El pricing por tokens, agentes y modelos puede desordenar el presupuesto de tu empresa. Aprende cómo medir y proyectar los costos de IA.
Duemint
|
La IA se volvió un costo variable: cómo controlarlo antes de que escale
Empresas que adoptaron IA para ganar productividad hoy enfrentan una nueva pregunta financiera: cuánto cuesta realmente usarla cuando los tokens, agentes y automatizaciones empiezan a escalar.
La primera etapa de adopción de IA en las empresas estuvo marcada por el entusiasmo: más productividad, más automatización, más velocidad. La segunda etapa está siendo menos cómoda, porque obliga a responder una pregunta que al principio nadie hizo: cuánto cuesta realmente usar IA cuando el consumo escala.
La señal más clara de que el problema ya no es solo tecnológico viene del mercado. Según reportó PYMNTS, ante el alza de costos de proveedores como OpenAI y Anthropic, un número creciente de empresas enterprise está evaluando modelos chinos y alternativas más baratas para sostener su operación de IA. Cuando una compañía cambia de modelo por presupuesto, la conversación dejó de ser de Tecnología y pasó a ser de Finanzas. En esta nota explicamos por qué la IA se volvió un costo variable, qué están haciendo empresas reales y cómo proyectar el gasto antes de que escale.
El nuevo problema: la IA ya no se comporta como un software de costo fijo
Durante años, presupuestar tecnología fue una multiplicación: usuarios por precio mensual, por doce meses. El software se compraba como una licencia fija, y daba lo mismo si el equipo lo usaba mucho o poco. La IA por consumo rompe esa lógica: el gasto ya no depende de cuántas licencias tienes, sino de cuánto la usas.
Modelo | Cómo se cobra | Qué lo hace difícil de proyectar | Riesgo para Finanzas |
|---|---|---|---|
SaaS tradicional | Usuarios x precio mensual | Nada: es fijo | Sobredimensionar licencias |
Chatbot IA por suscripción | Plan fijo por usuario | Poco: uso acotado por persona | Pagar planes que no se usan |
API por tokens | Input + output tokens x volumen | El volumen cambia con cada consulta | Gasto que crece sin aviso |
Agentes de IA | Múltiples llamadas por flujo | Una tarea dispara muchas ejecuciones | Costo por workflow impredecible |
Modelos más baratos u open source | Tarifa menor o infraestructura propia | El costo total incluye operación y mantención | Subestimar el costo real |
El cambio de fondo es este: antes Tecnología compraba una herramienta; ahora Finanzas necesita entender un consumo operativo que varía mes a mes.
Por qué las empresas están mirando modelos más baratos
La presión de costos está empujando decisiones que hace un año parecían impensadas. El reporte de PYMNTS describe a compradores enterprise evaluando modelos chinos —como los de las familias DeepSeek o Qwen— y otras alternativas más económicas, precisamente porque los costos de los proveedores líderes empezaron a pesar en el presupuesto.
No significa que un modelo más barato sea siempre la mejor decisión: puede implicar más trabajo técnico, menos capacidad en tareas complejas o consideraciones de datos. Pero el solo hecho de que la evaluación esté sobre la mesa dice algo importante: el costo dejó de ser un detalle y se volvió una variable de decisión. Y esa es exactamente la pregunta que Finanzas debe poder responder con números, no con intuición.
Qué está pasando en empresas reales
El caso más citado es el de las herramientas de coding con agentes. Según reportó Fortune, en Uber el consumo de tokens de estas herramientas tensionó el presupuesto de IA al punto de llevar la discusión a nivel ejecutivo y motivar la aplicación de límites de uso. Es un ejemplo claro de cómo un gasto que empieza pareciendo menor por unidad se vuelve relevante por volumen.
En paralelo, el rol de Finanzas cambió. Forbes reportó que los CFOs están tomando control del presupuesto de IA: dejó de ser un gasto que Tecnología maneja por su cuenta. Sumado a las empresas que evalúan modelos más baratos, el patrón es consistente: la etapa de "probemos IA sin mirar el costo" se está cerrando, y la de "sepamos exactamente qué consumimos y qué nos devuelve" está empezando.
