A medida que la inteligencia artificial se incrusta en más capas de la tecnología, su costo se vuelve más difícil de aislar. El gasto puede repartirse entre servicios en la nube, herramientas de SaaS, infraestructura privada y centros de datos, lo que vuelve incompleta una línea simple de presupuesto tecnológico.
Esa es la advertencia central que recogen miembros del Forbes Technology Council: no basta con saber cuánto se gasta en IA, sino si ese gasto produce valor de negocio medible. La discusión gira en torno a métricas como la relación costo-resultado, el costo total de propiedad, el valor por caso de uso y el margen incremental neto por cada dólar invertido en IA.
Rajesh Gharpure propone comparar el costo total de la IA con la base histórica previa a su adopción. Si la relación mejora trimestre a trimestre, dice, la IA está creando valor empresarial y no solo financiando un experimento. Raja Shanmugam añade que los costos también incluyen uso de tokens, llamadas a API y uso de GPU, y que cada agente debe estar ligado a un KPI de negocio.
Jayashree Arunkumar insiste en medir el valor realizado por caso de uso, con costos de ciclo completo para diseñar, construir y operar cada flujo de trabajo. Según la ejecutiva, el gasto debe mapearse con precisión forense a cada caso, incluso cuando cambian los modelos o la evaluación mejora, para evitar reconocer costos tarde o promediarlos en exceso.
Steve Van Till sostiene que los proyectos de IA buscan aumentar ingresos o reducir costos, idealmente ambas cosas. En marketing, por ejemplo, eso puede verse en más prospectos o más pipeline; en otros casos, en reducciones de personal. Dan O’Connell, por su parte, dice que el mejor indicador es el costo total por resultado exitoso, porque el modelo más barato puede terminar siendo el más caro si falla repetidamente.
Prashanthi Nuthi pone el foco en el «margen de impacto de la IA»: el valor de negocio creado menos el costo total de la IA necesaria para producirlo. Ese cálculo, señala, debe incluir nube, datos, licencias, supervisión humana y retrabajo. Mrutyunjay Mohapatra agrega que la economía unitaria de la IA debería medir el costo de producir y entregar inteligencia y resultados de negocio, más que el costo por token o por hora de GPU.
Kriti Sharma orienta la medición hacia el problema operativo que dio origen al proyecto: menos tiempo de inactividad, menos inventario excedente, mejores tasas de reparación al primer intento o mayor capacidad productiva. Saurabh Gupta recomienda una disciplina parecida, con valor por caso de uso y comparación contra el costo total en infraestructura, seguridad, controles y operaciones.
Neda Nia va más lejos: pide abandonar el conteo de tokens procesados y mirar el margen incremental neto por dólar de IA. Si la relación no está claramente por encima de 1, advierte, los modelos de frontera de alto costo se comen el margen y la empresa termina financiando bucles de prompts en vez de palancas reales de productividad.
El mercado ya votó. La lección es simple: cuando el Estado o la burocracia tecnológica, en este caso, diluye el costo en múltiples capas, la disciplina debe venir de la contabilidad del valor. Capital busca reglas claras, y la IA no es una excepción: sin métricas que conecten inversión con resultado, el gasto se vuelve inercia y la productividad no aparece.
