La propina

Recuerdo la primera vez que comí hot pot. Fue en Beijing, en 2008: la olla de caldo hirviendo al centro de la mesa, los ingredientes crudos alrededor, y la regla que lo cambia todo, que aquí cocina uno mismo. Yo lo probaba todo por primera vez.

El servicio de esa tarde fue excepcional. Al pagar hice lo que habría hecho en cualquier otra ciudad del mundo: dejé una buena propina y salimos.

Íbamos saliendo cuando los empleados nos alcanzaron afuera del lugar, visiblemente avergonzados, para devolverme la propina. No era una regla de la casa ni un malentendido de turista, sino ofensa: mi agradecimiento les decía que su mejor esfuerzo estaba en venta, y no lo estaba. La excelencia era su identidad.

Me tardé años en dimensionar esa escena, y la terminé de entender hace poco en un lugar que no tiene nada que ver con un restaurante: la pantalla donde configuro los modelos de inteligencia artificial con los que trabajo. El esfuerzo que en Beijing no estaba en venta, aquí viene en menú. De eso viene la pieza de esta semana.

El menú del esfuerzo

la propina por adelantado el esfuerzo de la máquina viene en niveles, el máximo no tiene techo de gasto, y el pensamiento se cobra completo aunque no lo veas →

Con humanos, la propina llega después del servicio. Es gratitud por un esfuerzo que ya ocurrió y que nadie te garantizó: el guía que no solo me orientó, sino que me acompañó cuadras enteras hasta asegurarse de que yo iba por el buen camino, se ganó la suya sin pedirla. Primero el esfuerzo, luego el reconocimiento, y en medio, la libertad de no darlo.

Con la inteligencia artificial es exactamente al revés: el esfuerzo se compra antes. Los modelos de razonamiento (los que se toman más tiempo y más cómputo para pensar antes de contestar) traen un menú explícito de niveles de esfuerzo que va de bajo a máximo. La documentación oficial de Anthropic describe el nivel máximo sin rodeos: capacidad absoluta, sin restricciones en el gasto de tokens. En la de OpenAI el parámetro se llama tal cual esfuerzo de razonamiento. La propina dejó de ser agradecimiento y se volvió parámetro.

Y hay un detalle del cobro que en un restaurante sería escándalo: el esfuerzo se factura completo aunque no lo veas. Los tokens, las unidades en que estas máquinas miden y cobran el trabajo, que el modelo gasta pensando se cobran como si fueran respuesta, y la propia documentación lo advierte: se te cobra el proceso de pensamiento completo, no el pensamiento visible. En el ejemplo oficial de OpenAI, el 86% de la salida facturada es razonamiento que el usuario nunca ve.

Pagas al mesero o al sommelier por tener cuidado extra en su recomendación, aunque no te enteres de cómo llegó a ella.

Cada cultura resolvió la propina a su manera. En Japón y buena parte de China ofende, porque la excelencia es el estándar. En Francia viene en la cuenta: service compris, servicio incluido. En México es discrecional, entre la gratitud y la costumbre (salvo en algunas taquerías). Y en Estados Unidos el esfuerzo quedó amarrado a la propina esperada, con la pantalla que te sugiere de entrada el 25%. De todos los modelos, la IA parece elegir el más cercano a sus creadores, el último.

La propina prometida

la reliquia antes de que el esfuerzo tuviera precio le prometíamos propinas al modelo, y la historia real de ese experimento es mejor que el mito →

Hace menos de tres años este menú no existía: no había manera de pagarle el esfuerzo al modelo, así que se lo prometíamos. En diciembre de 2023 un usuario probó qué pasaba si al pedirle código a la IA le ofrecía propina en el texto de la petición: con 200 dólares prometidos, las respuestas salieron 11% más largas. Más largas: el experimento midió longitud, con cinco corridas por condición y una sola pregunta. Nunca midió calidad.

Y hay un detalle que me encanta: cuando el usuario preguntó cómo enviar la propina prometida, el modelo la rechazó. En 2023 las máquinas todavía devolvían la propina en la puerta; hoy la traen en el menú.

