La factura de IA significa que funciona. ¿Está comprando algo?

En resumen. El gasto en IA por empleado crece alrededor de 50% al año, y unas pocas empresas están gastando la mayor parte. Qué tan rápido crece la factura lo fija la configuración predeterminada del proveedor, no el plan de la empresa. La mayoría de las empresas no puede decir qué se suponía que produjera el gasto. Y toda factura de IA sorpresiva con el nombre de una empresa llegó después de que la adopción funcionó, en las empresas que han ido más lejos primero.

El detalle

El gasto en IA va en aumento. Las empresas de EE. UU. gastaron $1,358 por empleado en IA en 2025 y esperan $2,068 en 2026, un aumento de 52%. Más de la mitad espera gastar no más de $200 por empleado; el 10% superior planea $2,800 o más, 14 veces esa cantidad. La brecha no es entre dos tipos de empresa. Es cuánto sube el gasto de una empresa una vez que su gente usa la IA intensamente.

El proveedor marca el ritmo. En abril, Anthropic cambió el modelo que responde de manera predeterminada en Claude Code, su herramienta para desarrolladores de software, y su propia estimación publicada de costo pasó de $6 a $13 por desarrollador por día laboral. Un vocero: "No hubo ningún cambio de precio ni de producto". Una medición independiente encontró que el mismo trabajo costaba cerca de 40% más después de una actualización de modelo al mismo precio anunciado.

La mayoría de las empresas no puede decir para qué fue el gasto. Cuatro de cada cinco ejecutivos de grandes empresas dicen que la IA está produciendo resultados medibles; menos de un dólar de cada cinco de su gasto en uso de IA puede vincularse a un resultado financiero medido. En EE. UU., 82% de los líderes sénior de empresas que invierten en IA están preocupados por los costos de uso; 64% dice que su empresa da seguimiento al uso con límites claros. Hay más preocupados que controles, y más controles que gente capaz de responder la pregunta del consejo directivo: ¿qué se suponía que esto hiciera por nosotros?

Cómo se vio. Uber agotó su presupuesto de 2026 para herramientas de programación con IA unos cuatro meses después de iniciado el año; la renovación de Priceline para una herramienta llegó con un precio de cuatro a cinco veces mayor; Salesforce les dijo a los inversionistas en agosto que los costos de uso de IA eran parte de la razón por la que no elevó su pronóstico de utilidad. Esas facturas llegaron en primavera. Para el otoño ya habían llegado a las presentaciones regulatorias, los pronósticos y las encuestas que leen los consejos directivos, razón por la cual la pregunta está viva en la temporada de presupuesto. Los casos, y la evidencia que apunta en sentido contrario, están en la sección 05.

En resumen. Fije dos números antes del despliegue: el resultado objetivo y el costo por resultado que la empresa aceptará. Luego controle el costo por resultado en lugar de quién puede usar la herramienta, y siga revisando ambos mientras la IA esté en operación. Así se cobra el retorno. No es un argumento para restringir la IA.

El detalle

Los dos problemas de este número son un solo problema. Una empresa que nunca escribió qué se suponía que produjera la IA no tiene con qué juzgar la factura. Una empresa que sí lo escribió, pero dejó en su lugar la configuración predeterminada del proveedor, ve cómo el costo de operación crece con el éxito hasta devorar el resultado. Las empresas que conservaron su valor hicieron las dos mitades: un objetivo y un costo por resultado, sostenidos juntos y revisados de nuevo a medida que cambiaban los modelos, los precios y los usuarios. Terminaron usando más IA, no menos.

Ninguna empresa en la evidencia puso los controles antes del despliegue; todo relato publicado sigue el orden de despliegue, factura sorpresiva, controles. La recomendación de aquí sale de lo que ese orden les costó, y sirve tanto si una empresa está planeando su despliegue como si ya tiene herramientas funcionando.

