El momento en que el costo de la IA se vuelve un problema no es cuando el proyecto fracasa. Es cuando funciona. El piloto costaba poco porque lo usaban veinte personas con casos escogidos; ahora lo usan mil quinientas, todos los días, y la factura del mes pasado llegó con un número que nadie en el comité había visto antes. El proyecto está siendo exitoso y por eso está en riesgo.
La respuesta corta: la IA es el primer renglón del presupuesto tecnológico que crece con el uso y no con la nómina. Todo lo anterior se cobraba por asiento, así que el costo anual se conocía antes de firmar. Esto se cobra por acción, así que su factura la escribe el uso. Gestionarlo no es apretar proveedores, es tratar el consumo como se trata cualquier activo estratégico.
¿Por qué el costo se dispara justo cuando el proyecto funciona?
Porque escalar no multiplica el precio, multiplica el consumo.
Al pasar de casos de uso aislados a adopción de toda la empresa, el gasto en IA aumenta cerca de cuatro veces [1]. No porque el proveedor suba la tarifa, sino porque el número de llamadas se multiplica: más usuarios, más veces al día, con conversaciones más largas y agentes que hacen varias llamadas por tarea.
La consecuencia está medida y es incómoda.
Datos
| Value | |
|---|---|
| Se pasan del presupuesto de IA | 93% |
| Tienen prácticas maduras de FinOps para IA | 23% |
Noventa y tres contra veintitrés. La brecha entre las dos cifras es la definición del problema: casi todos tienen el gasto, casi nadie tiene la disciplina para gestionarlo.
Y no es un pico pasajero. El 62% de las organizaciones ya pasó de experimentar a desplegar activamente, y la mayoría espera que su gasto en IA suba al menos otro 25% en los próximos doce meses [1].
¿Qué hace distinto a este costo de cualquier otro software?
Que su factura la determina el uso, no tu decisión de compra. Es la primera vez que eso pasa en el presupuesto de tecnología.
| Software tradicional | IA | |
|---|---|---|
| Unidad de cobro | Asiento o suscripción | Token o acción |
| Qué lo hace crecer | Contratar gente | Usar más el sistema |
| Cuándo se conoce el costo | Antes de firmar | Al cerrar el mes |
| Quién puede dispararlo | Compras | Cualquier usuario, o un agente en un bucle |
| Techo natural | El tamaño de la nómina | No tiene |
La última fila es la que hay que leer dos veces. Un agente mal diseñado que repite un paso no produce un error visible: produce una factura. Y la produce mientras todos los tableros siguen en verde.
¿Dónde está el gasto que nadie ve?
Repartido entre proveedores, y es más de lo que parece.
Entre el 20 y el 30% del gasto en IA suele quedar sin contabilizar, disperso entre proveedores fragmentados [1]. No es fraude ni descuido grave: es lo que pasa cuando cuatro equipos contratan cuatro proveedores distintos con cuatro tarjetas distintas, y nadie consolida.
Ese es también el ahorro más barato que existe, porque no requiere optimizar nada. Requiere mirar.
¿Cuánto se recupera y con qué palanca?
Bastante, y las cifras vienen con rango porque dependen del punto de partida.
Datos
| Palanca | Mínimo | Máximo | Delta |
|---|---|---|---|
| Consumo gestionado con criterio | 20% | 30% | 10% |
| Gasto sin asignar que aparece al consolidar | 20% | 30% | 10% |
| Abastecimiento y negociación (costo unitario) | 10% | 20% | 10% |
A esas se suma una palanca técnica que merece nombre propio: la caché de prompts puede reducir el costo de entrada alrededor del 90% [1]. Si tu agente manda el mismo bloque de contexto en cada llamada, y casi todos lo hacen, esa sola configuración cambia el orden de magnitud de la factura.
Las otras palancas de optimización del gasto son la selección de modelo por tarea, el control de tokens, la gestión de agentes, el procesamiento por lotes y los modelos de pesos abiertos donde apliquen [1].
¿Qué se hace primero si no tienes un equipo de FinOps?
Tres cosas que caben en un día, y capturan la mayor parte del ahorro.
Vale decirlo con franqueza: el marco completo de cinco palancas está escrito para una organización con CIO, equipo transversal y gobierno formal. La mayoría de las empresas de la región no tiene eso, y decirles que armen una capacidad permanente de FinOps antes de tocar nada es una forma de no hacer nada.
La versión mínima, en orden:
- Consolida en un solo lugar cuánto gastas y en qué. Una hoja de cálculo sirve. Lo que no sirve es que el dato viva en cuatro tarjetas de crédito.
- Pon un límite de gasto por caso de uso, con alerta antes del tope. Es la diferencia entre enterarte a fin de mes y enterarte el martes.
- Activa caché de prompts. Es configuración, no arquitectura, y es la palanca con mejor relación entre esfuerzo y retorno.
Después, y solo después, viene la pregunta que más ahorra a mediano plazo: ¿cada tarea sigue necesitando el modelo grande? Casi nunca. Revisarla una vez al mes vale más que un ejercicio de negociación anual.
¿Y por qué esto pesa más en América Latina?
Porque el margen de error es menor y la conversión de inversión en impacto ya viene apretada.
En la región, cerca de una de cada diez empresas usa inteligencia artificial y solo el 6% captura valor significativo de ella [2]. Cuando el costo de operar se cuadruplica al escalar, esa distancia entre usar y capturar valor no se mantiene: se vuelve la razón por la que el proyecto se cancela antes de llegar a la escala donde iba a pagar.
Dicho de otro modo: acá la disciplina de costo no es una optimización posterior, es parte de si el proyecto llega o no.
Cómo lo aplicamos en MasterDragon
Presupuestamos por acción, no por proyecto.
En la práctica, antes de escribir código estimamos cuánto cuesta una ejecución completa del flujo: cuántas llamadas hace, con qué modelo, con cuánto contexto. Ese número multiplicado por el volumen esperado es el presupuesto real, y muchas veces cambia el diseño antes de empezar, porque revela que un paso caro se puede resolver con un modelo pequeño o sin modelo.
También dejamos el costo instrumentado desde el primer despliegue, junto a las trazas. Un sistema que no reporta cuánto cuesta cada ejecución es un sistema que te va a sorprender, y la sorpresa siempre llega en el mes en que el proyecto por fin se usó de verdad.
Si estás por escalar un caso de IA y quieres saber cuánto va a costar antes de que la factura te lo diga, habla con nuestros ingenieros. Puedes empezar por cómo construimos tu software y revisar nuestro portafolio de productos AI-native ya lanzados. El enrutamiento de modelos por tarea, que es la palanca técnica más grande, es una de las capas en las 13 capas de un sistema de IA real; qué cambiar en la operación para que la inversión aparezca en el resultado está en los cinco cambios de modelo operativo; y por qué construir en vez de rentar cuando el proceso es tuyo, en el software a la medida es un activo, no un gasto.
Referencias
- Sachdeva, P., Lala, W., Javaji, A., Takkar, K., y Arora, P. (2026, 20 de julio). The cost of intelligence: How CIOs can manage AI demand at scale. McKinsey & Company. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-cost-of-intelligence-how-cios-can-manage-ai-demand-at-scale
- Centro para la Convergencia de América Latina. (2026, julio). Unlocking the Digital Potential of Latin America and the Caribbean: Market Integration, Investment, Smart Regulation and Artificial Intelligence.