Inteligencia Artificial
22 de mayo de 2026
El costo real de la IA en las empresas de TI
El próximo ciclo de la tecnología en las organizaciones debe estar menos marcado por la euforia de la sustitución y más por la disciplina de la sostenibilidad operativa

La incorporación acelerada de la inteligencia artificial en las empresas de tecnología se ha presentado como un camino casi inevitable para aumentar la productividad, reducir costos y sustituir parte del trabajo humano en actividades técnicas, administrativas y, a menudo, incluso para tareas creativas, dependiendo de la situación.
Esta narrativa ha guiado, en los últimos años, decisiones empresariales de reorganización interna, reducción de equipos, creación de productos basados en automatización y adopción de herramientas generativas a gran escala. Sin embargo, comienza a hacerse más evidente una tensión económica central: la inteligencia artificial utilizada a escala no es gratuita, no es ilimitada y depende de una infraestructura computacional cada vez más cara.

Este punto aparece de forma concreta en el cambio de cobro de GitHub Copilot. En abril de 2026, GitHub anunció que todos los planes de Copilot pasarían a cobro basado en uso a partir de junio de 2026, con consumo calculado por créditos de IA asociados a tokens de entrada, salida y caché. La propia empresa justificó el cambio afirmando que el uso del agente, con sesiones largas y múltiples etapas de programación, elevó de forma significativa las demandas de computación e inferencia, haciendo insostenible el modelo anterior de peticiones premium (Rodriguez, 2026).
El movimiento en cuestión es importante porque revela un cambio de fase. Durante el período inicial de expansión de la IA generativa, se ofrecieron muchas herramientas en modelos comerciales simplificados, con suscripciones mensuales, límites poco claros y un fuerte subsidio implícito de uso.
A medida que los usuarios comenzaron a delegar tareas más largas, complejas y cercanas al trabajo profesional real, el costo dejó de ser marginal. La IA dejó de operar solo como un complemento de productividad individual y pasó a representar una línea de gasto variable, dependiente de la intensidad de uso, el tamaño del contexto, el modelo elegido y la complejidad de las operaciones solicitadas.
Costo operativo
El primer signo de esta transformación se encuentra en la revisión de los modelos de precios de las propias herramientas de desarrollo basadas en IA. Cursor, una de las plataformas más asociadas con el uso de IA en la programación, modificó su plan “Pro” en 2025 para incluir una cuota mensual de 20 USD en el uso de modelos de vanguardia, calculada en función del precio de la API. La empresa explicó que los modelos más recientes pueden consumir más tokens por solicitud en tareas de horizonte más largo y que las solicitudes más difíciles pueden costar una orden de magnitud más que las solicitudes simples (Cursor, 2025).
Este dato es decisivo para las empresas de TI, porque desmonta la idea de que la IA tiene un costo fijo y predecible en cualquier escenario. Cuanto más intenta la organización usar la IA para resolver problemas complejos, como refactorización de sistemas, análisis de grandes repositorios, generación de pruebas, revisión de código y automatización de flujos completos, mayor tiende a ser el consumo computacional. El costo no crece solo con el número de usuarios, sino con la profundidad de las tareas delegadas al modelo. Así, la automatización deja de ser solo una promesa de ahorro y pasa a exigir contabilidad técnica.
La documentación de Anthropic para Claude Code sigue la misma dirección. Según la empresa, Claude Code cobra en función del consumo de tokens por API, y los costos por desarrollador varían según el modelo utilizado, el tamaño de la base de código y los patrones de uso, como múltiples instancias o automatización. En implementaciones corporativas, Anthropic informa un costo promedio aproximado de 13 USD por desarrollador por día activo y entre 150 y 250 USD por desarrollador por mes (Anthropic, 2026).
Estos valores no significan que el uso de IA sea inviable. Indican, sin embargo, que su adopción debe tratarse como costo operativo recurrente, y no como una simple suscripción de software. Para las empresas que redujeron equipos creyendo que las herramientas generativas absorberían una parte sustancial del trabajo técnico, la cuenta puede volverse más compleja. El ahorro obtenido con menos profesionales puede verse parcialmente anulado por gastos de inferencia, revisión humana, retrabajo, integración, seguridad y gobernanza.
Infraestructura y repercusión de costos
El problema no se limita a las herramientas utilizadas en la punta. Comienza en la infraestructura de las empresas centrales de IA. En febrero de 2026, Reuters informó que OpenAI proyectaba aproximadamente 600 mil millones de dólares en gastos totales de computación hasta 2030, según una fuente familiarizada con el asunto.