Qué demostraría que esto está equivocado. Una empresa (más o menos de 1,000 a 10,000 empleados) que haya dado herramientas de IA a la mayoría de sus empleados sin un objetivo de costo por resultado y aun así haya mostrado un beneficio financiero medido sin restringir el acceso. Evidencia de que el gasto típico se mantiene estable a medida que el uso se profundiza. Un cambio de configuración predeterminada de un proveedor que haya reducido el costo del mismo trabajo tantas veces como lo aumentó.

En resumen. Las empresas que conservaron su valor hicieron algo que las demás no: pusieron una sola capa de control entre la empresa y cada proveedor de IA y operaron desde ahí su control de costos. Las grandes empresas la construyeron. Una empresa puede comprarla, y elegirla bien es la decisión de mayor consecuencia del plan. Desde esa capa controlaron un costo por resultado (por cambio de software, por reservación, por documento), cambiaron qué modelo responde de manera predeterminada y cuánto lee en lugar de quitarle la herramienta a la gente, hicieron responsable a una persona y le mostraron la factura al equipo de finanzas cada mes. Todas lo hicieron después de que llegó la factura, y todas terminaron usando más IA, no menos: cuatro veces los usuarios en las mejores herramientas, 30% más software entregado, uso cercano a un máximo de la empresa con la mitad del gasto. Dos empresas de software publicaron los números; ninguna empresa que solo compra IA ha publicado las dos mitades de lo suyo, razón por la cual los dos números tienen que fijarse puertas adentro.

El detalle

Las empresas que conservaron su valor redujeron el costo cambiando la configuración, cambiando el modelo que usaban o aceptando una utilidad menor, en lugar de restringir quién podía usar la herramienta. Uber y Priceline añadieron topes de gasto, y Priceline relaja sus límites para el trabajo que genera ingresos. Una empresa dio marcha atrás, en una división. Estas son las prácticas, en sus propias palabras, empezando por la que hace posibles a las demás. Las facturas a las que respondían están en la sección 05.

Pusieron una sola capa entre la empresa y los proveedores de IA. Las empresas con los resultados más claros lo hicieron desde un solo lugar: un software que la empresa controla, entre su gente y cada proveedor de IA, por el que pasa toda solicitud. Los ingenieros de Coinbase construyeron una puerta de enlace que "enruta todo" por un solo punto: elige el modelo, reutiliza el material ya leído, lleva un registro de quién gastó qué y aplica redacción, registro y límites de costo "antes de que algo llegue a un proveedor". Man Group construyó la suya alrededor de los datos de la firma y un modelo distinto para cada tipo de tarea. OutSystems, una empresa de software con cerca de la mitad de sus clientes en Europa, construyó una puerta de enlace que su director general llama un enrutador de LLM para sus propios ingenieros después de que su gasto en tokens tuvo su pico en junio y julio; para octubre la empresa estaba gastando menos de lo que había pronosticado para el trimestre, "sobre todo por optimizaciones", y dijo que la mayor parte de lo que había estado haciendo con IA "podríamos hacerlo igual de bien, mucho más barato, con un mejor arnés". El artículo de arXiv sobre software de agentes de IA explica por qué importa la capa: el software que el proveedor incluye ya decide qué modelo responde, qué lee y cuánto reutiliza, así que "elige la tarifa de la lista de precios y fija el volumen que se compra a esa tarifa", y una empresa que conserva la configuración predeterminada "hereda estas decisiones y su factura".

La mayoría de las empresas tiene solo una parte de una. La encuesta global de KPMG de septiembre encontró que los controles de seguridad y de acceso a datos son las capacidades más comunes en las capas de control de IA de las empresas, con 43% cada uno, y el enrutamiento de modelos, "que decide qué modelo atiende qué tarea", el menos común, con 23%. La lectura de KPMG: "La mayoría de las organizaciones parece haber construido una puerta antes de construir un conmutador. Una puerta permite desplegar la IA. Un conmutador decide adónde va el trabajo, y ahí es donde empiezan la orquestación y la economía del consumo". Entre las empresas que reportan un retorno establecido, 41% tiene el conmutador.