El mito lo fabricó un círculo vicioso que ya hemos visto en otros terrenos, del glutamato monosódico (al que le colgaron hasta un “síndrome del restaurante chino”) al vínculo desmentido entre vacunas y autismo. Un artículo académico sin revisión de pares convirtió aquello en un principio de redacción de instrucciones, los agregadores le acuñaron un “45% de mejora” que solo vivía en una gráfica, y la promesa de propina entró a los cursos. Cuando alguien lo midió en serio, en Wharton en 2025, con propinas de mil dólares y hasta de “un billón”, amenazas incluidas, cinco modelos y uno de razonamiento entre ellos, el efecto fue nulo, con vaivenes impredecibles de más menos 35 puntos por pregunta. Le rezábamos a la máquina, y ni siquiera funcionaba. Es el mismo camino de las fórmulas mágicas del prompt que contamos hace dos semanas: el ritual se muere, y lo que lo reemplaza es un medidor.

Músico pagado toca mal son

el criterio razonar de más empeora el resultado (y quedarse con la solución de menos vueltas ahorra 43% de cómputo); regatear en lo crítico te deja con la mitad →

El menú abre dos maneras de equivocarse. La primera es la propina obligada: pagar esfuerzo máximo en todo, hasta en lo que se resuelve en una servilleta, como el producto que te pasan de detrás del mostrador con la mano ya estirada. Eso, más que sofisticación, es falta de criterio, y está medido que sale caro dos veces: un estudio sobre 4,018 corridas de agentes en tareas reales de programación encontró que los modelos que más sobre-razonan resuelven peor, y que quedarse con la solución que menos vueltas le da mejora el desempeño casi 30% mientras reduce el costo de cómputo 43%. Hay registro de un modelo generando trece soluciones distintas para cuánto es dos más tres.

Es el equivalente al mesero que te recomienda el corte más caro sin decirte el precio.

La segunda es regatear donde no se regatea. En los problemas difíciles el razonamiento no es lujo: el laboratorio detrás de uno de los modelos abiertos más conocidos midió su versión con razonamiento contra su base sin él, en problemas de matemáticas de competencia, y el resultado fue 79.8% contra 39.2%. Menos de la mitad, por ahorrarse el esfuerzo justo donde el esfuerzo era la diferencia.

Me queda claro, cobrar el esfuerzo de frente, en un menú con niveles y precios públicos, es más honesto que esconderlo, y el medidor al menos te deja elegir. Ni el restaurante ni el menú tienen la culpa: en este caso es sentarse sin saber qué pedir.

De vuelta a la puerta

el lunes

He pensado mucho en qué me quisieron decir los empleados al devolverme la propina en plena calle (además, no sé mucho mandarín). No era que el esfuerzo no valiera, sino que no todo esfuerzo se compra: el suyo se daba completo por decisión propia, o no se daba. Dieciocho años después trabajo con máquinas que son su opuesto exacto: no dan nada por identidad y venden todo por parámetro.

La pregunta para el lunes es la del menú: antes de activarle el esfuerzo máximo a una tarea, pregunta qué cuesta equivocarse en ella. Si equivocarse es barato, esfuerzo estándar y a otra cosa. Si equivocarse es caro, la propina va por adelantado y sin regatear. En el libro le llamo acotar: decidir qué merece revisión antes de pedirla. Es la misma decisión, solo que ahora trae precio. Y la pregunta de fondo, para tu organización: ¿quién decide hoy cuándo se deja propina y cuándo no? La máquina ya aprendió a cobrar por esforzarse, y ese criterio no viene en el menú.

Aquella tarde en Beijing quise pagar un esfuerzo que no estaba en venta. Hoy tengo enfrente un menú donde todo el esfuerzo tiene precio, y me acuerdo de esa puerta cada vez que lo abro: lo que sigue sin poderse comprar es saber cuándo vale la pena pagar.

Esa fue la pieza de esta semana.

---

— JP