En 2024, la pregunta sobre la inteligencia artificial era una cuestión de capacidad. ¿Qué modelo era el más inteligente? ¿Quién iba ganando? En 2026, la pregunta se ha vuelto financiera. ¿Podemos permitirnos realmente ejecutarla a escala?

La paradoja es que la IA nunca había sido tan barata. McKinsey informa de que los costes de los modelos cayeron más de un 99 % durante 2024, desde unos 20 dólares por millón de tokens hasta aproximadamente 0,07 dólares. Sin embargo, el gasto empresarial se triplicó en un solo año, los presupuestos se superan habitualmente y algunas empresas ya están limitando su propio uso para controlar los costes. Es más barata por unidad, pero más cara por tarea. Algo fundamental ha cambiado en lo que pedimos a estos sistemas.

De chatbots a compañeros de trabajo

La IA que la mayoría de las organizaciones conoció en 2024 era sencilla. Escribías una instrucción, el modelo producía una respuesta y el intercambio terminaba. Los costes eran moderados y, lo que es importante, predecibles. Deloitte, al encuestar a empresas a lo largo de ese año, captó un estado de ánimo de experimentación cautelosa.

A finales de 2025, el centro de gravedad se había desplazado del chat a los agentes. Deloitte descubrió que la IA agéntica era el desarrollo más solicitado, y que una cuarta parte de las organizaciones ya estaba creando agentes autónomos seriamente. Un agente no se limita a responder. Planifica, busca, utiliza herramientas, comprueba su propio trabajo y decide cuál es su siguiente paso, a menudo a lo largo de cientos de rondas y con poca intervención humana. Ese salto de capacidad es precisamente lo que reescribió la economía.

Por qué estás pagando realmente

La IA se factura por tokens, pequeños fragmentos de texto aproximadamente del tamaño de una palabra corta. Para leer una factura moderna de IA, conviene separar tres tipos de tokens, porque sus costes se comportan de maneras muy diferentes.

Los tres tipos de tokens

En un chatbot, predominan la entrada y la salida, y tú controlas ambas. En un agente, el razonamiento suele ser el mayor coste, y el agente lo controla.

El punto esencial es dónde reside el control. En un chatbot, el usuario lleva el volante y decide qué preguntar y cuánto enviar. En un agente, predomina el razonamiento y la máquina pisa el acelerador.

Por qué la factura no deja de crecer

McKinsey identifica seis factores que explican por qué los flujos de trabajo agénticos compensan la caída de los precios de los tokens. Los dos primeros son los más importantes, porque dependen en gran medida de elementos que escapan al control del usuario.

Los seis factores del coste agéntico

Fuente: McKinsey, “¿Merece la pena ese agente de IA? Economía agéntica y el modelo operativo moderno”, julio de 2026.

La psicología del más

Estos factores explican cómo crece la factura. Pero no explican por qué lo permitimos. La causa más profunda no es técnica, sino humana. En 2024 escribíamos una instrucción y leíamos una respuesta porque nuestras expectativas eran modestas. A medida que nos hemos familiarizado con estas herramientas, esas expectativas se han ampliado. Ahora pedimos a las máquinas que planifiquen, investiguen, verifiquen y trabajen sin supervisión durante varios minutos seguidos. Hemos empezado a exigirles que piensen, y que piensen profundamente, en nuestro nombre.

Para una máquina, pensar es computar, y la computación se factura. El modelo no aplica ningún criterio sobre el valor de una solicitud. No se detiene para preguntarse si una pregunta merecía tanto esfuerzo, ni ofrece un descuento por una tarea trivial resuelta con generosidad. Simplemente piensa tanto como hemos diseñado que piense y mide cada token sin excepción. La tecnología es perfectamente indiferente: nos devuelve nuestras exigencias, con un precio calculado hasta el último decimal.

Una persona, en cambio, a menudo da más de lo que se le paga, redondeando el esfuerzo al alza por orgullo o buena voluntad. Una máquina no redondea nada gratis. La misma lógica se aplica a las empresas que hay detrás. Tras pasar de los modelos de suscripción a los precios basados en el consumo, la mayoría gana más cuanto más consumimos. No se trata de una crítica; es la simple economía de la computación costosa. El punto es, sencillamente, que el incentivo para aumentar el consumo está presente en ambos lados del intercambio, y hay pocas fuerzas que impulsen naturalmente en la dirección contraria.

Tratar la IA como un servicio básico

Por tanto, la mentalidad más útil es también la más humilde. La IA no es un compañero de trabajo que ofrece un esfuerzo adicional por iniciativa propia. Se comporta como la electricidad o el agua: factura estrictamente lo que consume. No dejarías todos los grifos abiertos porque el agua sea barata por litro, ni te sentirías agraviado por que la compañía de suministro la mida. Gestionas tu propio consumo. La misma disciplina se aplica ahora a la inteligencia.