Las grandes empresas construyeron las suyas con equipos de ingeniería del tamaño del de Coinbase. Una empresa no tiene que hacerlo. Los proveedores incluyen su propia versión de la capa con sus productos, y el artículo de arXiv propone una escalera para decidir si rentar esa, comprar una independiente o construir. Aquí termina la evidencia y empieza la postura. Bien hecha, una sola capa le da a la empresa cuatro cosas a la vez: sus datos fuera de los servicios públicos de IA, mediante los controles de redacción y de acceso a datos que KPMG encontró que son las capacidades que las empresas construyen primero; la libertad de cambiar de modelo a medida que cambian los precios y las capacidades, sin reconstruir lo que está encima; agentes de IA que pueden pasarse a otro modelo cuando se mueve el mercado; y un solo lugar donde el costo de cada agente y de cada equipo es visible frente a un límite. Sin la capa, cada una de esas cosas es un proyecto aparte; con ella son ajustes. La elección equivocada ata a la empresa a los modelos y precios de un solo proveedor mientras la IA esté en operación. La correcta solo es tan útil como los números que se le ponen a hacer cumplir, razón por la cual viene después de los dos números en el plan, y razón por la cual qué capa, construida o comprada, frente a qué objetivos, es una respuesta distinta para cada empresa.

Controlaron el costo de cada resultado, no el número de personas autorizadas a usar la herramienta. Booking Holdings, con unas 9,000 personas en tecnología, mide a sus equipos de software por el costo tecnológico total por cambio de software terminado, un solo número que combina los sueldos del personal y los cargos por uso de IA. Su director de finanzas le dijo a Fortune que el gasto en IA puede subir mientras baje el costo de cada cambio de software que entra en producción, y esos equipos han aumentado en cerca de 30% los cambios que entran en producción, contando solo los que pasaron las revisiones de calidad. Esa es la regla: una sola cifra de costo por resultado, personal más IA, con el gasto total libre de subir mientras baje el costo de cada resultado. La evidencia es una charla de conferencia sin cifra en dólares, y Booking es mucho más grande que una empresa; es el enfoque que hay que copiar, no una empresa comparable. El director de tecnología de Uber, cuatro meses después de que la empresa había agotado su presupuesto anual para herramientas de programación con IA: el precio que Uber pagó por token bajó mientras el número de empleados que usan las herramientas de IA más capaces se cuadruplicó, "No porque hayamos restringido el acceso, sino porque tratamos la eficiencia como un problema de ingeniería y no como un problema de presupuesto". La salvedad de Fortune sigue en pie: Uber no dijo si la factura total bajó.

Cambiaron la configuración predeterminada en lugar de bajar los topes de gasto. El gasto de Coinbase en IA bajó casi a la mitad en un trimestre mientras el uso se mantuvo cerca de un máximo de la empresa. Su líder de ingeniería: "91% de los empleados no estaba llegando a sus topes de uso. En lugar de bajar los topes, fijamos modelos predeterminados más baratos para reducir el gasto". La proporción de material reutilizado en lugar de releído subió de 5% a 60%. Accenture encontró que 54% de las solicitudes de IA van a un modelo más caro de lo que la tarea necesita, y que 90% de más de 9,000 tareas que analizó no necesitaba el modelo más capaz; su consejo es que un software central decida, "no como una guía que se deje al criterio de cada desarrollador".

Hicieron responsable a una persona y le mostraron la factura de IA al equipo de finanzas cada mes. Smartsheet hizo responsable del gasto total en IA al equipo que administra su presupuesto de tecnología, fijó alertas antes de que la gente llegue a un límite y publicó reportes de costos por departamento y por gerente. El jefe de tecnología de Bristol Myers Squibb preparó de antemano al director de finanzas y al consejo directivo para esperar un "consumo de tokens bastante alto", y le dijo al Journal que sería "órdenes de magnitud mayor que lo que gastamos hoy"; el único caso en el registro en que el costo se pronosticó en lugar de descubrirse.

