Por qué los costes de los tokens están rompiendo los presupuestos de los directores financieros en 2026

En menos de un año, los costes de los tokens de IA han pasado de ser un detalle tecnológico menor a convertirse en un problema presupuestario para los consejos de administración. Hace doce meses, el «coste de los tokens» no figuraba entre las partidas que vigilaban la mayoría de los directores financieros. Ahora aparece en todos los lugares equivocados: las noticias, los memorandos internos, las congelaciones presupuestarias y las conferencias de resultados.

Uber dio acceso a Claude Code a sus ingenieros a finales de 2025. En abril de 2026, la empresa había consumido en cuatro meses todo su presupuesto anual para programación con IA. Su respuesta fue limitar el gasto a 1.500 dólares por empleado, por mes y por herramienta, como informó primero Bloomberg. Si se permite usar conjuntamente dos herramientas de programación agéntica, como Claude y Cursor, ese límite se duplica hasta los 3.000 dólares al mes por ingeniero: 36.000 dólares al año por el uso de IA de una sola persona. Se calcula que Uber tiene unos 4.000 ingenieros, lo que equivaldría a un gasto de 144 millones de dólares en IA.

El gasto de Meta podría ser mayor. Un memorando interno advirtió que los costes de los tokens de IA iban camino de alcanzar miles de millones de dólares en 2026. La razón se encuentra en la mecánica de los agentes cuando operan a gran escala. Cuando un agente de IA se conecta a una base de código para corregir un fallo o escribir software, procesa miles de tokens de contexto con cada petición. Si se traslada esto a una organización del tamaño de Meta y se añade un impulso corporativo para que el área de ingeniería utilice Claude, el consumo de tokens no solo crece: se dispara.

Según el Índice de IA de Ramp, que registra pagos reales a proveedores en más de 70.000 empresas, el 1% de las compañías que más han adoptado la IA ya gasta unos 7.500 dólares por empleado al mes, y ese gasto crece un 14,1% mensual. Directivos de Mercor, una empresa emergente de contratación con IA, han declarado públicamente que los costes de los tokens de IA están empezando a acercarse o incluso superar la remuneración de los empleados en algunas organizaciones.

De aquí se puede extraer una lección. Si este gasto puede sorprender a las mayores empresas tecnológicas del mundo, puede sorprender a cualquiera. El consumo de tokens se ha convertido en una categoría de gasto realmente nueva, una que no aparecía en ninguna cuenta de pérdidas y ganancias hace dos años. No se comporta como los costes de software que los equipos financieros llevan décadas aprendiendo a modelar e incorporar a los cálculos tradicionales de retorno de la inversión. Comprender por qué los costes de los tokens de IA se comportan de manera tan distinta al gasto tradicional en software es el primer paso para controlarlos.

Por qué los costes de los tokens de IA son tan difíciles de predecir

La presupuestación tradicional de software parte de una premisa sencilla: el coste aumenta con la plantilla. Diez empleados más significan diez licencias más, a un precio conocido. Es fácil de prever y planificar cuando las empresas crecen o adquieren nuevas plataformas de software.

Los tokens de IA rompen esa premisa. El coste depende del uso, no de la plantilla, y el uso es sumamente desigual, difícil de predecir y, en el caso de los agentes autónomos, ni siquiera está vinculado a una persona sentada ante un teclado. Un solo ingeniero que ejecute una sesión de programación agéntica puede consumir miles de dólares en un mes sin previo aviso, porque el contador sigue corriendo tanto si el resultado es útil como si no. Muchos modelos también generan miles de tokens ocultos e invisibles solo para «pensar» paso a paso antes de responder, lo que multiplica el coste de cada petición.

Eso es lo que la mayoría de las organizaciones todavía no ha incluido en sus cálculos: cada nuevo dólar destinado a IA agéntica tiene que salir de algún sitio. Para la mayoría de los directores financieros, no se trata de un error de redondeo que absorbe un fondo de innovación. Estamos hablando de millones de dólares de nuevo gasto que no existía hace dos años. Esto genera una disyuntiva real frente a la plantilla, otras inversiones tecnológicas o el presupuesto discrecional de otras áreas de la empresa.

Los tres niveles de riesgo del gasto empresarial en IA

Al observar cómo gastan realmente las organizaciones en IA, empieza a surgir un patrón más claro. El riesgo de costes no se distribuye de forma uniforme. Se concentra en lugares concretos y, probablemente, solo uno de los tres niveles está bajo control actualmente en una organización típica.

Los usuarios de negocio de ventas, marketing y operaciones utilizan principalmente herramientas con un precio por licencia: una tarifa plana de 20 a 30 dólares por usuario al mes. Este es el nivel que el área financiera ya sabe presupuestar, porque se comporta exactamente como cualquier otra partida de SaaS que haya adquirido durante los últimos veinte años.

