Uber agota su presupuesto de IA y el gasto de las empresas en cómputo ya supera a los salarios

La inteligencia artificial pasa rápidamente de ser un gasto experimental a convertirse en una de las partidas más pesadas del presupuesto corporativo. En varias empresas, el coste de modelos, tokens y cómputo ya compite no con las licencias de software, sino con la masa salarial. Una señal reveladora llegó de Uber: el director de tecnología de la compañía afirmó que el presupuesto anual de IA para 2026 ya está agotado, y la causa principal es el alto coste de los tokens. Lo que hasta hace poco se veía como una herramienta flexible para acelerar el trabajo de los equipos es ahora una partida completa de gasto operativo que no se puede ignorar.

El problema es que la economía de la IA no escala como el software empresarial clásico. La suscripción a un servicio habitual suele ser previsible, pero el gasto en modelos generativos crece con cada consulta, cada nuevo usuario y cada caso de uso adicional. Cuanto más integra una empresa la IA en búsqueda, soporte, analítica, código, asistentes internos y productos para clientes, mayor es la factura de tokens, GPU en la nube, almacenamiento de datos, monitorización y seguridad. En la fase piloto estas cifras pueden parecer tolerables, pero tras el paso a producción el presupuesto empieza a dar saltos, sobre todo cuando miles de empleados o clientes empiezan a usar el servicio.

Además, buena parte del gasto no está en un único contrato, sino repartida entre varias partidas: API, nube, bases de datos vectoriales, registro de logs, protección de datos, ajuste fino, integración y mantenimiento. Por eso la IA en el entorno corporativo resulta cada vez más a menudo más cara de lo que se veía en la primera presentación o en la primera factura.

En este contexto, la previsión del gasto TI mundial resulta lógica: en 2026 debería alcanzar los 6,31 billones de dólares, un 13,5 % más que en 2025. Una parte sustancial del aumento procede de la infraestructura de IA, el software y los servicios en la nube. El dinero no se va solo en acceder a los modelos, sino en todo lo que los rodea: capacidad de servidores, integraciones, herramientas de observabilidad, controles de calidad de las respuestas y mecanismos de protección de datos. Para las empresas, esto significa que la adopción de IA ya no puede tratarse como una iniciativa local de un equipo: exige una revisión sistémica del presupuesto TI.

Antes las empresas debatían si contratar a un analista, desarrollador o gestor más. Ahora surge cada vez más otra pregunta: ¿un caso de uso concreto de IA amortiza sus tokens y su cómputo mejor que un especialista humano o la automatización convencional?

Cambia así el enfoque de gestión. A las empresas ya no les basta con permitir que los empleados usen redes neuronales o con conectar una API en un par de productos. Hacen falta límites financieros, control del coste de cada caso de uso, elegir entre modelos caros y más compactos, caché de consultas repetidas y una evaluación rigurosa de dónde crea valor realmente la IA.

Cada vez se recurre más al enrutamiento de consultas según su complejidad, a límites en la longitud del contexto, a modelos pequeños para tareas típicas y a soluciones locales donde importan la confidencialidad y un coste predecible. En muchos casos es más barato dejar algunos procesos en manos de personas o automatizarlos con métodos clásicos que pagar sin control cada generación.

Por eso importa el ejemplo de Uber: incluso una gran empresa tecnológica con una sólida cultura de ingeniería se enfrenta no a un problema de acceso a la IA, sino a uno de rentabilidad. La siguiente etapa del mercado no es una carrera por el mayor número de funciones de IA, sino el paso a un uso disciplinado. No ganarán las empresas que conecten más modelos, sino las que aprendan a calcular el coste de una respuesta, compararlo con los ingresos o el tiempo ahorrado y apagar a tiempo los casos caros sin un efecto claro.

La IA deja definitivamente de ser un complemento de moda del negocio y pasa a ser infraestructura. Y la infraestructura, como muestra el caso de Uber, exige no solo ambición, sino un control presupuestario muy estricto.