El modelo más barato no siempre es el más barato. Un modelo barato que es malo para una tarea puede costar más que uno caro que la termina. En tareas largas con muchos pasos, el modelo más caro costó menos en total que el siguiente más barato; unos investigadores lo confirmaron recalculando el costo de unas 10,000 sesiones de trabajo reales. En Docusign fue al revés. Y un modelo puede elegirse por ninguna de las dos razones: Salesforce reconstruyó su asistente de IA sobre modelos hechos para trabajos específicos y publicó velocidad, no costo, unas 26 milésimas de segundo para decidir cómo manejar una solicitud frente a unas 1,446 para un modelo de uso general, y dijo sin rodeos que el resultado "no es una pila más pequeña, ni más barata". Una respuesta lenta detiene el trabajo que depende de ella. Así que "¿podemos pagar el modelo más caro aquí?" tiene respuesta solo frente al resultado financiero que ese proyecto de IA se creó para producir, y la respuesta cambia a medida que cambian los precios, los modelos y el trabajo.

Lo que va en contra del patrón. El orden de los hechos. Salesforce dejó deliberadamente que sus desarrolladores usaran la IA de Anthropic sin límites de gasto durante seis meses, con un plan de respaldo ("en el peor de los casos, daríamos marcha atrás"), y solo entonces empezó a elegir un modelo por tarea. Presenta "primero desplegar, después controlar" como algo deliberado. Ese orden funcionó para una empresa que gana 34.3 centavos de utilidad por cada dólar de ventas, y sigue siendo la razón que Salesforce dio para no elevar su pronóstico de utilidad (sección 05). No dice nada sobre una empresa con un presupuesto fijo y sin un producto de IA que vender.

Dos empresas publicaron los números. Docusign, con 7,044 empleados, procesa más de un millón de acuerdos al día; un software decide qué tamaño de modelo maneja cada documento y reduce lo que el modelo lee del equivalente de un libro largo a unas cuantas páginas. En agosto publicó los resultados del modelo más pequeño que entrenó para el trabajo: más o menos una veinteava parte del costo del modelo grande que reemplazó, unas ocho veces los documentos en el mismo tiempo y 7 puntos porcentuales más de precisión. El costo bajó y la precisión subió al mismo tiempo; razones sin cifras en dólares, del blog de la propia empresa. Figma, con 1,886 empleados, le dijo a la Securities and Exchange Commission que el costo directo de entregar su producto subió $32.6 millones en un trimestre, "principalmente por un aumento de $27.1 millones en costos de infraestructura técnica y alojamiento relacionados con la IA y el mayor uso de nuestra plataforma por usuarios de pago", y el mismo reporte es el primero en incluir una oración sobre cómo administrar ese costo: cambios "pensados para gestionar el uso y optimizar la eficiencia de nuestro gasto relacionado con la IA". Los $27.1 millones abarcan tanto los costos de IA como el costo de atender a más clientes de pago; el reporte no dice cuánto es cada uno. Ambas empresas venden IA, así que una factura de IA en aumento se compensa con ingresos por ventas. Una empresa tiene la situación opuesta, una factura por herramientas que usan sus propios empleados sin ingresos por ventas vinculados, y ninguna empresa de ese tipo ha publicado esa factura como un número; donde aparece en un reporte a los reguladores, está enterrada dentro de una línea de gasto existente.

El número que nadie tiene. ¿Con qué frecuencia rebasa el costo de operación al resultado en una empresa típica de EE. UU. de menos de 10,000 empleados? Ninguna fuente lo mide, y este número no lo estima. Las empresas que publican un costo no le atribuyen ningún resultado; las empresas que publican un resultado no publican ningún costo. Y las empresas son las más débiles para demostrar un resultado: 14% de las empresas con ingresos de $100 millones a $1,000 millones puede mostrarle a su director de finanzas un resultado medible del gasto en IA, frente a 34% de las empresas más pequeñas, 17% de las de $1,000 millones a $10,000 millones y 23% de las de más de $10,000 millones. Encuesta global; países no revelados. Hasta que una empresa ponga las dos mitades en un solo documento, nadie lo sabe, y una empresa que fije los dos números para sí misma será la primera en saberlo.

