El presupuesto de IA es el renglón que más sorpresas dio en 2026, y por una razón incómoda: el precio del token bajó y la factura subió igual. Según el reporte de estado de la IA empresarial de Menlo Ventures, las compañías gastaron en promedio 4.7 veces lo del año anterior contra un plan de 1.9 veces. O sea, cerca de 2.5x por encima de lo presupuestado.
No es un problema de proveedores caros. Es un problema de diseño y de gobierno, y cae en el escritorio de quien firma.
La paradoja: el token baja, la cuenta sube
El precio por token para una calidad equivalente a GPT-4 cayó alrededor de 98% desde finales de 2022. En paralelo, el gasto agregado de las empresas en IA creció del orden de 320%. Esta misma semana Meta lanzó Muse Ember a 0.10 dólares por millón de tokens de entrada, un precio que hace dos años habría parecido imposible.
Lo que cambió no es el precio unitario, es el volumen. Un chatbot consume una llamada por pregunta. Un agente con herramientas consume entre 8 y 30 por cada solicitud, y en cada paso vuelve a arrastrar el contexto completo. Cuando una empresa pasa de pilotos de chat a procesos automatizados, el consumo se multiplica por dos órdenes de magnitud sin que el organigrama cambie una sola línea.
Un caso documentado este año: una empresa de salud consumió un billón de tokens en seis meses y se encontró con más de 6 millones de dólares no presupuestados.
La señal más clara de que esto dejó de ser un tema técnico la da la FinOps Foundation: la proporción de sus practicantes que gestiona costos de IA pasó de 31% en 2024 a 98% en 2026. En dos años, controlar el gasto de IA pasó de rareza a parte del trabajo.
De dónde sale el sobrecosto en la práctica
- ▸Un solo modelo para todo. El equipo elige el modelo más potente en la prueba de concepto y lo deja también para clasificar correos o extraer campos de una factura. Pagas precio de razonamiento por trabajo mecánico.
- ▸Contexto sin podar. Mandar el historial completo en cada paso es la fuga más cara y la más fácil de pasar por alto, porque funciona perfecto en la demo con tres mensajes.
- ▸Caché sin usar. Casi todos los proveedores cobran una fracción por el contexto cacheado. Si tu prompt de sistema cambia en cada llamada, estás pagando el precio completo por el mismo texto miles de veces al día.
- ▸Reintentos invisibles. Un agente que falla y reintenta tres veces cuesta tres veces, y en los tableros suele verse como una sola ejecución.
- ▸Sin atribución por área. Si no sabes qué equipo generó qué consumo, nadie se siente dueño del número y el ajuste nunca ocurre.
Qué pediría yo en la próxima reunión de comité
Tres cosas, en este orden. Un costo por transacción de negocio, no un costo mensual total: cuánto cuesta responder un ticket, procesar una factura, calificar un lead. Es el único número que el directorio puede comparar contra lo que costaba antes. Segundo, atribución por área y por caso de uso, con etiquetas desde el día uno. Tercero, un techo técnico por proyecto, no una promesa: límites de gasto en la cuenta del proveedor, con alerta antes del corte.
Hay una tentación que conviene resistir: frenar todo hasta tener el control perfecto. He visto comités congelar el gasto de IA seis meses y perder bastante más en productividad de lo que iban a ahorrar. El punto no es gastar menos, es saber qué compra cada dólar.
Cómo se ve un presupuesto de IA que sí aguanta
Lo que mejor me ha funcionado es dejar de presupuestar la IA como una licencia anual y empezar a presupuestarla en tres bolsas separadas, con reglas distintas. La bolsa de exploración es chica, de libre uso y con tope duro: sirve para que la gente pruebe sin pedir permiso y es la que menos vigilancia necesita. La de pilotos ya exige un caso de uso con dueño y una métrica de negocio. La de producción se presupuesta por volumen esperado, igual que cualquier costo variable de operación.
La diferencia entre las tres está en qué pasa cuando se agotan. La de exploración se corta y no pasa nada. La de producción, si se agota, es porque el negocio creció o porque alguien diseñó mal; en los dos casos hay que saberlo en días, no en el cierre del trimestre.
Un número de referencia incómodo para dimensionar la escala: el presupuesto promedio de IA de una empresa pasó de alrededor de 1.2 millones de dólares en 2024 a cerca de 7 millones en 2026. Si tu organización no está en ese rango, perfecto; lo relevante es la velocidad con la que la cifra se mueve cuando los pilotos empiezan a convertirse en procesos.
Las cinco preguntas que yo haría antes de aprobar una ampliación
- ▸¿Cuál es el costo por transacción de negocio y cómo cambió en los últimos tres meses?
- ▸¿Qué porcentaje del consumo corresponde a pasos que podría atender un modelo más barato, y qué pasaría con la calidad si los movemos?
- ▸¿Cuánto del contexto que enviamos en cada llamada está cacheado? Si la respuesta es "no sé", ahí hay un ahorro inmediato.
- ▸¿Qué porcentaje de las ejecuciones son reintentos por error, y qué los causa?
- ▸¿Qué pasa si el proveedor sube precios o descontinúa el modelo? ¿Cuánto trabajo es cambiarlo?
Esa última pregunta es la que más se ignora y la que más caro sale. Un equipo que amarró su lógica al SDK de un solo proveedor no tiene margen de negociación ni puede aprovechar que salga un modelo tres veces más barato. Uno que abstrajo la llamada al modelo detrás de una interfaz propia cambia de proveedor en una tarde, y eso es poder de compra real.
El ahorro está en el diseño, y el diseño está en la gente
Casi todo lo anterior se resuelve en la arquitectura del agente, no en una negociación con el proveedor. Un equipo que sabe asignar modelo por paso, cachear el prompt de sistema, podar el contexto y medir la calidad antes de bajar de modelo recorta la factura sin tocar el alcance. Un equipo que no lo sabe va a seguir pidiéndote ampliación de presupuesto cada trimestre.
Eso es exactamente lo que cubre el programa de AI Agents Engineering para equipos técnicos: arquitectura de agentes, RAG, memoria y evaluación, con un entregable funcionando al final. Si tu gente va a construir los agentes que luego vas a pagar, la ruta AI Agentic Engineer es el contenido que más rápido se traduce en una factura más baja.
Para las áreas de negocio el ángulo es otro: no necesitan diseñar agentes, necesitan dejar de pedirle al modelo más caro cosas que resuelve una automatización simple. Ahí el curso de automatización con n8n suele pagar su propio costo en el primer flujo, y la medición de uso real por colaborador que da nuestra plataforma AI Builders te dice quién está aprovechando las licencias que ya compraste.
Hemos formado a más de 1,500 profesionales y trabajado con más de 100 empresas en LATAM, entre ellas Entel, BCP y Scotiabank, y el patrón se repite: los programas que bajan costos empezaron por un diagnóstico del nivel real del equipo, no por un catálogo. Si quieres ese diagnóstico antes de aprobar el presupuesto del próximo año, el primer paso es una conversación sin costo en DataPath para empresas. Te vas con el mapa de brechas aunque termines capacitando con otro proveedor.
