La inteligencia artificial generativa presenta una paradoja económica creciente en las empresas argentinas y globales: implementarla masivamente puede resultar más costoso que mantener el trabajo manual que pretende reemplazar. A diferencia del software tradicional que se factura por usuario o licencia, los modelos de lenguaje cobran por volumen de procesamiento, lo que genera facturas impredecibles cuando miles de empleados utilizan estas herramientas durante toda la jornada laboral.
¿Cómo funciona el modelo de facturación por tokens?
Los proveedores de inteligencia artificial como OpenAI, Anthropic y Google no venden licencias fijas. En cambio, cada palabra que ingresa al sistema y cada palabra que devuelve el modelo representa consumo de tokens, unidades de procesamiento que se facturan directamente. Cuando ese uso se multiplica por miles de empleados trabajando durante toda la jornada, la factura puede dispararse hasta niveles que los gerentes financieros no habían previsto inicialmente.
Este mecanismo modificó completamente la economía del software empresarial. Durante décadas, las compañías pagaban licencias relativamente previsibles por cada usuario. Con la IA generativa, el costo ya no depende solamente de cuántas personas utilizan la herramienta, sino sobre todo de cuánto la utilizan y del tipo de tareas que realizan.
El caso de Uber: cuando la adopción dispara los costos
Uno de los ejemplos más ilustrativos de este fenómeno ocurrió en Uber durante 2025 y 2026. La compañía desplegó Claude Code, el asistente para programación desarrollado por Anthropic, entre aproximadamente 5.000 ingenieros. El resultado fue óptimo desde el punto de vista de la adopción: cerca del 95% de los desarrolladores comenzó a utilizar herramientas de IA de manera habitual y aproximadamente el 70% del código que ingresaba a los repositorios ya contaba con participación de inteligencia artificial.
Sin embargo, ese éxito tuvo un costo inesperado. El presupuesto anual destinado a herramientas de IA se agotó apenas transcurridos cuatro meses del año porque el consumo de tokens creció muy por encima de las proyecciones iniciales. El propio presidente y director de operaciones de Uber, Andrew Macdonald, reconoció públicamente que resulta complejo demostrar que semejante incremento en el gasto se traduzca en una mejora equivalente para el negocio.
La compañía todavía no logra establecer una relación clara entre el aumento del consumo de IA y la aparición de nuevas funciones o mejoras visibles para los usuarios finales. En otras palabras, la productividad interna parece aumentar, pero al cuantificar económicamente ese beneficio resulta siendo insuficiente para compensar la inversión realizada.
De la expansión acelerada al control estricto del gasto
Tras el episodio de Uber, otras grandes tecnológicas revisaron sus estrategias. Microsoft, por ejemplo, comenzó a retirar licencias internas de Claude Code y a migrar parte de sus desarrolladores hacia herramientas propias como GitHub Copilot CLI, una decisión vinculada principalmente al control del gasto derivado del uso intensivo de modelos externos.
Esta tendencia refleja una fase mucho más estricta de administración del consumo entre las grandes corporaciones. Después de una primera etapa caracterizada por el entusiasmo y la expansión acelerada, comienza ahora un período de establecimiento de cuotas, límites de consumo y evaluación permanente del retorno sobre la inversión.
Paradójicamente, algunas de las advertencias más contundentes provienen de las propias empresas que lideran el desarrollo de esta tecnología. Bryan Catanzaro, vicepresidente de aprendizaje profundo aplicado de NVIDIA, reconoció recientemente que, para su equipo, el costo del cómputo necesario para ejecutar inteligencia artificial ya supera el costo salarial de las personas que trabajan en esos proyectos.
El director ejecutivo de NVIDIA, Jensen Huang, afirmó que un ingeniero altamente calificado debería utilizar cientos de miles de dólares anuales en tokens de IA para alcanzar su máximo nivel de productividad. Esta comparación ilustra hasta qué punto las grandes tecnológicas consideran que estas herramientas ya forman parte de la infraestructura básica del trabajo intelectual.
Agentes de IA: más potencia, mayor consumo de recursos
El incremento de los costos no responde únicamente al precio que cobran los desarrolladores de modelos. Detrás de cada consulta existe una infraestructura extremadamente costosa compuesta por miles de procesadores gráficos de alto rendimiento, memorias especializadas, redes de altísima velocidad y centros de datos cuyo consumo energético supera ampliamente al de los servicios informáticos tradicionales.
El avance de los llamados agentes de IA profundiza todavía más este fenómeno. Mientras que un chatbot tradicional responde una única consulta y finaliza la interacción, los agentes pueden planificar tareas, consultar múltiples fuentes, ejecutar programas, corregir errores, volver a intentar procesos fallidos y mantener conversaciones prolongadas sin intervención humana. Cada uno de esos pasos genera nuevas solicitudes al modelo y multiplica el consumo de tokens.
Distintos análisis de la industria estiman que un agente autónomo puede llegar a consumir decenas de veces más recursos computacionales que una conversación convencional. Esto explica por qué numerosas empresas comenzaron a revisar cuidadosamente sus políticas de utilización antes de extender estos sistemas a toda la organización.
Impacto para empresas y administradores argentinos: gobernanza y ROI
Para los dueños y administradores de empresas argentinas, esta realidad requiere un cambio fundamental en cómo evalúan la inteligencia artificial. Durante años, la digitalización tradicional permitió reducir costos de manera relativamente sencilla porque reemplazaba procesos manuales por sistemas cuyo mantenimiento resultaba previsible.
Con la inteligencia artificial generativa la ecuación es más compleja. Un empleado puede completar una tarea en la mitad del tiempo gracias a un asistente inteligente, pero si para lograrlo consume cientos de miles o millones de tokens al mes, el ahorro salarial puede verse parcialmente neutralizado por el incremento en la factura tecnológica.
Por eso, muchas organizaciones comenzaron a implementar políticas de gobernanza que incluyen:
- Límites de consumo por área o departamento
- Aprobaciones para acceder a modelos más avanzados y costosos
- Seguimiento detallado del uso por función y usuario
- Indicadores específicos para medir si el gasto se traduce en mejoras de productividad
- Evaluación permanente del retorno sobre la inversión en tokens
El objetivo ya no es utilizar la mayor cantidad posible de inteligencia artificial, sino hacerlo justo donde el impacto justifique el costo de su aplicación. Para las pymes y medianas empresas argentinas, esta lección es crítica: la IA no es un gasto que se justifica por sí solo, sino una inversión que debe evaluarse con el mismo rigor que cualquier otra herramienta tecnológica, considerando siempre el balance entre el ahorro operativo y el costo real de los tokens consumidos.
