La inteligencia artificial generativa está acelerando su adopción en industrias reguladas como seguros, salud y servicios financieros, según la fuente. Morgan Stanley estima que los ingresos de la GenAI podrían crecer más de veinte veces, desde aproximadamente US$ 45.000 millones en 2024 hasta más de US$ 1 billón en 2028.
Pero ese salto trae una factura menos amable. A diferencia del software tradicional o de la infraestructura en la nube, los costos de IA son altamente variables y dependen de factores dinámicos. Si no se gobiernan bien, las empresas pueden enfrentar sobrecostos presupuestarios inesperados.
El problema no es menor. En la IA, el gasto depende del uso de tokens, y ese consumo cambia con el tamaño del prompt, la complejidad, la longitud del contexto, el número de interacciones entre agentes y la extensión de la respuesta. Una aplicación mal diseñada puede disparar el consumo sin que la dirección lo vea venir.
Además, las empresas operan cada vez más en entornos multimodelo con OpenAI, Anthropic, Google Gemini, Databricks, AWS Bedrock, Azure AI y modelos de código abierto. Cada proveedor ofrece capacidades, rendimiento, latencia y estructuras de precios distintas. El modelo más capaz no siempre es el más económico.
La fuente también advierte que las actualizaciones frecuentes de modelos y cambios de precios pueden volver obsoletas, en cuestión de meses o incluso semanas, las hipótesis usadas para presupuestar y pronosticar. Y en el frente del desarrollo, los asistentes de programación y los agentes autónomos aumentan la productividad, pero también pueden elevar el consumo con mayor rapidez que los ahorros logrados.
El diagnóstico de fondo es claro: las prácticas tradicionales de FinOps ya no bastan. Se requiere un plano de control de IA centralizado que dé visibilidad del uso de tokens, mida la economía unitaria de la IA, gobierne modelos, supervise el código generado automáticamente y optimice de forma continua prompts, contextos y selección de modelos.
Ese marco, además, no puede dejarse solo en manos de tecnología. Debe arrancar como un esfuerzo transversal entre tecnología, finanzas, seguridad, riesgo, arquitectura y negocio, con responsabilidades claras sobre cómo se consume y gobierna la IA en toda la empresa.
La lectura de mercado es directa: cuando la automatización deja de ser una promesa abstracta y empieza a consumir presupuesto real, la disciplina financiera vuelve a importar. La productividad sin control termina inflando el margen de error, no el margen operativo.
Capital busca reglas claras. En la era de la IA, la ventaja no estará solo en adoptar más rápido, sino en asignar mejor el riesgo país corporativo de cada apuesta tecnológica. El que mida antes, capitaliza mejor; el que improvise, paga la cuenta.