Durante muchos meses hemos escuchado una promesa repetida hasta el cansancio: la Inteligencia Artificial iba a hacer más productivas a las empresas, reducir costes y permitir que equipos más pequeños hicieran mucho más. La idea tenía sentido sobre el papel. Si un modelo puede escribir código, resumir documentos, generar informes, revisar contratos o atender consultas internas, parece lógico pensar que el coste operativo bajará.
Pero la realidad empieza a ser menos cómoda. La IA no es magia. Consume cómputo, consume energía, consume tokens y exige supervisión. Y cuando una empresa empieza a usar modelos avanzados de forma intensiva, la factura puede crecer más rápido de lo que muchos directivos habían previsto.
Lo interesante no es negar el valor de la IA. Sería absurdo. La Inteligencia Artificial ya es útil y va a serlo mucho más. Lo importante es dejar de tratarla como una varita mágica para sustituir personas y empezar a verla como una infraestructura cara que solo genera retorno cuando se usa con criterio.
La nube ya nos enseñó esta lección
Con la nube pública ocurrió algo parecido. Durante años se vendió como una forma de ahorrar costes frente a la infraestructura propia. En muchos casos lo fue, sobre todo al principio, cuando permitió evitar inversiones iniciales, ganar flexibilidad y acelerar proyectos. Pero después llegó la factura real: máquinas sobredimensionadas, almacenamiento olvidado, tráfico de salida caro, servicios gestionados que nadie apagaba y entornos de prueba que vivían eternamente.
Ahí nació el FinOps. No porque la nube fuera mala, sino porque usarla sin control era una receta perfecta para gastar de más.
Con la IA vamos por el mismo camino. Primero llegó el entusiasmo. Después los pilotos. Luego las licencias para todos. Ahora empiezan los agentes, los copilotos más potentes, los modelos premium y la facturación por uso. La diferencia es que, en IA, el gasto puede ser menos visible. Un empleado lanza un prompt largo. Un agente hace diez llamadas a un modelo. Una herramienta de programación repite intentos hasta que consigue compilar. Un asistente resume documentos enormes. Todo parece una interacción normal, hasta que alguien mira el coste mensual.
Cuando GitHub mueve Copilot hacia un modelo de facturación basado en uso, o cuando Anthropic eleva sus estimaciones de gasto diario por desarrollador activo en Claude Code, no estamos ante detalles menores. Estamos viendo cómo el mercado empieza a trasladar al cliente el coste real de ejecutar modelos cada vez más potentes.
La pregunta ya no será “¿tenemos IA?”. Será: “¿sabemos cuánto nos cuesta cada flujo de trabajo con IA y qué retorno nos está dando?”.
Despedir personas para comprar tokens no siempre es una estrategia
Me preocupa la facilidad con la que algunas empresas están vinculando despidos a automatización. Es evidente que habrá tareas que desaparecerán o cambiarán mucho. También es evidente que una empresa debe ser eficiente. Pero sustituir criterio humano por gasto en tokens puede salir mal si se hace con una hoja de cálculo demasiado optimista.
Un trabajador bueno no solo ejecuta tareas. Entiende contexto, detecta contradicciones, prioriza, sabe cuándo parar, conoce al cliente, interpreta matices y asume responsabilidad. Un modelo puede ayudar muchísimo a ese trabajador. Puede quitarle trabajo repetitivo, acelerar análisis, generar borradores o darle una segunda opinión. Pero no siempre puede reemplazar la función completa.
Además, los costes de IA no se limitan a la suscripción. Hay que contar el cómputo, el almacenamiento, la integración, la seguridad, la revisión humana, la formación, el gobierno del dato, la auditoría y el riesgo de errores. Una alucinación en un texto puede ser una anécdota. Una alucinación en un proceso de facturación, soporte, desarrollo o cumplimiento puede ser un problema serio.
Por eso creo que muchas empresas acabarán haciendo una corrección de expectativas. No abandonarán la IA, porque no tendría sentido. Pero dejarán de medirla como una promesa abstracta de ahorro y empezarán a exigir resultados concretos. Menos presentaciones sobre “transformación” y más métricas: horas reales ahorradas, incidencias resueltas, errores reducidos, clientes mejor atendidos, ciclos de desarrollo más cortos y costes bajo control.
Ahí el talento vuelve a ser central. No el talento entendido como una frase bonita de recursos humanos, sino como capacidad real para usar tecnología con cabeza.
La IA premia a los equipos buenos, no a los equipos improvisados
La Inteligencia Artificial amplifica. Si una empresa tiene procesos claros, datos bien organizados y profesionales capaces, la IA puede multiplicar su rendimiento. Si una empresa tiene caos, datos malos y decisiones desordenadas, la IA puede producir más caos, más rápido y con una factura mayor.
Un buen ingeniero con IA puede avanzar mucho más. Un mal flujo de desarrollo con IA puede generar más código inútil, más deuda técnica y más revisiones. Un buen equipo financiero puede usar IA para detectar anomalías y preparar escenarios. Un equipo sin control puede automatizar informes que nadie entiende. Un buen soporte puede reducir tiempos de respuesta. Un soporte mal diseñado puede entregar respuestas rápidas pero incorrectas.
Por eso me gusta cada vez menos la idea de “la IA sustituirá a X”. La pregunta más útil es otra: “¿Qué profesionales sabrán trabajar mejor con IA y qué organizaciones sabrán rediseñar sus procesos alrededor de ella sin perder control?”.
La respuesta no está solo en comprar el modelo más caro. A veces bastará un modelo pequeño. A veces será mejor automatizar una parte del flujo y dejar otra en manos humanas. A veces habrá que decir que no a un agente porque consume demasiado y aporta poco. Y a veces la decisión más inteligente será contratar o mantener a una persona con criterio, aunque una demo diga que el modelo puede hacer su trabajo.
Necesitamos AI FinOps antes de que la factura explote
Las empresas deberían empezar ya a tratar la IA como tratan la nube, o como deberían tratarla. Con presupuestos, límites, responsables, medición y revisión continua. No se trata de frenar la innovación, sino de evitar que el entusiasmo se convierta en gasto sin retorno.
Cada equipo debería saber qué modelos usa, para qué tareas, con qué volumen, a qué coste y con qué resultado. Los agentes deberían tener límites claros. Los prompts enormes deberían revisarse. Las tareas simples no deberían enviarse siempre al modelo más caro. Las respuestas deberían cachearse cuando tenga sentido. Y los proyectos de IA deberían tener un dueño de negocio, no solo un patrocinador tecnológico.
También hace falta formar a las personas. No para que todos se conviertan en expertos en modelos, sino para que sepan trabajar mejor. Pedir bien, validar mejor, detectar errores, proteger datos sensibles y entender cuándo la IA ayuda y cuándo estorba.
La IA va a cambiar el trabajo, pero no creo que la conclusión inteligente sea “menos personas y más tokens”. La conclusión debería ser “mejores personas, mejores procesos y tokens usados con intención”.
Porque al final el coste no está solo en lo que pagamos por millón de tokens. Está en las decisiones que tomamos con ellos. Una empresa puede gastar mucho en IA y aprender poco. Otra puede gastar menos, usarla mejor y sacar más valor. La diferencia estará en el talento, el criterio y la disciplina operativa.
Y eso, curiosamente, no lo resuelve ningún modelo por sí solo.