Impacto & Producto · N.º 42

Los story points de la IA

Ron Jeffries dice que quizá inventó los story points y que, si fue así, lo siente. Este año les hemos encontrado sustituto: medir a las personas por los tokens que gastan.

Carlos Iglesias
Ilustración plana sobre fondo azul: un cuentarrevoluciones con la aguja clavada en la zona roja.

Ron Jeffries, uno de los creadores de Extreme Programming, lleva años diciendo que quizá inventó los story points y que, si fue así, ahora lo siente. Nacieron como un apaño. Su equipo estimaba en «días ideales», los clientes no entendían por qué un día ideal costaba tres días reales, y alguien propuso llamarlos puntos. Servían para una sola cosa, decidir cuánto trabajo cabía en una iteración.

Lo que vino después lo conocemos bien. Los puntos acabaron en el dashboard del comité, la velocity se convirtió en objetivo y los equipos empezaron a compararse entre sí (ya hablé de mover tarjetitas en Jira en la segunda edición de esta newsletter). Jeffries lo dice sin rodeos: comparar equipos por su velocity hace daño. Un instrumento pensado para conversar dentro del equipo acabó convertido en una nota de rendimiento. Este año estamos repitiendo la historia con la IA.

Pisar el acelerador en punto muerto

En abril, The Information contó que un empleado de Meta había montado Claudeonomics, un ranking interno con los 250 mayores consumidores de tokens de una plantilla de más de 85.000 personas. Con títulos incluidos, como «Token Legend» o «Cache Wizard». Según recogía Fortune, la plantilla superó los 60 billones de tokens en 30 días, el primero de la lista sumaba 281.000 millones (más de 1,4 millones de dólares al precio de Claude Opus) y había quien dejaba agentes trabajando durante horas para subir puestos. El ranking cerró dos días después de que se publicara la noticia.

Tampoco es cosa solo de Meta. Tobi Lütke escribió en 2025 que el uso de IA entraría en las evaluaciones de desempeño de Shopify, y su memo se convirtió en un género. En la misma pieza de Fortune, Jensen Huang dice que le alarmaría que un ingeniero que cobra 500.000 dólares no gastara al menos 250.000 en tokens. Al fenómeno ya le han puesto nombre, tokenmaxxing.

El story point al menos intentaba estimar trabajo. El token registra consumo, es el coste de la operación. Usarlo como señal de rendimiento equivale a evaluar a un comercial por los kilómetros que hace con el coche de empresa. Con los story points confundíamos output con outcomes. Con los tokens damos un paso más atrás y medimos el combustible. Premiar el gasto de la máquina como si fuera rendimiento es pisar el acelerador en punto muerto. El motor ruge y el coche no se mueve.

Con un matiz. Al principio de una adopción, medir el uso tiene sentido. En marzo de 2023 Zapier pasó en una semana de un 10 % a un 50 % de personas usando IA cada semana, y ese dato le contaba algo útil a la empresa sobre sí misma. El problema llega cuando la cifra baja de la organización a la persona. Toni Tassani lo explicaba en el Runroom LAB sobre productividad: en Ocado, las métricas sirven para encontrar fricciones y no para evaluar a nadie. Se mide el sistema.

Del uso al criterio

Zapier también ha tenido que corregir el rumbo. En mayo de 2025 publicó la rúbrica con la que decide si una persona candidata sabe trabajar con IA, y cientos de empresas la copiaron para sus propios procesos de selección. Aquella primera versión se fijaba sobre todo en si la persona usaba IA y con qué frecuencia. Hace unas semanas, en el podcast de Aakash Gupta, Wade Foster, su CEO, admitía el problema. Traduzco: «La V1 solo filtraba por uso. Y el listón se mueve constantemente con la IA». En 2025, usar IA a diario todavía distinguía a una candidatura. En 2026 lo hace casi todo el mundo, así que preguntar si alguien usa IA ya no te dice si trabaja bien con ella.

