La inteligencia artificial entró en las empresas con una promesa muy clara: ahorrar tiempo, reducir costes y liberar a los equipos de tareas repetitivas. Pero esa promesa empieza a mostrar una cara menos cómoda. ¿Qué pasa cuando usar IA cuesta más de lo previsto?
El problema no está solo en contratar una nueva herramienta, sino en cómo se utiliza cada día. Muchas plataformas de inteligencia artificial funcionan con tokens, la unidad que mide el texto que procesan, generan o emplean los modelos. Cada consulta consume. Cada respuesta también. Y cuando el uso se dispara sin control, la factura puede crecer mucho más rápido que el valor generado.
El aviso ya ha llegado a grandes tecnológicas. Microsoft ha limitado a sus ingenieros el uso de Claude Code después de que el consumo asociado a esta herramienta generara un coste superior al esperado. La paradoja es evidente: una tecnología pensada para elevar la productividad puede convertirse en una partida difícil de defender si no se mide bien su retorno.
El token deja de ser un detalle técnico
Hasta hace poco, hablar de tokens parecía una conversación reservada a perfiles técnicos. Ya no. Para muchas compañías, el token empieza a ser también un indicador financiero. Un token equivale, de forma aproximada, a tres o cuatro caracteres, lo que ayuda a entender cómo una tarea aparentemente simple puede terminar acumulando miles o millones de unidades de consumo.
Uno de los ejemplos más llamativos procede de Meta. Según los datos disponibles, un trabajador llegó a utilizar 10.000 millones de tokens en un mes, con un coste cercano a los 43.000 euros. La cifra refleja hasta qué punto el uso intensivo de IA puede generar un gasto elevado cuando no existen límites, criterios claros o sistemas de seguimiento.
La situación recuerda a lo ocurrido con la nube. Durante años, muchas empresas contrataron capacidad de computación, almacenamiento y servicios bajo demanda con poca supervisión. Después llegaron las facturas difíciles de explicar, los recortes y la necesidad de aplicar control financiero a la infraestructura tecnológica. Con la inteligencia artificial, el patrón puede repetirse.
Los modelos más potentes también son más caros
El aumento del gasto no depende solo de cuántos empleados usan IA. También influye qué modelo se utiliza para cada tarea. No cuesta lo mismo pedir a un sistema que genere un texto breve que recurrir a un modelo de razonamiento para resolver problemas complejos, revisar código o analizar grandes volúmenes de información.
Chris Wright, CTO y vicepresidente senior de Global Engineering en Red Hat, ha explicado que buena parte de la IA empresarial se apoya en APIs de modelos avanzados y en sistemas de pago vinculados a los tokens consumidos y generados. Según su análisis, los modelos de razonamiento pueden gastar entre 10 y 20 veces más tokens que los modelos estándar debido al proceso interno que realizan para abordar una petición.
Ese salto obliga a cambiar la forma de implantar estas herramientas. La IA no puede funcionar como una barra libre en la que cualquier empleado usa el modelo más potente para cualquier tarea. En muchos casos, la clave estará en asignar la herramienta adecuada al trabajo adecuado. Un asistente ligero puede bastar para resumir un correo, mientras que un modelo más avanzado puede reservarse para tareas de programación, análisis o toma de decisiones complejas.
OpenAI detecta un fuerte aumento del consumo empresarial
OpenAI también ha señalado el avance del consumo de tokens dentro de las empresas. En su estudio The state of enterprise AI, la compañía indica que el consumo medio de tokens de razonamiento por organización se ha multiplicado por 320 en los últimos 12 meses.
El dato muestra que la IA ya no se queda en pruebas aisladas o pilotos internos. Cada vez aparece más integrada en productos, servicios y flujos de trabajo corporativos. Está presente en atención al cliente, desarrollo de software, análisis de documentos, automatización de procesos internos y soporte a equipos comerciales.
Ahí surge una tensión relevante. El precio por token podría caer hasta un 90% para 2030, pero eso no garantiza que las empresas gasten menos. Si el uso crece mucho más rápido que la bajada de precios, el coste total seguirá subiendo. Dicho de otro modo: una unidad más barata no implica una factura menor si se consumen muchas más unidades.
Medir el retorno será tan importante como adoptar IA
La adopción de inteligencia artificial ya no puede medirse solo por el número de herramientas contratadas o por la cantidad de empleados que las usan. La pregunta importante es otra: qué valor real está generando ese consumo.
El responsable de Digital Core de Accenture apunta a una idea clara: no debería normalizarse que una compañía gaste más en tokens que en personas de forma generalizada. Si ocurre, puede ser una señal de que se están utilizando modelos demasiado potentes para tareas sencillas, de que no se está midiendo bien el retorno o de que la empresa está confundiendo experimentar con transformar procesos de verdad.
La IA tiene sentido cuando mejora indicadores concretos. Puede reducir el tiempo de respuesta a un cliente, acelerar el desarrollo de software, disminuir errores operativos, ayudar a un equipo comercial a preparar propuestas o permitir que una compañía lance nuevos servicios. Sin ese vínculo con resultados medibles, el gasto se vuelve difícil de sostener.
El mensaje para las empresas es cada vez más claro: la inteligencia artificial necesita gobierno, presupuesto y criterio de uso. Adoptar herramientas ya no basta. La siguiente fase consistirá en decidir cuándo utilizarlas, con qué modelos, para qué tareas, con qué límites y bajo qué métricas.