Las mismas decisiones, tomadas antes de la factura. La guía complementaria de este número califica de esta manera tres ideas de IA inventadas en una empresa de servicios profesionales de 1,200 personas: apoyo en atención al cliente, con un resultado ya definido y un costo que crece con cada solicitud; automatización de reportes, barata de operar pero sin línea base medida; y ayuda para redactar propuestas de venta, que vale el tiempo de venta de ocho personas una vez que se fijan las reglas de precios. El orden de financiamiento salió de la calificación, antes de que hubiera un proveedor en la sala. Una empresa que no califica así sus ideas descubre el costo, y la falta de un resultado, cuando llega la factura.

En resumen. Cinco preguntas que hacer sobre una inversión en IA antes de que reciba presupuesto, y siete pasos que mantienen juntos los dos números mientras la IA esté en operación. Los dos números no son una revisión de aprobación de una sola vez; el modelo, el precio, los usuarios y el trabajo cambian todo el tiempo, así que la comparación corre desde el primer día y se rehace en cada cambio. Mantenida así, produce una cifra que el consejo directivo no ha tenido: lo que la IA retorna después de su costo de operación. El director general nombra el resultado objetivo y al responsable, el director de finanzas fija el costo por resultado y lo recibe cada mes, el líder de TI elige la capa de control y la configuración que lo sostiene, en ese orden. La comparación empieza el día en que la IA entra en marcha, pero un proyecto se juzga contra su costo por resultado solo una vez que sale de su fase de desarrollo, con una fecha de término y un tope de gasto, porque el costo es real desde el primer día y el resultado tarda en estabilizarse. Siete pasos, dos números y un reporte mensual de una página.

El detalle

La prueba. Una empresa que puede responder las cinco tiene un resultado que puede defender y una factura que puede explicar.

Una empresa que puede responder la primera pregunta y no la segunda tiene un resultado que la factura puede borrar. Una empresa que puede responder la segunda y no la primera tiene una herramienta barata y ninguna idea de por qué la compró.

Primero desarrollo, después producción. Dos cosas hacen que la división sea más difícil de lo que suena. La factura apila un cargo variable sobre una base fija (cuotas por usuario, la plataforma, la propia capa de control), así que a un proyecto se le cobra solo el costo variable que causa; la base es el costo de tener IA, reportado una sola vez. Y el resultado es inestable mientras se afina un proyecto, mientras que el costo es real desde la primera solicitud, así que un proyecto medido en su segundo mes parece perder dinero aun cuando va bien. Por eso cada proyecto tiene una fase de desarrollo con una fecha de término y su propio tope de gasto, durante la cual el costo por resultado se mide y se reporta, no se juzga. A partir de la fecha en que pasa a producción, aplican los tres veredictos del paso 4. Cuánto tarda eso difiere según el proyecto, así que el plan fija la fecha por proyecto. Nada en la evidencia dice cuánto tarda un proyecto típico en llegar a un costo por resultado estable; esto es la postura, no un hallazgo.

Por qué los números hay que mantenerlos, no solo fijarlos. Un nuevo modelo predeterminado, diez veces los usuarios, un agente que ahora lee el doble: cada uno mueve el costo después de aprobado el plan, así que los dos números se comparan desde el primer día y se revisan cada vez que algo cambia. Mantenida así, la comparación produce una cifra que el consejo directivo no ha tenido: lo que la IA produce para la empresa menos lo que cuesta operarla, por proyecto, sumado, mes a mes. Junto a ella, lo que la empresa está haciendo con ese valor: algo de ingreso nuevo, algunos costos eliminados y, en la mayor parte, según la evidencia hasta ahora, horas ahorradas, que la empresa tiene que reasignar a otro trabajo. ¿Reasignadas a qué, y se midió? Esa es la parte del valor que más a menudo se pierde.