Dónde se desordena el costo: tokens, contexto, agentes y frecuencia de uso
Para proyectar el gasto hay que entender de dónde sale. El cobro se basa en tokens, las unidades de texto que el modelo procesa, y se cobran distinto los de entrada (lo que envías: instrucciones, contexto, documentos) y los de salida (lo que responde). Las tarifas públicas de proveedores como Anthropic muestran esta estructura, además de mecanismos como el prompt caching, que reutiliza contexto ya procesado y puede abaratar consultas repetidas.
Sobre esa base, cuatro factores hacen escalar el gasto:
Contexto largo: cargar documentos extensos o historiales completos en cada consulta sube el costo por interacción.
Frecuencia de uso: un caso de uso que se ejecuta diez mil veces al mes pesa distinto a uno que corre cien.
Agentes con múltiples pasos: aquí está el mayor multiplicador. McKinsey, en su análisis de la economía de agentes, explica que un agente no hace una llamada al modelo sino muchas —lee, consulta, razona, corrige— y que el consumo tiende a concentrarse en pocos flujos intensivos.
Herramientas conectadas y equipos internos: búsqueda, integraciones y el uso repetido entre varias áreas suman por separado.
La factura final no es "la IA": es la suma de estas decisiones, que casi nunca pasan por Finanzas.
Cómo proyectar el gasto de IA antes de escalar
No necesitas una proyección perfecta. Necesitas una base razonable para comparar escenarios antes de aprobar un caso de uso. Una fórmula simple ordena la conversación:
Gasto estimado mensual = usuarios activos x frecuencia de uso x costo promedio por ejecución x número de ejecuciones o pasos del agente
No es exacta —los promedios se moverán—, pero sirve para lo que importa: comparar un escenario bajo, uno medio y uno alto. La pregunta clave no es "¿cuánto cuesta hoy?", sino "¿qué pasa con la factura si este caso de uso se multiplica por tres?". Esa proyección es la diferencia entre presupuestar la IA y reaccionar cuando ya escaló. Es la misma lógica de escenarios que se aplica al armar el presupuesto financiero de cualquier área.
Variable | Pregunta clave | Ejemplo práctico |
|---|---|---|
Usuarios activos | ¿Cuántas personas lo usan de verdad? | 30 del equipo de soporte |
Frecuencia de uso | ¿Cuántas veces al día o al mes? | 20 consultas por persona al día |
Tokens promedio | ¿Consultas cortas o con mucho contexto? | Respuestas largas con documentos adjuntos |
Modelo usado | ¿Premium o eficiente? | Modelo eficiente para clasificar tickets |
Pasos del agente | ¿Cuántas llamadas por ejecución? | Un agente con 6 pasos por tarea |
Costo por ejecución | ¿Cuánto cuesta completar la tarea una vez? | Costo unitario del workflow |
Ahorro esperado | ¿Qué horas o errores evita? | 2 horas por persona al día |
Escenario bajo / medio / alto | ¿Y si el uso se triplica? | Proyección para piloto, adopción y operación |
Qué preguntas debe hacerse Finanzas antes de aprobar un caso de uso con IA
Antes de dar luz verde a un caso de uso, o de escalarlo de piloto a operación, conviene tener respuesta a estas preguntas. Si faltan varias, todavía no es momento de escalar:
¿Qué proceso mejora y cómo?
¿Cuántas veces se ejecuta al mes?
¿Qué modelo necesita de verdad?
¿Puede resolverse con un modelo más barato?
¿Cuánto cuesta cada ejecución?
¿Cuánto ahorra o qué ingreso habilita?
¿Qué pasa con el costo si el uso se multiplica por tres?
¿Quién es dueño del presupuesto?
¿Cada cuánto se revisa el consumo?
Con esas respuestas, la decisión deja de ser un acto de fe y pasa a ser una decisión con datos.
Cómo decidir entre modelo premium, modelo barato o model routing
Uno de los errores más caros es usar el modelo más avanzado para todo. No todas las tareas lo necesitan, y la diferencia de precio entre un modelo premium y uno eficiente es relevante cuando se multiplica por volumen.
Tareas simples —clasificación, resúmenes internos, extracción de datos de una factura— suelen resolverse bien con un modelo eficiente y barato.
Tareas medias —análisis, redacción, soporte de primer nivel— admiten modelos intermedios según la calidad que se necesite.
Tareas críticas —razonamiento complejo, decisiones sensibles, automatizaciones de alto impacto— justifican el modelo premium.
