Gasto en AI de Uber más difícil de justificar: la empresa no ve aún el salto en features

El Gasto en AI de Uber más difícil de justificar ya es un debate interno a nivel ejecutivo: Andrew Macdonald, presidente y chief operating officer (COO) de Uber, aseguró que la compañía todavía no encuentra una relación clara entre el aumento del consumo de tokens (en herramientas como Claude Code) y la entrega de más funcionalidades útiles para los usuarios. El mensaje llega después de que se reportara que Uber agotó su presupuesto anual de AI apenas cuatro meses dentro de 2026, un indicador de la presión financiera que está imponiendo el uso intensivo de modelos generativos en entornos corporativos.

Por qué el Gasto en AI de Uber más difícil de justificar cambia la narrativa

En una entrevista pública, Macdonald planteó que, aunque podría haber “más cosas” saliendo a producción, hoy es “muy difícil trazar una línea” entre métricas como token consumption y un incremento medible en productividad del producto, por ejemplo, “25 por ciento más” de consumer features realmente valiosas. En otras palabras: el coste variable de la AI (tokens) está creciendo más rápido que la capacidad de demostrar retorno directo en shipping de funcionalidades.

La conversación es especialmente relevante porque el consumo de tokens se está convirtiendo en una unidad de coste comparable —y en algunos equipos, sustituta— del gasto tradicional en headcount. Si la empresa no puede demostrar que el gasto se traduce en releases y mejoras visibles, el Gasto en AI de Uber más difícil de justificar deja de ser un problema de adopción tecnológica y pasa a ser una cuestión de disciplina financiera y estrategia de producto.

Contexto financiero: I+D, AI y contratación

Uber reportó un gasto de 3.4 mil millones de dólares en research and development (R&D) durante 2025, un 9 por ciento más que el año anterior, según cifras citadas en el artículo original. En paralelo, el CEO Dara Khosrowshahi señaló este mes que la compañía está compensando el aumento de inversión en AI con la contratación de menos empleados humanos, reforzando la idea de sustitución parcial entre coste de tokens y crecimiento de plantilla.

Macdonald sintetizó el dilema: si la organización no puede conectar directamente cuánto “features and functionality” está entregando a sus usuarios con el coste que implica el consumo de tokens, esa ecuación se vuelve cada vez más complicada. De ahí que el Gasto en AI de Uber más difícil de justificar esté entrando en el terreno de métricas, accountability y priorización de roadmap.

Qué implica para el mercado de AI en empresas

• Pone el foco en medición de impacto: no basta con adoptar copilots o agentes; las compañías empiezan a exigir trazabilidad entre coste (tokens) y output (features, revenue, eficiencia).

• Refuerza la tendencia hacia gobernanza de uso: budgets de AI, límites por equipo y observabilidad del consumo para evitar “runaway spend”.

• Anticipa presión sobre vendors y modelos de pricing: el debate sobre costes por token puede empujar a negociaciones enterprise y optimización (model selection, caching, prompt efficiency).

Uber no ha detallado públicamente qué cambios aplicará en su política de consumo o qué metas internas usará para ligar tokens a resultados, pero el mensaje del COO marca un punto de inflexión: el Gasto en AI de Uber más difícil de justificar ya no es una hipótesis, sino un síntoma de madurez del ciclo de adopción de AI en grandes tecnológicas con foco en eficiencia.

Fuentes y enlaces: entrevista citada por el medio original y declaraciones relacionadas con contratación y AI; para contexto corporativo, puede consultarse la página de relaciones con inversores de Uber: https://investor.uber.com/, y la información oficial de Anthropic sobre Claude y su enfoque de producto: https://www.anthropic.com/. En conjunto, el Gasto en AI de Uber más difícil de justificar ilustra el nuevo estándar: AI sí, pero con ROI demostrable.