Los desarrolladores que usan herramientas de programación agéntica son el origen de historias como la de Uber, y toda la categoría acaba de pasar de las tarifas planas a los precios medidos por uso. GitHub Copilot adoptó la facturación basada en tokens en junio de 2026, y los desarrolladores han previsto facturas que saltan de 29 a 750 dólares al mes y de 50 a 3.000 dólares mensuales en sesiones agénticas intensivas. Uber no es un caso excepcional, sino una muestra temprana del rumbo que está tomando toda la categoría.

Los agentes autónomos son el nivel que casi nadie ha modelado todavía. Para un agente no existe el concepto de «licencia». Funciona sin supervisión, inicia subagentes, vuelve a intentarlo cuando falla y consume tokens todo el tiempo, produzca o no algo valioso. Esta es la capa con menos datos de costes y menos precedentes presupuestarios.

Dicho de forma sencilla: el nivel con el que los directores financieros se sienten más cómodos también representa el menor riesgo económico. Los dos niveles que realmente están haciendo estallar los presupuestos son precisamente los que se alejan de los precios previsibles cuando el uso crece con mayor rapidez.

Cerrar la brecha en la gestión de los costes de la IA

El hilo conductor entre Uber, Meta y el conjunto más amplio de datos de Ramp es la falta de visibilidad. La mayoría de las organizaciones no cuenta con una capa de control entre el empleado o agente y la herramienta que abre. Los límites de gasto como el de Uber son una solución rudimentaria y posterior para un problema que realmente exige una intervención previa.

Esa es la brecha que pretende cubrir una categoría más reciente de herramientas, denominada a menudo orquestación de agentes o pasarelas de agentes: dirigir cada tarea al modelo más barato capaz de resolverla, aplicar límites de gasto antes de que se rebasen y proporcionar al área financiera un contador en tiempo real en lugar de una sorpresa mensual.

Esta categoría evoluciona con rapidez y ya se está dividiendo en varias capas diferenciadas. Una de ellas son las pasarelas con control de costes, que se sitúan entre las aplicaciones de una organización y sus proveedores de modelos y añaden límites de gasto por equipo, el enrutamiento automático de tareas sencillas a modelos más baratos y el almacenamiento en caché de respuestas: los mismos mecanismos que Uber aplicó manualmente al imponer su límite. Una segunda capa es la orquestación de agentes, que se centra en coordinar a varios agentes que trabajan juntos e incorpora cada vez más la visibilidad de costes desde el principio, en lugar de añadirla posteriormente. Y una nueva capa orientada al área financiera está empezando a tratar el gasto en IA del mismo modo que los equipos FinOps llevan años tratando el gasto en la nube: atribuido por equipo y función, presupuestado y revisado mensualmente en lugar de descubrirse a posteriori.

También existe un enfoque arquitectónico que busca limitar el gasto reduciendo la dependencia de los grandes modelos de lenguaje. Algunas empresas han empezado a crear arquitecturas híbridas SLM/LLM en las que se entrenan modelos de lenguaje pequeños para un conjunto limitado de tareas corporativas, como políticas internas, atención al cliente, procesamiento de documentos de préstamos o análisis de manifiestos de carga. La ventaja económica puede ser considerable.

Según una comparativa de LLM empresariales de 2026, con un millón de conversaciones mensuales, los LLM de frontera alojados cuestan entre 15.000 y 75.000 dólares al mes, mientras que un modelo de lenguaje pequeño ajustado e implantado internamente cuesta entre 150 y 800 dólares mensuales para el mismo volumen. Goldman Sachs, por ejemplo, gestiona el gasto en IA a gran escala mediante una pasarela centralizada de modelos que clasifica cada solicitud por tipo de tarea y la dirige al modelo más rentable para ese trabajo, desde modelos ligeros de código abierto hasta LLM de frontera, todo ello dentro de su propio perímetro de seguridad.

El denominador común es que la mayoría de las herramientas actuales fueron creadas por y para ingenieros con el fin de impulsar su productividad mediante el uso de agentes. La capa que todavía falta en la mayoría de las organizaciones es la diseñada para responder directamente a las preguntas del director financiero: ¿qué equipo, qué presupuesto, cómo predecimos los gastos y qué caso de uso empresarial respalda este desembolso? Es probable que esta brecha sea la más importante a medida que el gasto en IA agéntica siga acumulándose.

Hace dos años, nada de esto existía como partida presupuestaria. Hoy, los costes de los tokens de IA son uno de los elementos de crecimiento más rápido y peor comprendidos del balance, y la gestión de los costes de IA se está convirtiendo rápidamente en una disciplina financiera esencial, en lugar de un proyecto secundario. Ya vimos una historia parecida cuando se adoptó por primera vez la nube y los costes se dispararon durante aquella primera oleada. Las organizaciones que planean desplegar IA agéntica harían bien en mantener ahora esta conversación entre ingeniería y finanzas y acordar un método de gestión. Uber y Meta ya han demostrado qué ocurre cuando se habla del asunto después de los hechos en lugar de antes.