Uber agotó su presupuesto de IA, y los gastos de las empresas en computación ya están superando los salarios

La inteligencia artificial está transitando rápidamente de gastos experimentales a una de las líneas más pesadas de los presupuestos corporativos. En algunas empresas, los costos de modelos, tokens y computación ya compiten no con licencias de software, sino con la nómina de personal. Una señal reveladora llegó de Uber: el director técnico de la empresa informó que el presupuesto anual en IA para 2026 ya se ha agotado, siendo el alto costo de los tokens la razón principal.

Lo que hace poco era percibido como una herramienta flexible para acelerar la productividad de los equipos ahora se convierte en una línea de gastos operativos completa que no puede ignorarse. El problema es que la economía de la IA no se escala de la misma manera que el software corporativo tradicional. Si una suscripción a un servicio típico es generalmente predecible, los gastos en modelos generativos crecen con cada solicitud, cada nuevo usuario y cada escenario de uso adicional.

Cuanto más embebe una empresa la IA en búsqueda, soporte, analítica, código, asistentes internos y productos orientados al cliente, mayor es la factura de tokens, costos de GPU en la nube, almacenamiento de datos, monitoreo y seguridad. En la fase piloto, estas sumas pueden parecer tolerables, pero una vez en producción, el presupuesto comienza a cambiar dramáticamente, especialmente cuando miles de empleados o clientes comienzan a usar el servicio. Mientras tanto, una parte significativa de los costos no se oculta en un único contrato, sino que se distribuye entre varios conceptos: APIs, nube, bases de datos vectoriales, registro, protección de datos, ajuste fino, integración y mantenimiento.

Es precisamente por eso que la IA en el entorno corporativo resulta ser más cara de lo que parece en la primera presentación o en la primera factura. En este contexto, el pronóstico sobre el gasto mundial en TI parece lógico: en 2026 debería alcanzar 6,31 billones de dólares, lo que es 13,5% más que los niveles de 2025. Una porción sustancial de este crecimiento proviene de infraestructura de IA, software y servicios en la nube.

El dinero va no solo hacia el acceso a los modelos, sino también a todo el ecosistema que los rodea: capacidad de servidores, integraciones, herramientas de observabilidad, mecanismos de control de calidad de respuestas y medidas de protección de datos. Para los negocios, esto significa que la implementación de IA ya no puede verse como una iniciativa local de un único equipo — se trata de una revisión sistémica del presupuesto de TI. Si antes las empresas debatían si contratar a otro analista, desarrollador o gerente, ahora surge cada vez más otra pregunta: ¿un escenario específico de IA entrega mejor retorno que un especialista humano o la automatización estándar?

Esto también cambia el enfoque gerencial. Las empresas ya no pueden simplemente permitir que los empleados usen redes neuronales o conecten una API en un par de productos. Necesitan límites financieros, control de costos por escenario, elección entre modelos costosos y más compactos, caché de solicitudes repetidas y evaluación rigurosa de dónde la IA realmente crea valor.

Cada vez más, las empresas están enrutando solicitudes por nivel de complejidad, limitando la longitud del contexto, utilizando modelos más pequeños para tareas rutinarias y empleando soluciones locales donde la confidencialidad y los costos predecibles importan. En muchos casos, es más barato mantener algunos procesos con personas o automatizarlos usando métodos tradicionales que pagar ciegamente por cada generación. El ejemplo de Uber es importante precisamente por esto: incluso una gran empresa tecnológica con una sólida cultura de ingeniería no enfrenta el problema del acceso a la IA, sino el problema de su rentabilidad.

El siguiente paso para el mercado no es una carrera por la máxima cantidad de funciones de IA, sino una transición hacia el uso disciplinado. Los ganadores no serán las empresas que conecten más modelos, sino aquellas que aprendan a calcular el costo de una respuesta, correlacionarlo con ingresos o ahorro de tiempo y desactiven prontamente escenarios costosos sin retorno claro. La IA finalmente deja de ser una capa de moda sobre el negocio y se convierte en infraestructura.

E infraestructura, como demuestra el ejemplo de Uber, requiere no solo ambición sino también un control presupuestario muy riguroso.