Hace unos días, Anthropic —la empresa detrás de Claude— envió un correo a sus suscriptores anunciando cambios en su estructura de precios. A primera vista, parece una noticia menor. Una de esas comunicaciones corporativas que uno archiva sin leer del todo.
Pero si llevas tiempo acompañando a empresas en sus procesos de adopción tecnológica, como es mi caso, ese tipo de comunicados son señales que merece la pena leer con atención. Porque lo que está ocurriendo no es un ajuste puntual de tarifas. Es la consolidación de un cambio estructural en la economía de la inteligencia artificial, y está sucediendo al mismo tiempo en OpenAI, Google con Gemini, y prácticamente todos los grandes proveedores del mercado.
De costo fijo a costo variable: el primer cambio que debes entender
Durante los primeros años de adopción masiva de IA, muchas empresas operaron con una percepción relativamente cómoda: pagar una suscripción mensual razonable y usar el servicio sin mayor preocupación por el consumo. Ese modelo está cambiando.
Lo que antes era un gasto controlado y predecible se está convirtiendo en un modelo completamente variable, donde el costo escala directamente con el uso. Y eso tiene implicaciones profundas.
Para entender la magnitud, considera un escenario común: una empresa con 10,000 consultas mensuales a un agente de IA, con un consumo promedio de 4,000 tokens por interacción. Son 40 millones de tokens al mes. A esa escala, el gasto deja de ser marginal y se convierte en una línea relevante en el estado de resultados.
Ahora agrega complejidad: agentes que corren en loops, queries mal diseñadas que procesan más contexto del necesario, embeddings costosos, generación de contenido extenso en cada respuesta. El consumo puede multiplicarse fácilmente por dos, por tres, por cinco, sin que nadie en la organización lo haya notado.
«Sin una arquitectura optimizada, el costo no tiene techo.»
El riesgo que sí veo venir, y que pocas empresas están tomando en serio
Hay una narrativa instalada en muchos equipos de liderazgo que dice algo así: «Con IA y APIs podemos automatizar prácticamente cualquier proceso a un costo muy bajo.» Y es verdad, en parte. Pero esa misma narrativa está llevando a decisiones que generarán problemas en los próximos doce a dieciocho meses.
Me refiero a la automatización de procesos críticos mediante agentes autónomos sin supervisión humana. Lo que en el mundo de la IA se llama carecer de human in the loop.
El problema es doble.
Por un lado, el riesgo financiero. Un agente mal diseñado puede disparar el consumo de tokens de formas que nadie anticipó. He visto casos donde una integración aparentemente simple genera diez veces más llamadas de las proyectadas porque nadie modeló correctamente los casos borde.
Por otro, el riesgo operativo. Delegar decisiones críticas a sistemas no supervisados —aprobaciones, clasificaciones, comunicaciones con clientes, análisis de riesgo— introduce una capa de error difícil de detectar y muy fácil de escalar. Un error que se replica 10,000 veces antes de que alguien lo note no es un error pequeño.
«La ausencia de supervisión humana en procesos clave no es únicamente una decisión técnica. Es una decisión de riesgo empresarial.»
Y en muchas organizaciones, esa decisión no está siendo tomada por quien debería tomarla.
La variable oculta: el talento que necesitas para que todo funcione
Aquí está algo que prácticamente nadie menciona en las conversaciones sobre ROI de proyectos de IA.
Controlar el costo de tokens no es trivial. Requiere dominio de diseño de prompts, arquitecturas RAG, manejo eficiente del contexto, optimización de llamadas a modelos y conocimiento profundo de cómo los diferentes modelos procesan la información. Es una habilidad técnica especializada, y las personas que la tienen bien desarrollada son escasas y cotizan caro en el mercado.
Esto significa que, además del costo variable por uso de la plataforma, las empresas que quieran operar estas soluciones con eficiencia real deberán incorporar o desarrollar ese talento internamente. Sin él, la solución puede volverse financieramente inviable aunque técnicamente funcione.
Dicho de otra forma: el costo del proyecto de IA no termina cuando termina el desarrollo. En muchos casos, apenas comienza.
Lo que esto cambia en cómo deberías diseñar tus soluciones
Si estás evaluando, implementando o escalando soluciones basadas en IA, hay tres principios que deberían guiar las decisiones de arquitectura a partir de ahora.
1. La precisión ya no es el único criterio de diseño
Una solución que responde muy bien pero consume el doble de tokens que una alternativa bien optimizada puede ser, en la práctica, una solución deficiente. La eficiencia económica tiene que estar en la ecuación desde el inicio, no como una optimización posterior.
2. El margen de tu negocio depende del costo por consulta
Si tu producto o servicio incluye IA en su núcleo, el costo unitario de cada interacción es, de hecho, parte de tu estructura de costos variables. Ignorarlo es equivalente a no calcular el costo de materiales en una empresa manufacturera.
3. La eficiencia operativa es ahora una competencia estratégica
Caching, batching, control de frecuencia de llamadas, compresión de contexto, selección de modelo según la complejidad de la tarea: estas no son optimizaciones técnicas menores. Son decisiones que afectan directamente la rentabilidad del negocio.
La conclusión que me parece más importante
Las empresas que capturen valor real de la inteligencia artificial en los próximos años no serán necesariamente las que más rápido adoptaron, ni las que más casos de uso desplegaron, ni las que más presupuesto invirtieron.
Serán las que entiendan profundamente su estructura de costos, diseñen con criterio de eficiencia desde el primer día, mantengan supervisión activa en los procesos que lo requieren, y desarrollen las capacidades internas para gestionar todo esto de forma continua.
Automatizar no garantiza eficiencia. Adoptar IA no garantiza competitividad. Pero quien logre controlar estas variables tiene en sus manos una ventaja que sus competidores tardarán en replicar.
«La pregunta no es si tu empresa debería usar IA. Esa decisión ya fue tomada por el mercado. La pregunta es si estás construyendo sobre una base que sea financieramente sostenible y operativamente robusta.»
Esa es la conversación que vale la pena tener hoy.
Sobre el autor: Carlos Carrasco es CTO de Evolvis AI. Es Doctor en Sistemas Inteligentes por el Tecnológico de Monterrey, candidato a MBA y ex investigador senior del Barcelona Supercomputing Center. Cuenta con más de 20 publicaciones científicas y ha liderado proyectos de gran escala, impulsando el desarrollo y la aplicación de inteligencia artificial en diversas industrias.
Contáctenos: info@evolvis.ai
