El costo de usar inteligencia artificial está creciendo más rápido que la capacidad de muchas empresas para controlarlo. Brian Wilson, CEO de Kion, sostiene que los modelos de lenguaje grandes y los agentes de IA están disparando los gastos de uso y que FinOps, la disciplina que ayudó a ordenar el gasto en nube, ahora debe aplicarse al nuevo frente tecnológico.
El contraste es claro. La Stanford HAI, en su informe «AI Index 2025», encontró que el costo de inferencia de una capacidad equivalente a GPT-3.5 por millón de tokens cayó de 20 dólares a 7 centavos entre 2022 y 2024. Sin embargo, el gasto empresarial en LLMs se triplicó en 2025 y «93 percent of respondents to a McKinsey survey reported exceeding their AI budgets», según el pasaje citado por Wilson.
Wilson añade que alrededor de 20% de las organizaciones recortaron el uso de IA por el encarecimiento, sobre todo cuando los proyectos escalaron. El resto intenta justificar el gasto con métricas duras y con una visibilidad más fina sobre el consumo. Su tesis es que no se trata de abandonar la IA, sino de medir mejor dónde se va el dinero.
En su diagnóstico, el problema ya no está solo en el precio unitario del token, sino en la velocidad con que se multiplica el consumo cuando los agentes actúan por cuenta propia y repiten consultas. Según Wilson, los tokens de entrada suelen ir de 5 o 10 centavos o menos a 5 dólares por millón de tokens, o más en los modelos estrella, mientras que los de salida cuestan entre tres y cinco veces más. A pequeña escala parece menor, pero el gasto escala con rapidez cuando varias áreas de la empresa usan IA a la vez.
Wilson dice que hoy la IA está disponible para ventas, marketing, finanzas, producto, operaciones, ingeniería y equipos directivos, lo que vuelve mucho más difícil rastrear y contener el gasto. Por eso reclama reportes en tiempo real, alertas de actividad anómala y una visión consolidada que permita asignar costos por equipo y por proyecto.
La receta que propone pasa por FinOps para IA como un programa de toda la empresa, con cultura de control y educación interna. Pone como ejemplo un caso en el que se dio a ingenieros un presupuesto diario dentro de un entorno de pruebas y, al llegar al límite, se cortó el acceso por el resto del día. También plantea enseñar a los empleados a redactar instrucciones más eficientes, elegir modelos más baratos y seguir su consumo diario, semanal y mensual.
El fondo del asunto es simple: si la empresa no ve el costo, no lo gobierna. La IA puede aportar productividad, pero sin reglas claras termina convirtiéndose en otra línea opaca de gasto corporativo. Capital busca reglas claras, y este caso confirma que la disciplina importa más que el entusiasmo tecnológico.
Para el mercado, la lección es que la capitalización de la IA no depende solo de cuánto baja el precio por token, sino de cuánto logra controlar cada organización su margen y su flujo de caja. Quien ordene primero la gobernanza tendrá ventaja. Quien deje crecer la factura, terminará financiando desperdicio en nombre de la innovación.