Durante los últimos dos años, muchas empresas adoptaron herramientas de inteligencia artificial con una mezcla de urgencia y entusiasmo. La orden era avanzar rápido, probar los modelos más potentes y llevar la IA a programación, atención al cliente, análisis, documentación y procesos internos. El problema es que esa expansión empieza a mostrar una factura mucho más difícil de ignorar.
El precio por token ha bajado, pero el consumo se ha disparado. La paradoja es sencilla: cada consulta individual puede ser más barata, pero las empresas usan cada vez más IA, modelos más capaces y agentes autónomos que ejecutan tareas largas, encadenadas y repetidas. El resultado es que el gasto total crece mucho más rápido de lo esperado.
La fuente recoge ejemplos que muestran el cambio de clima. Uber habría agotado en abril todo su presupuesto de programación de IA para 2026. Microsoft revocó licencias de Claude Code a desarrolladores pocos meses después de habilitarlas. En Priceline, una renovación rutinaria de Cursor habría llegado con un coste entre cuatro y cinco veces superior.
Lo que antes se vendía como una suscripción casi ilimitada empieza a parecerse más a una infraestructura crítica con costes variables y difíciles de prever. Las empresas ya no solo preguntan qué puede hacer la IA, sino cuánto cuesta cada uso, quién lo está usando, qué modelo conviene en cada tarea y si ese gasto se traduce realmente en valor.
Del entusiasmo por la IA al miedo a la factura
El problema se agravó con la llegada de modelos más avanzados y agentes capaces de trabajar de forma más autónoma. Estas herramientas pueden producir más, pero también consumen más tokens. En algunos equipos, el uso creció antes de que existieran controles financieros, límites técnicos o métricas claras para saber si el gasto merecía la pena.
Ahí aparece una tensión incómoda. Algunos datos sugieren que los desarrolladores que usan más IA pueden ser más productivos, pero también gastan muchos más tokens y generan más errores o reescrituras de código. La pregunta ya no es solo si la IA acelera el trabajo, sino si el resultado final compensa el coste.
Un directivo citado en la fuente resumía bien esa duda al contar que un solo ingeniero había gastado 40.000 dólares en tokens en un mes. El dilema no era evidente: quizá había que detenerlo, o quizá había que pedir al resto del equipo que trabajara igual si el valor generado era mayor que el gasto.
Esa es la parte que muchas compañías todavía no saben medir. Pueden ver la factura del proveedor, pero no siempre pueden conectar ese gasto con ingresos, código útil, mejoras reales de productividad o reducción de tiempos. Sin esa medición, la IA se convierte en una partida creciente del presupuesto que todos usan, pero pocos entienden del todo.
La escala técnica tampoco ayuda. Controlar el gasto en la nube ya era complejo. Controlar el gasto en tokens puede serlo todavía más, porque cada interacción con modelos, agentes, herramientas de programación y flujos automatizados genera enormes volúmenes de datos de uso. No basta con mirar una factura mensual y dividirla entre departamentos.
Nace un mercado para controlar el gasto en tokens
La consecuencia lógica es que está apareciendo un nuevo mercado alrededor de la contabilidad de la IA. Empresas especializadas prometen medir, auditar y optimizar el gasto en modelos generativos. Algunas herramientas buscan saber qué equipos consumen más tokens, qué tareas producen valor y cuándo conviene usar un modelo más barato en vez del más potente.
También están entrando actores ya conocidos en observabilidad, gestión de gasto y nube. Ramp, Datadog, New Relic, AWS y otras compañías están incorporando funciones para seguir costes de IA, monitorizar uso de GPU, analizar consumo a nivel de token y ofrecer más visibilidad a los equipos financieros y técnicos.
La Linux Foundation, por su parte, presentó la Tokenomics Foundation, un intento de crear estándares comunes para este nuevo terreno. La idea es poner orden en conceptos que todavía son bastante opacos: cuánto cuesta realmente un token, cómo comparar proveedores, qué significa eficiencia de un modelo y cómo medir el coste por inteligencia o los tokens por vatio.
Ese lenguaje común puede volverse necesario porque cada proveedor factura de forma distinta y cada empresa usa la IA de manera diferente. Sin definiciones compartidas, comparar gastos entre modelos, equipos o herramientas puede ser casi imposible. Y cuando una tecnología empieza a comerse presupuestos completos, la falta de claridad deja de ser un detalle técnico.
La solución no parece ser prohibir el uso de IA dentro de las empresas. Tampoco tiene sentido empujar a todos los empleados a usar modelos avanzados sin límites. La estrategia más sensata apunta a un punto intermedio: extender el uso moderado donde aporte valor, reservar los modelos más caros para tareas que realmente lo justifiquen y medir con más rigor qué se obtiene a cambio.
La IA ya no vive en la fase cómoda del experimento gratuito o la suscripción generosa. Está entrando en la etapa de la factura real. Y ahí muchas compañías están descubriendo algo bastante simple: la inteligencia artificial puede ahorrar tiempo, pero si no se gobierna bien también puede convertirse en una máquina perfecta para quemar presupuesto.
