La próxima batalla empresarial de la IA no será construir más agentes, sino operarlos de forma económica a escala. Pritam Debnath, Global Head of AI & Data Platforms at Sysco, plantea que la IA agente cambia la economía tecnológica porque una sola solicitud ya no equivale necesariamente a una sola transacción.
Una interacción aparentemente simple puede activar planificación, búsqueda, múltiples llamadas a modelos, ejecución de herramientas, acceso a memoria, validación e intentos repetidos. En un piloto, esas fricciones pueden pasar inadvertidas. Pero, según Debnath, a través de miles de usuarios y millones de interacciones, el costo deja de ser marginal y se vuelve material.
El cambio de enfoque es claro: de preguntarse «¿cuánto cuesta el modelo?» a preguntarse «¿cuánto cuesta producir un resultado de negocio exitoso, y es sostenible ese costo a medida que crece la adopción?». Para Debnath, la economía de la IA no puede tratarse solo como una tarea de facturación en la nube o de FinOps; debe convertirse en una disciplina arquitectónica y operativa.
Propone cuatro principios: visibilidad, control, propiedad y eficiencia de ingeniería. Un gasto mensual da visibilidad financiera, pero aporta poca lectura técnica. Las empresas necesitan observabilidad en los niveles de aplicación, agente, modelo y transacción, incluyendo tokens, contexto, llamadas al modelo, reintentos e infraestructura de soporte.
La visibilidad por agente resulta especialmente importante. Una misma aplicación puede incluir un agente ligero de clasificación, otro intensivo en recuperación de información y un tercero que haga razonamiento complejo. El promedio de la aplicación puede ocultar perfiles económicos muy distintos. Por eso, Debnath sostiene que las organizaciones deben distinguir si el costo subió porque aumentó la adopción o porque cada transacción se volvió más cara.
También pide controles más finos. A su juicio, ni el consumo sin restricciones con sorpresas presupuestarias ni las limitaciones que ahogan la experimentación escalan bien. Los controles deberían reflejar la madurez y la criticidad de cada carga de trabajo: cuotas definidas para experimentos, límites más altos con detección de anomalías para producción y umbrales acordes con cada agente.
En su visión, el objetivo no es frenar el uso de IA, sino fijar límites previsibles para experimentar con confianza. Los buenos resguardos no frenan la innovación; reducen el riesgo de innovar. También propone avanzar hacia una atribución federada de costos: gobernanza centralizada y transparencia, pero con propiedad económica distribuida entre las áreas que consumen IA.
Debnath agrega que no toda actividad de ingeniería de IA requiere inteligencia real. Pruebas de carga, concurrencia, escalado automático, reintentos y resiliencia pueden validarse con servicios simulados. Los modelos reales deberían reservarse para evaluar razonamiento, anclaje, calidad de prompts, seguridad o desempeño. Su regla es directa: usar inteligencia real cuando la inteligencia sea lo que se está probando.
El punto de fondo es que la productividad tecnológica ya no se mide solo por despliegue o sofisticación, sino por productividad económica. Si la IA agente multiplica llamadas, contexto y reintentos, también multiplica el riesgo de destruir margen si no existe disciplina operativa. El mercado ya votó: capital busca reglas claras, métricas útiles y costos que no crezcan más rápido que el valor.
Para las empresas, la lección es incómoda pero valiosa. La promesa de autonomía no exime de contabilidad. En un entorno de adopción acelerada, la ventaja no estará en quien compre más inteligencia, sino en quien sepa convertirla en flujo rentable. Esa es la verdadera capitalización de la IA.