Esto cambia la pregunta ejecutiva: pasa de cuánto cuesta la IA a si el coste del pensamiento de una máquina está justificado por el valor del resultado. La respuesta exige equilibrio, no un recorte puntual, y se basa en un principio sencillo: invertir pensamiento allí donde pensar compensa.

Ajustar el coste del pensamiento al valor del trabajo

No todo pensamiento vale lo mismo. El valor de un token depende de la distancia que cubre entre la tarea y la persona que la realiza. Un abogado no puede memorizar todas las leyes ni mantenerse al día de cada modificación. En este caso, el razonamiento profundo no es un lujo, sino una competencia, y un presupuesto generoso se justifica fácilmente, porque la alternativa no es un profesional más lento, sino uno poco fiable.

Un analista júnior que produce el mismo informe cada mañana es un caso distinto. El trabajo es repetitivo y, en gran medida, predecible, por lo que pagar tarifas premium para razonarlo de nuevo cada día equivale a enviar un coche de Fórmula 1 a hacer la compra. Sin embargo, tampoco aquí la respuesta consiste simplemente en gastar menos, sino en gastar de otra manera. Es mejor invertir los tokens una sola vez para enseñar a un agente a producir el informe que pagarlos a diario para generarlo manualmente. El coste corresponde a la transformación del puesto, no a la repetición de la tarea. En el proceso, el analista no pierde valor, sino que asciende: pasa de realizar el trabajo a diseñar el sistema que lo realiza.

Nada de esto es mecánico. Los puestos no son uniformes ni lineales, y un trabajo rutinario tiene momentos exigentes, del mismo modo que un trabajo exigente tiene momentos rutinarios. El objetivo no es poner un precio exacto a cada puesto, sino mantener una idea aproximada de la demanda intelectual que implica cada uno y presupuestar en consecuencia.

Medir para detectar, no para vigilar

Aquí es donde la medición encuentra su razón de ser. Una vez que cada puesto tiene un nivel de exigencia esperado, el informe de tokens se convierte en una herramienta de diagnóstico, no en una factura. La cifra interesante es la que no encaja. ¿Por qué consume tanto un analista júnior? Quizá el puesto sea más difícil de lo que se suponía, o quizá esté listo para automatizarse. ¿Por qué consume tan poco un abogado sénior? Tal vez sea una muestra de disciplina, o quizá haya una herramienta útil que no se está utilizando.

En cada caso, la diferencia entre las expectativas y la realidad señala algo que merece la pena conocer: un puesto que rediseñar, una tarea que automatizar, un hábito que corregir o una barrera de adopción que eliminar. Un valor atípico no es un veredicto, sino una invitación a mirar más de cerca. A veces, el usuario más intensivo obtiene el mejor rendimiento de la inteligencia, y el usuario más ligero es el verdadero problema. Gestionados de esta manera, los datos de costes dejan de ser una factura que temer y se convierten en un mapa de cómo se realiza realmente el trabajo.

Cinco hábitos para mantener el gasto vinculado al valor

El verdadero premio

Nada de esto es un argumento contra los agentes. Bien implementados, realizan trabajos que antes eran imposibles, y ese trabajo puede valer mucho más de lo que cuesta. El peligro no es gastar en IA. Es gastar sin saber qué estamos comprando ni por qué.

La caída de los precios de los tokens creó la ilusión de una inteligencia cada vez más barata. La era agéntica la ha sustituido por una verdad más sutil. La unidad es barata, pero el pensamiento no, y ahora la máquina decide cuánto pensar mientras cobra por todo ello. Las organizaciones que prosperen en esta etapa no serán las que utilicen más IA. Serán las que traten el trabajo de las máquinas con la disciplina que ya aplican al capital y al trabajo humano: asignándolo deliberadamente, midiéndolo con honestidad y asegurándose de que cada unidad de pensamiento merece su lugar.

Referencias

• Lari Hämäläinen, Mark Patel, Sven Blumberg, Tanguy Catlin y Wasim Lala, “¿Merece la pena ese agente de IA? Economía agéntica y el modelo operativo moderno”, McKinsey (QuantumBlack, AI by McKinsey), julio de 2026.
• Deloitte, “Estado de la IA generativa en la empresa: Ahora decide lo siguiente”, informe del cuarto trimestre, enero de 2025. Cifras complementarias: Stanford HAI 2025 AI Index; Menlo Ventures, “2025: El estado de la IA generativa en la empresa”; McKinsey Enterprise AI FinOps Survey, mayo de 2026.