Las empresas están dejando atrás la fiebre por usar IA en todo y están entrando en una fase más incómoda: la del control de costos. Konstantin Klyagin, fundador de Redwerk y QAwerk, sostiene que el costo real de una tarea de IA «es imposible de predecir de forma fiable».
Su punto llega con ejemplos concretos. Klyagin cita a Amazon, que tuvo una tabla interna para clasificar empleados por consumo de tokens; a Uber, que habría agotado su presupuesto de IA de 2026 en cuatro meses; y a Microsoft, que canceló la mayoría de licencias internas de agentes externos de programación y trasladó a miles de ingenieros a su propia herramienta.
El giro es claro: las compañías pasaron de incentivar el uso por el uso mismo a poner topes mensuales y presupuestos más estrictos. Pero, según Klyagin, ese ajuste no resuelve el fondo del problema. Medir el valor de la IA en dólares sería tan defectuoso como hacerlo solo en tokens.
Para sostenerlo, cita un reporte de OpenAI sobre aceleración de investigación en sus laboratorios. Ahí, un día laboral de ocho horas de un investigador equivale a unas 3,1 jornadas de trabajo de un agente, pero el mismo informe señala que más de la mitad de las tareas exitosas de cuatro a ocho horas requiere intervención humana.
Esa combinación complica cualquier cálculo simple. Si una tarea necesita corrección, validación y seguimiento humano, el costo final deja de ser lineal. Y si el número de tokens cambia entre una ejecución y otra, la previsibilidad se evapora. Klyagin afirma que una tarea realizada por un agente puede consumir tokens de forma muy distinta cada vez, y que la variación puede ser pequeña o muy amplia.
También cita un estudio del Stanford Digital Economy Lab, según el cual las tareas de IA agentic son mucho más caras que el razonamiento de código y el chat de código, con diferencias de hasta 1000x. El mismo estudio, añade, mostró que un mayor uso de tokens no se traduce en mayor precisión.
Ese es el punto que más incomoda a cualquier director financiero: no solo se puede pagar más, sino pagar más sin obtener mejor resultado. En su negocio, Klyagin dice ver esa variación directamente en el costo por función entregada, muy distinta al modelo de precio fijo por asiento del software tradicional.
Su propuesta es simple en el papel, difícil en la práctica: medir resultados y no consumo. Define primero el resultado completado, haga visible el costo durante el proceso, limite el mecanismo con ventanas de contexto o modelos más baratos, y observe la dispersión y no el promedio.
La lección para el mercado es menos tecnológica de lo que parece. La IA no debería tratarse como una moda de gasto, sino como una inversión con retorno medible. Capital busca reglas claras. Si una empresa no puede explicar cuánto cuesta cada tarea y qué productividad obtiene a cambio, entonces no está comprando eficiencia: está acumulando riesgo operativo y presión sobre el margen.
El mercado ya votó. Pasó de la euforia por usar IA a la disciplina de presupuestarla. Lo que sigue es más importante: exigir evidencia de valor. En una economía de costos crecientes y caja vigilada, la ventaja no estará en gastar más en IA, sino en capitalizar mejor cada decisión.