La respuesta práctica es el model routing: derivar cada consulta al modelo más conveniente según su complejidad, en vez de mandar todo al más caro. Servicios como AWS Bedrock ofrecen este ruteo justamente para optimizar costo, calidad y latencia. La disciplina de fondo la resume la FinOps Foundation: medir, dar visibilidad y optimizar el consumo de forma continua, la misma lógica con que las empresas ya controlan su gasto en la nube.
Respuesta empresarial | Ejemplo | Qué aprende Finanzas |
|---|---|---|
Poner caps de uso | Uber limitando el consumo de herramientas de coding con IA | Un tope evita que un caso de uso se coma el presupuesto |
Evaluar modelos más baratos | Enterprise mirando modelos chinos u open source | El costo ya es criterio de decisión, no un detalle |
Separar pilotos de producción | Probar en un equipo antes de abrir a toda la empresa | Escalar sin medir es escalar un riesgo |
Usar model routing | Modelo eficiente para tareas simples, premium para críticas | No todo requiere el modelo más caro |
Medir costo por caso de uso | Asignar el gasto a cada proceso con IA | Permite comparar valor vs costo |
Revisar gasto por equipo | Reporte mensual de consumo por área | Ordena responsabilidad y presupuesto |
Crear alertas de sobreconsumo | Aviso al superar el 80% del tope | Detecta desvíos antes de la factura |
Es la misma claridad financiera que permite leer el flujo de caja como un CFO: saber de dónde sale cada peso antes de que se vuelva un problema.
Conclusión: la IA no se frena, se vuelve predecible
La ventaja competitiva no está en usar IA sin límites ni en usarla lo menos posible. Está en poder proyectar su costo y conectarlo con el valor que genera. Las empresas que hoy ponen caps, evalúan modelos más baratos y miden el costo por caso de uso no están frenando la IA: la están volviendo presupuestable.
El error no es adoptar IA rápido; es adoptarla sin claridad financiera y descubrir el gasto cuando ya escaló. Con proyección por escenarios, costo por workflow y una revisión periódica entre Finanzas y Tecnología, la IA deja de ser una línea de gasto impredecible y se vuelve una inversión que se puede medir, comparar y defender. Es el mismo criterio con que Finanzas ya evalúa cualquier decisión de tecnología, como vimos en IA y finanzas: la herramienta aporta cuando tiene un proceso, un costo claro y un resultado detrás.
Si quieres seguir recibiendo análisis prácticos sobre finanzas, automatización, IA y gestión empresarial, suscríbete al boletín de Duemint.
Preguntas frecuentes
¿Por qué la IA se volvió un costo variable?
Porque los principales proveedores cobran por uso —tokens, modelo elegido, herramientas conectadas, agentes— y no solo una licencia fija mensual. A más consultas, automatizaciones y contexto, más gasto. El costo depende del volumen de uso, no del número de licencias.
¿Por qué algunas empresas están mirando modelos chinos o más baratos?
Según reportó PYMNTS, el alza de costos de proveedores como OpenAI y Anthropic está llevando a compradores enterprise a evaluar alternativas más económicas, incluidos modelos chinos como DeepSeek o Qwen. No siempre es la mejor opción —puede implicar más trabajo técnico—, pero muestra que el costo ya es una variable de decisión.
¿Por qué los agentes de IA pueden disparar el gasto?
Porque un agente ejecuta múltiples pasos para completar una tarea, y cada paso consume tokens. Como explica McKinsey en su análisis de economía de agentes, el consumo se concentra en pocos flujos intensivos, por lo que una sola tarea automatizada puede costar mucho más que una consulta simple, sobre todo al repetirse miles de veces al mes.
¿Cómo proyectar el costo mensual de IA?
Con una estimación simple por escenario: usuarios activos x frecuencia de uso x costo promedio por ejecución x número de ejecuciones o pasos del agente. No busca precisión perfecta, sino comparar un escenario bajo, uno medio y uno alto para presupuestar antes de escalar.
¿Controlar los costos de IA significa usar menos IA?
No. Significa usarla con claridad financiera: presupuesto por caso de uso, model routing, caps y revisión de ROI. El objetivo es que el gasto sea proyectable y que cada peso invertido tenga un resultado medible.
