una suscripción personal puede comportarse de manera diferente a una API medida o una cuenta empresarial. El usuario debe aprender un nuevo indicador de combustible para cada vehículo.
Cuando la empresa paga, la ansiedad se vuelve política
La ansiedad por los tokens se vuelve más seria cuando el uso pertenece a un empleador.
Si una empresa paga por token, los empleados pueden no saber cómo es un uso responsable. ¿Una ejecución larga de un agente es evidencia de automatización productiva o de gasto descuidado? ¿Se fomenta la experimentación? ¿Hay un presupuesto por persona, por equipo o por resultado? ¿Alguien recibirá un informe mostrando quién consumió más?
Sin normas claras, las personas inventan las suyas. Eligen modelos más débiles, evitan el trabajo exploratorio, acortan los prompts, detienen agentes antes de la verificación o usan cuentas personales en silencio. Una empresa puede comprar IA poderosa y aun así enseñar a sus empleados a no usarla debido a la ambigüedad que rodea la factura.
Lo opuesto también es posible. Si el uso se siente ilimitado y nadie lo conecta con los resultados, los equipos pueden generar enormes cantidades de actividad sin crear valor significativo.
La respuesta no es más ansiedad. Es una economía más clara.
La paradoja de la optimización
Algo de optimización es sensata. Las tareas fáciles no siempre necesitan el modelo más capaz. Los flujos de trabajo repetidos deben hacerse más eficientes. Los bucles fallidos no deben permitirse consumir recursos para siempre.
Pero hay un punto en el que la optimización de tokens se vuelve autoderrotante.
Si un trabajador del conocimiento pasa quince minutos comparando modelos para ahorrar unos centavos, la organización ha optimizado el recurso más barato. Si un agente se detiene antes de ejecutar las pruebas porque la verificación cuesta tokens, la ejecución aparentemente eficiente puede crear costoso retrabajo humano. Si el miedo a usar un reinicio retrasa una tarea valiosa, la capacidad no utilizada se ha vuelto más importante que el resultado para el que se compró.
Podemos gastar más atención humana preocupándonos por los tokens de lo que valen los propios tokens.
Por eso creo que la métrica más útil no es solo el consumo. Como argumenté en La economía del megatoken, la mejor pregunta es qué valor económico producen esos tokens. Una ejecución costosa que completa un flujo de trabajo valioso puede ser eficiente. Una ejecución barata que no produce nada útil no lo es.
De un indicador de combustible a un indicador de confianza
Los mejores productos de IA no deberían mostrar solo un porcentaje y un reloj de reinicio. Deberían ayudar a los usuarios a responder la pregunta que realmente genera ansiedad: ¿puedo terminar esta tarea?
Eso podría significar estimar la capacidad probable requerida, advertir antes de que un modo seleccionado sea desproporcionado, reservar suficiente margen para la verificación o permitir que una tarea continúe de manera elegante con un modelo diferente. Podría significar explicar si el “uso restante” es un límite duro, una asignación continua o una estimación.
La interfaz debe comunicar confianza, no solo inventario.
Las organizaciones también tienen trabajo por hacer:
- Proporcionar valores predeterminados sensatos. La mayoría de los empleados no deberían tener que resolver un problema de enrutamiento de modelos antes de cada prompt.
- Ajustar el esfuerzo al riesgo. Usa configuraciones más capaces cuando los errores sean costosos, la tarea sea difícil de verificar o el resultado tenga alto valor.
- Definir presupuestos de experimentación. Las personas deben saber cuánta libertad tienen para aprender sin temer una revisión de costos invisible.
- Medir resultados junto con el uso. El costo solo tiene sentido cuando se compara con el tiempo ahorrado, la calidad mejorada, el riesgo reducido o el valor creado.
- Diseñar para la recuperación. Quedarse sin capacidad no debería significar abandonar una tarea a medio completar y perder todo el contexto invertido en ella.
Las personas pueden adoptar una regla simple: elegir un valor predeterminado razonable, cambiarlo cuando el riesgo justifique el cambio y evaluar el resultado en lugar de obsesionarse con el medidor.
La ansiedad es una señal de transición
Los primeros propietarios de vehículos eléctricos tenían que pensar constantemente en cargadores, rutas, temperatura y autonomía restante. A medida que mejoraron las baterías, se expandieron las redes de carga y las estimaciones se volvieron más confiables, gran parte de esa carga mental disminuyó.
La IA probablemente seguirá un camino similar. La capacidad será más barata. El enrutamiento será más automático. Los productos aprenderán qué modelo y nivel de esfuerzo requiere una tarea. Las organizaciones desarrollarán presupuestos y expectativas más claras.
Pero en 2026, todavía somos propietarios nuevos. Los indicadores son desconocidos, las estimaciones son inciertas y las redes de carga tienen reglas diferentes.
Por eso importa la ansiedad por los tokens. No es una queja de personas que quieren IA ilimitada. Es evidencia de que la IA agente se ha vuelto lo suficientemente real como para depender de ella, mientras que su economía e interfaces siguen siendo difíciles de confiar.
La industria ha hecho visible la inteligencia como un recurso consumible. Su próximo reto es hacer que ese recurso sea comprensible.
Hasta entonces, seguiremos mirando el medidor antes de comenzar el viaje.
No porque tengamos miedo de usar IA, sino porque ya no estamos seguros de si tenemos suficiente IA para llegar.