La versión 2, de marzo, evalúa cuatro cosas: mentalidad, estrategia, capacidad de construir y responsabilidad. Y mira el trabajo. En producto, el nivel inaceptable describe a alguien cuyo trabajo antes y después de la IA se parece mucho. Ninguna de esas cuatro dimensiones aparece en un contador de tokens. Foster lo resume en una frase: con IA puedes delegar el trabajo, pero no la responsabilidad.

Duolingo llegó al mismo sitio por el camino contrario. En 2025 anunció que evaluaría a su plantilla por el uso de IA y en abril dio marcha atrás. Luis von Ahn lo explicaba así: «Parecía que, en lugar de responder por el resultado real, estábamos empujando algo que en algunos casos no encajaba». Las empresas que más lejos llegaron midiendo el uso han vuelto a mirar el trabajo y a quién responde de él.

Ojo, que una rúbrica también se puede rellenar sin pensar. La de Zapier tiene cuatro niveles (inaceptable, capaz, adoptivo y transformador), y es fácil acabar asignando uno a cada persona como quien rellena un formulario. Solo sirve si alguien mira lo que esa persona ha hecho y decide con criterio en qué nivel está. Foster da dos pistas para que no se convierta en un trámite. La primera, que el nivel más alto tiene que ser escaso: en un equipo de 40 PMs, calcula que quizá lo merezca uno. Si medio equipo saca la nota máxima, la rúbrica deja de distinguir, igual que le pasó al uso. La segunda, que desconfía de quien está siempre en ese nivel, porque suele ser alguien que se pasa el día afinando sus herramientas de IA en lugar de sacar trabajo adelante.

Lo que no sale en ninguna oferta

Mientras tanto, la IA ha entrado por otra puerta en la conversación sobre personas. Carlos Molina recogía hace tres semanas en MultiVersial un artículo del Wall Street Journal sobre empresas que usan servicios de benchmarking salarial con IA. Agregan ofertas de empleo públicas y datos de mercado para detectar a quién se le paga por encima o por debajo. Su comentario: «Ahora la banda salarial la decide la IA».

Esa herramienta compara lo que se puede comparar. El puesto, los años de experiencia, la ciudad, el stack. Justo la parte del trabajo que la IA está abaratando. El criterio no sale en ninguna oferta de empleo, así que tampoco entra en la comparación. Pedimos criterio a las personas y les ponemos precio por lo que tienen en común con las demás.

Comparar con el mercado tiene su sentido. Da transparencia y ayuda a corregir desigualdades. El problema aparece cuando es la única conversación. Si el ranking de tokens decide quién trabaja bien y el benchmarking decide cuánto vale, las dos decisiones se toman con instrumentos que no ven lo que dicen valorar. Es la fetichización de siempre: se conserva el número y se olvida lo que había detrás.

Los tokens te dicen cuánto ha trabajado la máquina. Para saber quién ha pensado, sigue haciendo falta mirar el trabajo.

¿Qué señal usáis en vuestro equipo para saber si alguien trabaja bien con IA? Me interesa sobre todo cómo lo veis en el trabajo del día a día, más allá de lo que digan las herramientas. 🤔


Si te dedicas a personas y talento, el jueves 5 de noviembre hacemos en Runroom Barcelona el Talent Open Space 2026: Human-centered AI, de 9 a 14 h. Es un Open Space, sin ponentes ni agenda previa. Los temas los proponen las personas asistentes al empezar la jornada. Entre los que pueden salir están cómo convive la IA con los planes de desarrollo y la evaluación, y qué formar en IA, la herramienta o el criterio. Está pensado para direcciones de Personas, responsables de formación y Learning & Development, equipos de Talent Acquisition y managers que acompañan la adopción de la IA en sus equipos. Es gratuito y el aforo está limitado a 60 personas (si te interesa, no te duermas).