Los tokens de IA disparan las facturas cloud de las empresas, según ZDNet

El gasto empresarial en tokens de IA se está convirtiendo en una nueva partida presupuestaria que nadie sabe controlar. Los analistas de ZDNet detectan una tendencia preocupante: la curva de costes repite la historia temprana del cloud, con un crecimiento acelerado, sin herramientas claras de optimización y sin respuesta a qué obtiene exactamente el negocio a cambio.

Déjà vu de 2012

En los inicios de la era cloud, los directores de TI recibían facturas de EC2, S3 y RDS que crecían más rápido que cualquier previsión. Nadie sabía calcular el gasto por unidad de valor de negocio. Hicieron falta años, decenas de herramientas de FinOps y departamentos enteros de cloud cost management para poner esos costes bajo control.

Con los tokens de IA, la historia se repite, pero a ritmo comprimido. Los desarrolladores conectan GPT-4o, Claude Opus y sus propios modelos afinados a los sistemas de producto. Cada workflow agéntico con llamadas a herramientas, búsqueda RAG y contexto largo puede gastar entre 20 000 y 100 000 tokens por transacción. Multiplíquelo por miles de usuarios al día y el resultado es una factura que no figuraba en ningún presupuesto y que sigue creciendo cada trimestre.

«Los tokens de IA recordarán a muchos clientes empresariales los

precios del cloud de los primeros tiempos», afirma ZDNet.

El problema sin resolver: cómo medir el valor

El principal problema que señala ZDNet no es el gasto en sí, sino que las empresas no saben medir el valor que generan los tokens de IA. En el mundo cloud todo era relativamente transparente: una instancia ejecuta una tarea, la tarea tiene un coste en horas-persona y la diferencia es el ahorro. Con la IA, ese esquema se rompe en cada paso:

• Un asistente de IA acelera la redacción de un correo, pero nadie ha medido de forma sistemática cuánto
• Un agente automatiza un proceso, pero la calidad de su trabajo es subjetiva e irregular
• Un chatbot descarga al soporte, pero las métricas de satisfacción en casos complejos caen
• Un asistente de código reduce el tiempo de desarrollo, pero la deuda técnica no desaparece
• Un sistema RAG mejora la precisión de las respuestas, pero los benchmarks dependen del dataset y de la tarea concreta

A diferencia de las horas de CPU o los gigabytes de tráfico, los tokens no tienen una correspondencia obvia con el resultado de negocio. Un CFO no puede decir: «Con este millón de tokens obtuvimos este valor concreto y medible». Mientras no se resuelva este problema, los presupuestos de IA se aprobarán por fe y no a partir de datos.

Cómo reacciona el mercado

Algunos grandes clientes corporativos de AWS, Azure y Google Cloud ya registran un aumento del gasto en IA de 3 a 10 veces interanual. Los proveedores responden con herramientas de monitorización del consumo de tokens, pero por ahora sobre todo muestran cifras y no ayudan a optimizar el gasto. Surge una nueva especialización, AI FinOps, cuya tarea es gestionar el coste de la inferencia de LLM en producción.

Entre las primeras herramientas tácticas:

• Caché de prompts para peticiones repetitivas
• Enrutamiento de tareas a modelos más baratos según su complejidad
• Límite a la profundidad del contexto y al número de pasos de las cadenas agénticas
• Procesamiento por lotes de peticiones en lugar de llamadas individuales en tiempo real
• Auditoría periódica de integraciones de IA sin uso o poco eficaces

Pero esto es táctica, no estrategia. La industria aún no tiene respuesta a la pregunta de cuántos tokens conviene gastar para obtener un resultado de negocio concreto.

Qué significa

La IA corporativa cae en la misma trampa que el cloud en 2012: la tecnología está ampliamente adoptada, los costes suben rápido y el ROI es difícil de medir. Las empresas que ya han desplegado LLM en producción deberían invertir ahora en herramientas de visibilidad de costes y construir métricas de valor. De lo contrario, la conversación con el director financiero se convertirá en un examen incómodo para el que nadie se preparó.