Quién hace qué. 75% de los comités de auditoría de los consejos directivos ubica la supervisión de la IA entre sus tres prioridades principales, y es el área en la que se sienten menos seguros de supervisar, con 56%. Finanzas es responsable de los costos y retornos de la IA en solo 5% de las empresas. Las empresas donde una persona con nombre es responsable de los costos y retornos de la IA tienen 3.7 veces más probabilidades de poder mostrarle a su director de finanzas un resultado medible; entre el 12% sin esa persona, ninguna pudo. Así que el orden es por puesto. El director general nombra el resultado objetivo y al responsable en la misma oración, antes de aprobar el presupuesto. El director de finanzas define el costo por resultado al nivel de uso planeado y lo recibe cada mes junto al resultado. El líder de TI elige la capa de control y fija la configuración predeterminada que mantiene el costo por resultado dentro del límite. Una empresa que empieza por la configuración termina con una factura menor y ningún resultado que señalar; una empresa con herramientas ya funcionando empieza por la que falte.

El plan. Toda empresa de este número que conservó su valor hizo alguna versión de esto después de que llegó la factura. El plan es hacerlo antes, o envolverlo alrededor de lo que ya está funcionando; el paso 7 es donde eso empieza.

La respuesta que da la evidencia de las dos secciones siguientes a la pregunta con la que abrió este número: en las empresas que han ido más lejos, la factura sí se comió el valor donde nadie había escrito los dos números, y las que conservaron su valor controlaron el costo por resultado, no quién podía usar la herramienta, y siguieron expandiéndose. Nadie ha medido el retorno de una empresa típica, razón por la cual los dos números tienen que fijarse puertas adentro. Siete pasos, dos números, una página al mes. Es menos trabajo que una factura sorpresiva, y es la diferencia entre una IA que cuesta dinero y una IA que paga.

En resumen. Estas son las facturas a las que respondían las prácticas de la sección 03. Toda factura con el nombre de una empresa llegó después de que la adopción funcionó: un presupuesto agotado en abril, una renovación que llegó a cuatro o cinco veces el precio, costos de uso de IA dados por una empresa como razón por la que no elevó su pronóstico de utilidad del año. En todo el mercado, una de cada tres grandes empresas agota su presupuesto anual de uso de IA antes de que termine el año. Dos cosas son ciertas y suenan opuestas. Las empresas invirtieron menos en IA en total de lo que predijeron hace un año; los grandes planes resultaron pequeños. Pero donde sí pusieron la IA a trabajar, los cargos por uso rebasaron el presupuesto. Las facturas sorpresivas golpearon primero a las empresas que han ido más lejos, en primavera; para el otoño ya habían llegado a las presentaciones regulatorias, los pronósticos de utilidad y las encuestas a consejos directivos. Y el costo no es la razón por la que la empresa típica se ha contenido; la mayoría todavía no llega al punto en que la factura importa.

El detalle

Uber agotó su presupuesto de 2026 para herramientas de IA que escriben software unos cuatro meses después de iniciado el año, y siguió un tope de $1,500 mensuales por empleado por herramienta. El problema más difícil no era el dinero. Era que Uber no podía decir qué había producido el gasto. Su presidente y director de operaciones, Andrew Macdonald, en una entrevista de podcast reportada por Fortune: "Quizá implícitamente se está entregando más, pero es muy difícil trazar una línea entre una de esas estadísticas y 'Bien, ahora sí estamos produciendo como 25% más funciones útiles para el consumidor'".

Priceline. Cuando venció el contrato de una herramienta de programación con IA y llegó la renovación, el nuevo precio era de cuatro a cinco veces mayor, según un empleado citado por TechCrunch; los reportes de uso del proveedor no coincidían con los datos de la propia empresa, y siguieron límites de uso en ciertos equipos. "Con la IA, uno le pone la tarjeta de crédito en la mano al usuario final", dijo a The Wall Street Journal su director sénior de finanzas de TI. "Si uno no tiene ningún control sobre eso, o si el usuario final no está lo bastante capacitado, va a acumular esa cuenta". Microsoft canceló herramientas de programación con IA que compraba a otro proveedor para una división, el único caso aquí en que una empresa retiró por completo una herramienta; el costo es la razón declarada, y Microsoft vende un producto competidor.