El mismo informe registró que los costos de inferencia de la empresa se habrían cuadruplicado en 2025, con una caída del margen bruto ajustado del 40% en 2024 al 33% en 2025, según un informe atribuido a The Information (Reuters, 2026).
Aunque estas cifras deban interpretarse como estimaciones e información reportada por fuentes, apuntan a un aspecto estructural: la IA generativa a gran escala exige capital intensivo, chips, energía, centros de datos, redes de alta capacidad y contratos de infraestructura a largo plazo.
El costo no desaparece. En algún momento, debe ser absorbido por los proveedores, los inversores o los clientes. Cuando el ciclo de subsidio disminuye, la tendencia es que parte de este costo se transfiera a las empresas que dependen de las plataformas de IA para operar sus propios productos y servicios.
En este contexto, el riesgo no es la desaparición de la inteligencia artificial, sino el debilitamiento de modelos de negocio construidos sobre la hipótesis de una IA barata, abundante y capaz de sustituir profesionales a gran escala. Empresas que vendieron soluciones con fuerte dependencia de llamadas a modelos externos pueden enfrentar compresión de margen, en caso de que el coste por uso aumente.
De la misma manera, organizaciones que internalizaron la idea de que podrían operar áreas técnicas con equipos muy reducidos pueden descubrir que la reducción de nómina fue compensada por nuevos costos invisibles, distribuidos entre plataformas, APIs, créditos, monitoreo, revisión y corrección de salidas automatizadas.
Productividad y sustitución
El segundo punto de tensión radica en la diferencia entre automatización aparente y productividad efectiva. Muchas empresas de TI han adoptado herramientas de IA basándose en la idea de que escribir código más rápido equivale a entregar software mejor, más barato y con menor dependencia de profesionales especializados.
Esta equivalencia es limitada. El desarrollo de software involucra arquitectura, entendimiento de requisitos, mantenimiento, pruebas, documentación, seguridad, integración, comunicación con usuarios y responsabilidad técnica. La IA puede acelerar partes de este proceso, pero también puede introducir retrabajo, inconsistencias, soluciones frágiles y aumento de deuda técnica.
Un estudio de Becker, Rush, Barnes y Rein (2025), publicado en versión preliminar en arXiv, evaluó a desarrolladores experimentados trabajando en sus propios repositorios de código abierto. Los autores analizaron 246 tareas y verificaron que, cuando el uso de herramientas de IA estaba permitido, los desarrolladores tardaban un 19% más tiempo en completar las actividades. El resultado contrarió la expectativa de los propios participantes, quienes antes del estudio estimaban una reducción de tiempo del 24% con IA (Becker et al., 2025).
Este resultado no debe generalizarse a todos los escenarios de programación. Se refiere a un contexto específico, con desarrolladores experimentados, bases de código maduras y herramientas disponibles a principios de 2025. Aun así, el estudio es relevante por cuestionar la suposición de ganancia automática y universal de productividad. En sistemas reales, el tiempo ahorrado en la generación de código puede ser consumido por la lectura, validación, ajuste, prueba, corrección y descarte de respuestas inadecuadas. Para empresas que redujeron equipos apostando por una sustitución directa, esta diferencia entre producción aparente y entrega confiable puede convertirse en un problema operativo.
La consecuencia probable no es la eliminación de la IA en las empresas de tecnología, sino la recomposición del papel del trabajo humano. Los profesionales técnicos tienden a seguir usando la IA, pero de manera más selectiva, supervisada y económicamente controlada.
La promesa de reemplazar equipos enteros con herramientas tiende a encontrar límites cuando el costo de inferencia aumenta, cuando los sistemas críticos exigen revisión constante y cuando la entrega de valor depende de la responsabilidad técnica. En este escenario, las empresas que confundieron la generación automatizada de artefactos con capacidad organizacional pueden necesitar reconstruir equipos, recontratar profesionales o crear funciones orientadas a la supervisión, validación e integración de sistemas basados en IA.
Retorno sobre inversión
El tercer elemento es la dificultad para demostrar un retorno económico consistente. En 2024, Gartner estimó que al menos el 30% de los proyectos de IA generativa serían abandonados después de la prueba de concepto para finales de 2025, debido a la baja calidad de los datos, controles de riesgo inadecuados, costos crecientes o un valor de negocio poco claro. La consultora también observó que las organizaciones enfrentaban dificultades para justificar inversiones sustanciales en IA generativa cuando las ganancias de productividad no se traducían directamente en beneficio financiero (Gartner, 2024).
