Usarla puede costar más que el empleo a reemplazar
La diferencia entre el software tradicional y los modelos de lenguaje de inteligencia artificial es notable. Mientras que normalmente se paga por usuario o por licencia, aquí el costo se mide por volumen de procesamiento. Cada palabra que ingresa y cada respuesta que el modelo genera cuentan como un consumo de tokens.
Imagina esto: si cada uno de tus empleados utiliza estos sistemas diariamente, la cuenta puede dispararse de manera inesperada. ¡Y eso es algo que muchas empresas no anticiparon!
Ejemplos claros de la realidad
Un caso que ilustra esto a la perfección es el de Uber. La compañía implementó Claude Code, un asistente de programación de Anthropic, para unos 5.000 ingenieros. Aunque 95% de los desarrolladores empezaron a usar la IA de forma habitual, el presupuesto para herramientas de inteligencia artificial se agotó en solo cuatro meses. Esto ocurrió porque el consumo de tokens superó todas las proyecciones.
El presidente de Uber, Andrew Macdonald, admitió que la empresa enfrenta un desafío recurrente: demostrar que el aumento en el gasto realmente trae mejoras para el negocio. A pesar de que la productividad interna parece aumentar, cuando se traduce a términos económicos, no compensa la inversión realizada.
Un cambio en la economía del software
Lo que le sucedió a Uber refleja una transformación en la economía del software empresarial. Durante años, las empresas pagaron licencias bastante previsibles por empleado. Ahora, con la IA generativa, el costo depende más de cuánto y cómo se utilizan las herramientas.
Por ejemplo, redactar un correo gasta pocos recursos, pero un asistente que analiza grandes volúmenes de código puede consumir miles de tokens en escasos minutos. Este uso intenso de recursos se ha apodado “tokenmaxxing”, un término que describe el esfuerzo por obtener la máxima productividad posible de estas tecnologías.
El desafío radica en que cada aumento en el uso de tokens representa un incremento directo en los gastos operativos. Aunque el precio por token ha ido bajando debido a la competencia, el volumen usado sigue creciendo a pasos agigantados.
De la euforia a la cautela
Microsoft también ha tenido que ajustar su estrategia. Se ha informado que la empresa ha comenzado a retirar licencias de Claude Code y migrar a herramientas internas como GitHub Copilot CLI. Esta movida está directamente relacionada con el control de gastos tras el uso intensivo de modelos ajenos.
Así, muchos grandes corporativos están pasando de una etapa de euforia y expansión a una de administración estricta del consumo. Se establecen límites, se evalúan los retornos de inversión y se pide cautela ante el creciente uso de tecnologías de IA.
Es curioso que las advertencias vengan de las mismas empresas que lideran el desarrollo de esta tecnología. Bryan Catanzaro, vicepresidente de NVIDIA, comentó que el costo del cómputo para ejecutar inteligencia artificial ya supera el de los salarios de los empleados en esos proyectos.
Agentes potentes, pero costosos
El aumento de costos no solo se debe a lo que cobran las empresas que desarrollan herramientas de IA. Existe una infraestructura costosa detrás de cada consulta, que incluye procesadores gráficos potentes y redes de alta velocidad. Cada interacción con un modelo de lenguaje requiere de recursos masivos, especialmente cuando las consultas son complejas.
A medida que los agentes de IA evolucionan, su capacidad para realizar múltiples tareas también incrementa el consumo de tokens. Esto ha llevado a muchas empresas a revisar sus políticas sobre el uso de estas herramientas antes de invertir en su implementación total.
El panorama está cambiando y también la forma en que las empresas miden el retorno sobre la inversión. Con el avance de la IA generativa, un empleado puede hacer un trabajo en la mitad del tiempo, pero si el costo en tokens es alto, el ahorro salarial puede quedar opacado por el aumento en la factura tecnológica.
Por eso, muchas corporaciones ahora implementan políticas de gobernanza que incluyen límites de consumo y seguimientos específicos para determinar si la inversión realmente está generando beneficios tangibles. La meta ya no es usar IA de manera ilimitada, sino hacerlo donde el impacto justifique el costo.