Uber busca métricas para justificar el gasto en herramientas de inteligencia artificial y el uso masivo de tokens

Las tensiones internas por el gasto en inteligencia artificial ganaron visibilidad en Uber después de que ejecutivos admitieran dificultades para justificar el costo de las herramientas de IA frente a mejoras concretas para los usuarios.

El foco se encendió tras comentarios del director de operaciones, Andrew Macdonald, sobre la falta de una relación medible entre consumo de “tokens” y nuevas funciones.

En una entrevista citada por The Information y recogida por Business Insider, Macdonald señaló que Uber aún no puede trazar una línea directa entre el aumento del uso de servicios de IA para programación y un crecimiento proporcional de funcionalidades útiles para el cliente, un punto que abrió un debate interno sobre el retorno de inversión de estas tecnologías.

El detonante, según los reportes, fue una intervención del director de tecnología, Praveen Neppalli Naga, quien afirmó que la compañía ya había gastado el presupuesto de 2026 destinado a Claude Code, lo que provocó un “momento de cabeza explotando” entre líderes de la firma y aceleró discusiones sobre control de costos y consumo de tokens.

El episodio se convirtió en un caso de estudio interno sobre cómo escalan los gastos cuando la experimentación se masifica.

Macdonald explicó que, en conversaciones con ingenieros sénior, encontró una desconexión entre el uso intensivo de tokens y la entrega de novedades visibles para los clientes.

“Esa relación todavía no existe”, dijo, y agregó que resulta difícil afirmar, con métricas, que el gasto se traduzca en “un 25% más de funcionalidades útiles” para consumidores, incluso si puede haber mejoras implícitas en productividad.

Presión presupuestaria y efectos en las contrataciones

La discusión sobre el costo de la IA coincidió con señales de ajuste en el gasto operativo. En reportes que compilan declaraciones públicas y entrevistas, se indicó que el CEO Dara Khosrowshahi confirmó una desaceleración en las contrataciones como parte de un equilibrio financiero entre inversión en inteligencia artificial y otras prioridades de la empresa.

Macdonald también remarcó un punto que atraviesa a buena parte del sector: para un empleado, probar nuevas aplicaciones de IA puede parecer “gratis” en el día a día, pero la cuenta final la asume la compañía.

Ese contraste, según el directivo, vuelve más exigente el umbral de evidencia interna: no alcanza con usar más modelos si no se demuestra impacto directo en producto, eficiencia o experiencia del usuario.

La situación ocurre mientras varias grandes tecnológicas intensifican la adopción de asistentes de programación y sistemas basados en modelos de lenguaje, con costos que crecen a medida que aumenta el volumen de consultas, pruebas y automatizaciones.

En ese contexto, el debate en Uber gira en torno a qué métricas deben gobernar la inversión: consumo de tokens, velocidad de entrega de software, calidad del código, reducción de incidentes o mejoras verificables en el servicio.

Otras empresas revisan métricas de uso de IA

La discusión no es exclusiva de Uber. En Duolingo, el CEO Luis von Ahn dio marcha atrás con la idea de centrar evaluaciones de desempeño en cuánto usaban IA los empleados, tras dudas internas sobre si la métrica empujaba a utilizar herramientas “por cumplir”, más que por aportar resultados.

En una entrevista citada por Fortune, von Ahn explicó que la compañía rectificó: “Lo más importante en tu desempeño es que estás haciendo tu trabajo lo mejor posible… Si [la IA] no puede ayudar, no voy a obligarte”.

Luego sintetizó el problema: “Se sentía como si, en lugar de ser responsables por el resultado real, solo queríamos impulsar algo que, en algunos casos, no encajaba”.

El giro de Duolingo se volvió un antecedente relevante para el sector porque expone una tensión común: convertir el uso de IA en objetivo puede inflar el consumo —y el gasto— sin garantizar mejoras en calidad, velocidad o impacto en el usuario final.

Con ese telón de fondo, el caso de Uber muestra un cambio de fase en la adopción corporativa de la IA: del entusiasmo inicial y la experimentación amplia a la exigencia de trazabilidad financiera y productiva, con discusiones internas sobre qué se gana —y qué se sacrifica— cuando el presupuesto para herramientas de IA se agota antes de lo previsto.