Salesforce es la única empresa en la que el costo de uso de IA afectó una cifra que siguen los inversionistas: su pronóstico de utilidad. Su subdirector de finanzas le dijo a una conferencia de inversionistas el 27 de agosto que unos seis meses antes la empresa "soltó a Claude en nuestro ciclo de I+D", dándole a sus desarrolladores de producto la IA de Anthropic sin límites, y: "Es parte de la razón por la que no elevamos la guía de margen para el año: estamos cubriendo parte del gasto en tokens que tenemos". El anuncio de resultados presentado el día anterior mantuvo la meta de utilidad de todo el año como proporción de los ingresos en 34.3%.

En todo el mercado. "Todos los directores de finanzas recibieron la factura de tokens en febrero y marzo", dijo el director general de OutSystems en una entrevista de podcast de octubre. "Fue un momento de pánico para todo el mundo". Una de cada tres grandes empresas agota su presupuesto anual de uso de IA antes de que termine el año; solo 53% puede decir qué equipo o persona generó el uso. Un director de tecnología, en un relato que el jefe de Faros AI transmitió a TechCrunch, describió a un ingeniero que gastó $40,000 en uso de IA en un mes y dijo que de verdad no sabía si detenerlo o decirles a todos los demás que fueran como él. Ese es el problema en una oración. Sin un objetivo financiero declarado, una factura grande y un gran éxito no se pueden distinguir.

Cuántas dieron marcha atrás. En la encuesta global de mediados de 2026 de KPMG, 49% de las empresas había reducido, pausado o puesto en duda proyectos con agentes de IA (programas de IA que ejecutan tareas de varios pasos por su cuenta) cuando el costo esperado empezó a superar al valor. Una encuesta de lo que la gente dice, de un patrocinador que vende trabajo de gobernanza; confirma la dirección, no la cifra.

La evidencia del otro lado. La inversión total en IA quedó por debajo de lo planeado: hace un año, 35% de los líderes sénior de EE. UU. en empresas que invierten en IA esperaba estar gastando $10 millones o más para ahora; solo 23% lo hace. Las empresas hicieron menos de lo planeado, y la parte que sí hicieron se pasó. En las empresas que ya pagan herramientas de IA facturadas por uso, más dicen que el costo los llevó a usar más la IA (37%) que a recortar (15%). Y el costo no es la razón por la que la empresa típica se ha contenido: entre los negocios de EE. UU. que no planean usar IA, "demasiado caro" ocupa el octavo de once lugares entre las razones, con 6.9%. La factura ha golpeado a las empresas donde más empleados usan más la IA. Los casos con nombre llegaron entre febrero y junio; desde agosto, los mismos costos llegaron a un reporte trimestral (Figma), a un pronóstico de utilidad (Salesforce) y a las encuestas que leen los consejos directivos en la temporada de presupuesto. Llegará al resto en el orden en que adopten.

En resumen. Los productos de IA cobran una cuota fija pequeña por usuario y un cargo variable grande por uso. Cuatro cosas impulsan el cargo por uso: el modelo predeterminado, cuánto material de fondo lee la IA cada vez, cuánto trabajo extra le hace hacer cada nueva versión del proveedor y los agentes de IA que se dejan trabajar sin una persona que los vigile. El uso incluido en la cuota mensual se agota más temprano en el mes a medida que crece la adopción, y empieza el excedente; un agente en segundo plano puede lograrlo sin que nadie mire. El precio por token está bajando y la factura aun así sube, porque las rebajas de precio aplican a modelos más viejos, los modelos nuevos hacen más trabajo por solicitud y las empresas usan los ahorros para hacer más con la IA. La única manera de juzgar los números es un proyecto de IA a la vez: lo que ese proyecto cuesta operar frente al resultado que se midió que produjera.

El detalle

Donde un proveedor cobra una cuota mensual por usuario, también cobra por el uso encima de ella, y la cuota es la parte pequeña: el plan para empresas de Anthropic cuesta $20 por usuario por mes más el uso a tarifas estándar.

Cuatro cosas impulsan el cargo por uso, y la empresa no controla ninguna a menos que cambie la configuración predeterminada.

