Las empresas de la muestra de Ramp aumentaron su gasto en IA apenas un 1,65% en octubre

La factura de IA apenas ha cambiado: ¿ha dejado el equipo de utilizarla? Los datos de Ramp muestran por qué esa conclusión podría ser errónea. En octubre, el gasto en IA de los clientes del servicio en Estados Unidos creció un 1,65% respecto al mes anterior y alcanzó un nuevo máximo. Al mismo tiempo, el coste medio de procesar un millón de tokens de texto en una muestra independiente cayó un 21%. Para desarrolladores y responsables de producto, es un problema conocido: el importe pagado ya no explica cuánto trabajo ha realizado el producto ni qué utilidad ha tenido.

The Decoder recoge estas cifras citando el Ramp AI Index. La conclusión práctica es revisar cómo se lleva el control interno. Si solo se vigila el gasto en API, un aumento de la carga de trabajo puede pasar inadvertido. Y ampliar el presupuesto tampoco significa, por sí solo, que los usuarios estén obteniendo más valor.

Una factura puede ocultar escenarios distintos

Imaginemos un servicio que ayuda a los agentes de atención al cliente a responder consultas. Es un ejemplo hipotético: antes procesaba mil consultas y ahora atiende bastantes más. Si procesar texto se ha abaratado, la factura final puede mantenerse igual. El informe financiero mostrará una partida de gastos estable, aunque haya aumentado la carga del sistema.

También puede ocurrir lo contrario: un agente empieza a enviar historiales de conversación largos, a repetir solicitudes tras los errores y a recurrir con más frecuencia a un modelo caro. El gasto aumenta, pero el número de consultas resueltas no cambia. Sin datos sobre el trabajo completado, es imposible distinguir estas situaciones.

Por eso conviene seguir, junto al presupuesto, el número de tareas, la proporción de respuestas satisfactorias, la latencia y la frecuencia con la que se deriva la consulta a una persona. En atención al cliente, una unidad útil es el coste por consulta resuelta con una calidad aceptable. Para una herramienta de programación habrá que elegir una métrica propia: por ejemplo, el coste por cambio aceptado, incluidas la revisión y las correcciones.

La caída del precio medio de los tokens que recoge el informe también exige cautela. Puede reflejar cambios en las tarifas, en la combinación de modelos y en el tipo de solicitudes. Esa cifra no permite concluir que una API concreta se haya abaratado exactamente un 21% ni que el producto vaya a obtener automáticamente el mismo ahorro.

Atención al cliente recibe más presupuesto

El desarrollo de software representó el 72% de todo el gasto en IA registrado. Mientras tanto, la cuota de atención y asistencia al cliente pasó del 0,8% en junio al 13,3% en octubre. Es un cambio significativo en la estructura del gasto, aunque todavía no demuestra una rentabilidad generalizada de los chatbots.

Para quien funda un producto en este ámbito, surge una hipótesis concreta: las empresas están dispuestas a destinar más dinero a automatizar la gestión de consultas. Conviene ponerla a prueba en un proceso acotado con un resultado medible. Por ejemplo, responder preguntas sobre el estado de un pedido o encontrar la entrada adecuada en una base de conocimiento. Después se pueden comparar la calidad, la velocidad y el coste total de gestión con el proceso anterior.

The Decoder señala que estas tareas suelen encajar con modelos baratos y rápidos. La conclusión práctica es probar varias opciones con el mismo conjunto de consultas. Un modelo caro puede justificar su coste en casos complejos, pero la elección debe basarse en los resultados de las pruebas.

Por qué esto aún no retrata todo el mercado

El índice se basa en datos de pagos de más de 85.000 empresas estadounidenses. Sin embargo, los clientes de Ramp suelen estar más orientados al crecimiento, tener mayor familiaridad con la tecnología y ser más grandes que el conjunto de las empresas de Estados Unidos. Las herramientas gratuitas y el uso a través de cuentas personales pueden quedar fuera de la observación.

Hay otro límite: las métricas de volumen de tokens y gasto asociado proceden de usuarios de Ramp Token Spend Management. No pueden extrapolarse automáticamente a toda la base de clientes. La afirmación recogida en el artículo de que el 1% de las empresas genera el 80% de los ingresos de OpenAI y Anthropic también debe leerse en el contexto de las observaciones de Ramp, y no como una divulgación de los ingresos totales de los proveedores.

Estos datos sirven para plantearse una revisión de la economía del propio producto. Se puede empezar por un único flujo de trabajo: vincular los pagos con el número de tareas completadas, comprobar la calidad e identificar dónde se producen solicitudes repetidas. Así será más fácil entender la siguiente factura mensual, aunque vuelva a cambiar muy poco.