//
La expansión de la inteligencia artificial (IA) generativa en grandes empresas comenzó a generar un inesperado problema financiero: utilizar estas herramientas a gran escala puede resultar más costoso de lo previsto. Compañías de distintos sectores incorporaron sistemas capaces de escribir código, analizar datos, generar informes y automatizar tareas con el objetivo de reducir tiempos y gastos, pero al pasar de las pruebas iniciales al uso cotidiano comenzaron a enfrentar facturas elevadas por el consumo de procesamiento, infraestructura digital y energía.
El fenómeno no significa que la adopción de IA haya fracasado, sino que su crecimiento interno generó un nuevo desafío: cuanto más eficiente se vuelve la herramienta y más empleados la utilizan, mayor es el gasto asociado a su funcionamiento. Los proveedores de modelos como OpenAI, Anthropic y Google cobran según el volumen de procesamiento utilizado, medido en tokens, que representan la cantidad de información que los sistemas reciben y generan.
A diferencia del software tradicional, donde las empresas suelen pagar licencias por usuario, los costos de la IA dependen principalmente de la intensidad de uso. Una consulta simple puede representar un gasto menor, pero tareas complejas como analizar grandes cantidades de código, ejecutar pruebas automáticas o trabajar con bases de datos extensas pueden multiplicar rápidamente el consumo.
Uber agotó en meses su presupuesto para herramientas de IA
Uno de los casos más representativos es el de Uber, que incorporó Claude Code, el asistente de programación desarrollado por Anthropic, para miles de ingenieros de la compañía.
La adopción fue amplia: alrededor del 95% de los desarrolladores comenzó a utilizar herramientas de inteligencia artificial y cerca del 70% del código incorporado en los repositorios tenía participación de IA. Sin embargo, ese crecimiento también generó un aumento inesperado en los costos.
Según explicó el presidente y director de operaciones de Uber, Andrew Macdonald, el presupuesto anual destinado a estas herramientas se agotó después de apenas cuatro meses debido al elevado consumo de tokens.
El ejecutivo señaló que uno de los principales desafíos actuales es demostrar que el aumento del gasto tecnológico se traduce en beneficios concretos para el negocio. Aunque la productividad interna parece mejorar, todavía resulta complejo establecer si esas mejoras compensan la inversión realizada.
La nueva economía del software impulsada por los tokens
La inteligencia artificial modificó la forma en que las compañías calculan sus gastos tecnológicos. Durante años, el costo de una herramienta informática estaba relacionado principalmente con la cantidad de empleados que tenían acceso.
Ahora, con los modelos generativos, el factor determinante es la cantidad y complejidad de las tareas realizadas por la IA.
Un asistente utilizado para redactar textos simples requiere pocos recursos, mientras que un agente capaz de revisar miles de líneas de código, ejecutar programas, buscar información y corregir errores puede generar un consumo mucho mayor en pocos minutos.
Dentro de la industria tecnológica comenzó a utilizarse el término "tokenmaxxing" para describir el uso intensivo de modelos de inteligencia artificial con el objetivo de obtener la máxima productividad posible. El problema es que cada aumento en el uso implica mayores costos operativos.
Aunque el precio individual de los tokens disminuyó con la competencia entre proveedores, el crecimiento del volumen total consumido avanza a un ritmo superior debido a la aparición de agentes de IA cada vez más avanzados.
Microsoft y NVIDIA también ajustaron sus estrategias
El impacto económico también alcanzó a otras grandes compañías tecnológicas. En el caso de Microsoft, distintos reportes indicaron que la empresa comenzó a reducir algunas licencias internas de Claude Code y trasladó parte de sus desarrolladores hacia herramientas propias como GitHub Copilot CLI, con el objetivo de controlar el gasto generado por el uso intensivo de modelos externos.
La situación refleja una nueva etapa en la implementación de inteligencia artificial empresarial: después de una fase inicial marcada por la expansión rápida, las compañías comenzaron a aplicar límites de consumo, controles internos y evaluaciones más estrictas sobre el retorno de cada herramienta.
Incluso desde NVIDIA, una de las empresas más beneficiadas por el crecimiento de la IA, surgieron advertencias sobre los costos asociados. Bryan Catanzaro, vicepresidente de aprendizaje profundo aplicado de la compañía, señaló que en algunos proyectos internos el costo del cómputo necesario para ejecutar inteligencia artificial ya supera el costo salarial de los trabajadores involucrados.
Por su parte, el CEO de NVIDIA, Jensen Huang, planteó que los ingenieros más capacitados deberían utilizar grandes cantidades de recursos computacionales para alcanzar su máximo nivel de productividad, una postura que refleja la importancia que la industria le asigna a estas herramientas, pero también el nivel de inversión que requieren.
Agentes autónomos: más capacidad, mayor consumo
El aumento de costos no depende únicamente del precio establecido por los desarrolladores de modelos de IA. Detrás de cada interacción existe una infraestructura compuesta por miles de procesadores especializados, centros de datos, redes de alta velocidad y un elevado consumo energético.
Los nuevos agentes de inteligencia artificial profundizan este escenario porque no solo responden preguntas. También pueden planificar acciones, consultar diferentes fuentes, ejecutar programas, detectar errores y repetir procesos hasta completar una tarea.
Cada paso adicional genera nuevas solicitudes al modelo y aumenta el consumo de recursos.
Por ese motivo, muchas empresas comenzaron a limitar el acceso a determinadas herramientas, establecer cuotas de uso y analizar con mayor precisión qué actividades justifican el gasto tecnológico.
Las empresas buscan equilibrio entre productividad y costos
La llegada de la inteligencia artificial generativa cambió la forma en que las compañías evalúan la automatización. Mientras que la digitalización tradicional permitía reemplazar tareas manuales por sistemas con costos relativamente previsibles, la IA introduce una variable dinámica: el uso constante puede aumentar significativamente la factura tecnológica.
Una persona puede realizar una tarea en menos tiempo gracias a un asistente inteligente, pero si ese beneficio requiere millones de tokens mensuales, el ahorro esperado puede reducirse.
Por eso, el objetivo actual de muchas organizaciones dejó de ser incorporar inteligencia artificial en todos los sectores posibles. La nueva estrategia apunta a identificar dónde su aplicación genera un beneficio económico suficiente para justificar el costo de funcionamiento.
