Los CIO preguntan insistentemente dos cosas: cuánto cuesta realmente la IA y si genera un retorno medible. Ragy Thomas, chairman, co-CEO y cofounder de UnifyApps, plantea que la raíz del problema no está en la inteligencia artificial en sí, sino en la forma en que muchas empresas la están desplegando.
Thomas cita a Gartner para señalar que «72% de los CIOs» reportó que sus organizaciones están empatando o perdiendo dinero en sus inversiones en IA. La firma también prevé que «más de 40%» de los proyectos de IA agéntica serán cancelados para fines de 2027 por el aumento de los costos.
Su tesis es directa: la IA se encarece cuando las empresas la injertan sobre una arquitectura fragmentada. Cada nuevo agente obliga a reconstruir contexto, integraciones, controles y verificación, mientras los flujos de trabajo quedan atados a modelos individuales. Esa dispersión también dificulta probar el ROI, porque costos, decisiones y resultados quedan repartidos en distintos sistemas.
Thomas propone cuatro movimientos arquitectónicos para mejorar la economía unitaria de la IA empresarial. El primero es centralizar el contexto en una capa compartida que unifique conocimiento, reglas de gobernanza y acciones permitidas. Eso, sostiene, reduce el uso redundante de tokens, baja el tráfico de interfaces de programación de aplicaciones y abarata cada despliegue.
El segundo es tratar los modelos como insumos intercambiables. Cita un caso de servicios financieros estudiado por investigadores de la University of Hong Kong y Stellaris AI, donde los costos de inferencia superaron los 200.000 dólares al mes, aunque más de 70% de las consultas eran lo bastante rutinarias como para modelos más pequeños. La conclusión es usar los modelos de mayor desempeño para tareas de juicio complejo y soluciones más baratas para tareas frecuentes y de bajo valor.
El tercer punto es evitar el «superagente» monolítico. En su lugar, propone un enjambre de agentes especializados, cada uno con una tarea acotada y un contexto más pequeño. Eso, afirma, reduce el costo por token y acelera las respuestas, siempre que el sistema tenga permisos, controles y observabilidad compartidos.
El cuarto eje es la gobernanza. Thomas advierte que añadir controles aplicación por aplicación encarece el proyecto. Dice que McKinsey encontró que adaptar la gobernanza después del desarrollo de IA puede generar retrabajos y demoras, y que Gartner estima que tecnologías eficaces de gobernanza podrían recortar los gastos regulatorios en 20%.
Para Thomas, la promesa de la IA empresarial no depende solo de tokens más baratos. Depende de una arquitectura que permita reutilizar contexto, controlar costos, medir resultados y reducir fricción regulatoria.
En términos de capitalización, el mensaje es incómodo para muchas compañías: si la base tecnológica está mal diseñada, la IA no destruye valor por falta de ambición, sino por exceso de complejidad. El retorno no mejora solo con más modelos; mejora cuando la empresa deja de duplicar procesos y convierte la gobernanza en una ventaja operativa.
Capital busca reglas claras. Aquí la lección es simple: cuando el aparato tecnológico obliga a rehacer contexto y control en cada paso, el margen se erosiona y el riesgo operativo sube. La eficiencia no nace del entusiasmo por la IA, sino de una arquitectura que haga visible el costo real de cada flujo de trabajo.