El modelo predeterminado. El software que ejecuta a un agente de IA, que divide un trabajo en pasos y manda cada uno a la IA, normalmente lo suministra el proveedor. Decide qué modelo responde, qué lee, si reutiliza material ya leído y qué ayudantes de IA adicionales pone en marcha. El software del proveedor elige tanto la tarifa como el volumen, y una empresa que deja la configuración predeterminada acepta ambos.

Cuánto lee la IA. En las herramientas de programación con IA, el costo está en la lectura: releer el código existente de la empresa explica cerca de 83% del gasto, mientras que el código nuevo que escribe la IA es 0.4% de lo que procesa.

El volumen, impulsado por las versiones del proveedor. Las empresas de la encuesta de Accenture esperan que la cantidad de IA que usan suba 78% en dos años mientras el precio por token baja 19%. Nuestra aritmética con esas dos cifras: la factura termina siendo alrededor de 44% más alta si nada más cambia.

Agentes que se dejan corriendo. En el 1% de las sesiones de programación con IA más largas que midió Jellyfish, las sesiones con poca supervisión humana produjeron cerca de once veces más código utilizable que las sesiones de la misma duración en las que una persona revisaba cada paso. El trabajo de IA sin supervisión produce más resultados y acumula cargos por uso más rápido.

Topes, asignaciones y excedente. Un tope de gasto no detiene el gasto de manera confiable. La página de precios de OpenAI dice que la IA deja de responder una vez que se alcanza un presupuesto mensual, y luego añade: "Puede haber un retraso en la aplicación del límite, y usted es responsable de cualquier excedente en que se incurra". Las cuentas de la API de Gemini de Google se pasan automáticamente a un nivel de gasto superior, de modo que un límite de $250 se convierte en $20,000 a $100,000 una vez que la cuenta tiene 30 días y ha pagado $1,000; Google lo confirmó. La mayoría de los planes incluye en la cuota mensual una cantidad fija de uso y cobra todo lo que la rebasa; los planes de Anthropic toman toda la actividad de un usuario "del mismo fondo", que se restablece en una ventana móvil de cinco horas con límites semanales encima, y al llegar al límite las opciones son esperar, subir de plan o "activar créditos de uso para seguir trabajando a tarifas estándar de la API", es decir, pagar el excedente. El proveedor dimensiona la asignación; la adopción la agota.

Nadie está vigilando a los agentes. Un agente de IA que corre en segundo plano, sin nadie frente a una pantalla, no tiene quién note su excedente. Anthropic factura sus agentes administrados a $0.08 por hora de tiempo activo de ejecución además de los cargos por tokens, de modo que el reloj corre sea útil o no el trabajo. A una empresa se le agotaron en silencio sus créditos prepagados y se acumularon $30,141 de cargos antes de que su herramienta de alertas de costos dijera algo. Un agente en segundo plano que añade discretamente un cargo por excedente cada mes es la forma más ordinaria que toma esto.

Por qué la baja de precios no lo arregla. El precio de un nivel fijo de desempeño de la IA baja unas 13 veces al año, y el precio que los negocios de EE. UU. pagaron en realidad por millón de tokens bajó 41% entre marzo y septiembre de 2026. La factura aun así sube, por tres razones. Las rebajas aplican al nivel de desempeño del año pasado, así que el modelo más nuevo, que es el que los proveedores venden hoy, todavía no se ha rebajado. El trabajo que hace la IA por tarea crece más rápido de lo que baja el precio: el costo de operar el mejor modelo disponible sube de 3 a 18 veces al año. Y las empresas gastan los ahorros: nueve de cada diez ejecutivos dicen que precios de uso más baratos los llevarían a usar la IA para más cosas en lugar de gastar menos.

Así que la factura de un piloto no predice nada sobre la factura después de un despliegue: un modelo, unas cuantas personas y sesiones cortas, frente al modelo predeterminado del proveedor, todos los empleados y sesiones largas que nadie vigila. La única manera de juzgarla es proyecto por proyecto: lo que cuesta operar este proyecto de IA frente al resultado que se midió que produjera. Eso es lo que significa control de costos en este número. No significa decidir quién puede usar la herramienta.