En 2025, Gartner proyectó que más del 40% de los proyectos de IA de agentes serían cancelados para finales de 2027, nuevamente debido a costos crecientes, valor de negocio indefinido o controles de riesgo insuficientes. El análisis también advirtió que muchos proyectos aún se encontraban en etapa experimental y a menudo eran impulsados por el entusiasmo del mercado, sin claridad sobre el costo y la complejidad de la implementación a escala (Gartner, 2025).
El informe “The GenAI Divide: State of AI in Business 2025”, del MIT NANDA —basado en entrevistas con líderes de 52 organizaciones de varios lugares del mundo, recopiladas en cuatro grandes conferencias del sector—, refuerza este diagnóstico. Según Challapally, Pease, Raskar y Chari (2025), a pesar de inversiones empresariales estimadas entre 30.000 y 40.000 millones de dólares en IA generativa, el 95% de las organizaciones analizadas no obtuvieron un retorno medible.
El informe también señaló que herramientas como ChatGPT y Copilot son ampliamente exploradas e implementadas, pero tienden a mejorar la productividad individual más que el desempeño financiero agregado (Challapally et al., 2025). Este punto es central para las empresas de TI que han comenzado a construir productos y procesos sobre IA. La cuestión deja de ser si la herramienta impresiona en demostraciones y pasa a ser si sostiene margen, calidad, recurrencia y escala.
Durante la fase de entusiasmo, la IA permite crear prototipos rápidamente, reducir el tiempo inicial de desarrollo y producir textos, códigos, interfaces y análisis con baja fricción. Sin embargo, cuando el producto necesita operar con clientes reales, cumplir contratos, lidiar con excepciones, mantener la seguridad y preservar la calidad, la economía inicial puede transformarse en un gasto permanente.
Gobernanza económica
En el plano empresarial, la adopción de IA pasa a exigir gobernanza económica tan rigurosa como la gobernanza técnica. No basta preguntar si una tarea puede ser automatizada. Es necesario evaluar cuánto cuesta automatizarla, cuál es el costo de la revisión humana, cuál es el riesgo de error, cuál es la dependencia de un proveedor externo, cuál es la frecuencia de uso y cuál es el impacto sobre la capacidad interna de la organización. Las empresas que dispensan conocimiento técnico en nombre de la automatización pueden perder precisamente la competencia necesaria para evaluar, corregir e integrar los sistemas que pretenden utilizar.
La tendencia más plausible es una selección más dura de los casos de uso. Las actividades repetitivas, delimitadas y de bajo riesgo deben seguir automatizándose. Los procesos complejos, ambiguos y críticos tienden a permanecer dependientes de profesionales cualificados, aunque apoyados por IA.
El error estratégico de las empresas de TI no será utilizar inteligencia artificial, sino estructurar costos, equipos y productos basándose en la suposición de que la IA reemplazará el trabajo especializado sin pérdida de calidad, sin aumento de riesgo y sin presión económica.
Ante este conjunto de señales, el próximo ciclo de la IA en las empresas de tecnología tiende a estar menos marcado por la euforia de la sustitución y más por la disciplina de la sostenibilidad operativa. Las herramientas generativas seguirán siendo relevantes, pero la idea de automatización ilimitada tiende a ceder espacio a modelos de uso controlado, presupuesto por equipo, límites de consumo, análisis de retorno y revisión humana intensiva. La IA no debe desaparecer de las empresas de TI. Lo que tiende a derrumbarse es la fantasía de que permitirá operar empresas complejas con pocos profesionales, bajo costo marginal y productividad automáticamente creciente.
En conclusión, el punto central no es negar la importancia de la IA, sino comprender que su adopción entra en una fase económicamente más realista. A medida que los proveedores repercuten costos, ajustan planes, limitan usos intensivos y organizan el cobro por consumo, las empresas que construyeron su estrategia sobre IA barata pueden enfrentar una recomposición de costos y la necesidad de recontratación técnica.
El futuro próximo tiende a favorecer a las organizaciones capaces de combinar la automatización con la competencia humana, y no a aquellas que han sustituido la estructura profesional por una dependencia acrítica de plataformas externas. En este sentido, la IA no elimina la necesidad de personas cualificadas. Por el contrario, cuanto más cara, compleja y estratégica se vuelve, mayor es la necesidad de profesionales capaces de decidir cuándo, cómo y hasta qué punto debe ser utilizada.
| Para tener acceso a las referencias de este texto haga clic aquí. |
Quién publicó esta columna
Maurício Acconcia Dias








