Una guía para que CIOs y responsables de tecnología puedan anticipar, asignar y gobernar el costo de una capacidad de IA que empieza a operar como parte del modelo productivo de la empresa.
Durante los últimos dos años, muchas empresas pudieron manejar el presupuesto de inteligencia artificial como una extensión relativamente pequeña del presupuesto de tecnología: algunas licencias de copilots, proyectos piloto, consumo de APIs y experimentos con modelos generativos.
En 2027, probablemente eso ya no sea suficiente.
La incorporación de IA en aplicaciones empresariales y, especialmente, la aparición de agentes capaces de ejecutar tareas, consultar información, utilizar herramientas y participar de procesos de negocio completos están cambiando la estructura económica de la IA.
El nuevo gran desafío para los CIOs será desarrollar capacidades para anticipar y controlar cuánto costará operarla cuando empiece a utilizarse masivamente.
Para dar respuesta a este desafío, una tendencia que está tomando cada vez mayor relevancia es cambiar la unidad con la que pensamos el presupuesto: pasar del costo por licencia o por token al costo por resultado de negocio.
1. El presupuesto de IA está creciendo aceleradamente
Las proyecciones muestran la magnitud del cambio.
Gartner proyecta que el gasto mundial en IA alcanzará aproximadamente USD 3,4 billones en 2027. Dentro de ese monto, estima que el gasto en software de IA crecerá desde USD 461.637 millones en 2026 hasta USD 656.353 millones en 2027. [1]
Gartner también estima que el mercado de Agentes y asistentes de IA pasará de USD 16.481 millones en 2025 a USD 29.219 millones en 2026 y USD 65.472 millones en 2027. Esto representa un crecimiento de aproximadamente 124% entre 2026 y 2027. [1]
GRÁFICO 1 | El crecimiento de los agentes cambia la escala del consumo de IA
Fuente: Gartner, Worldwide AI Spending by Market, septiembre de 2026. Crecimiento 2026-2027: aproximadamente +124%, cálculo propio sobre datos Gartner.
En este nuevo escenario, no solamente habrá más usuarios utilizando IA. Los agentes comienzan a incorporarse sostenidamente dentro de workflows empresariales y a ejecutar procesos de múltiples pasos, aumentando considerablemente la cantidad de interacciones con modelos, datos, APIs y aplicaciones.
Gartner también señala que los proveedores están incorporando rápidamente IA agéntica en sus productos y que las empresas buscan mecanismos de seguimiento de uso para administrar costos y evaluar resultados. [1]
BCG observa el fenómeno desde otra perspectiva. Su Applied AI Index 2026, basado en una encuesta a 1.330 CxOs y lideres senior, indica que el gasto corporativo en IA pasó de aproximadamente 1,7% de los ingresos a fines de 2025 a 3,3% en 2026. Además, más del 80% de ese gasto se encuentra fuera del presupuesto empresarial de IT. [2]
Esto introduce un primer problema para las organizaciones que estén preparando su presupuesto 2027: es posible que una parte importante del gasto de IA ya exista, pero que nadie tenga una visión consolidada de cuánto representa.
Marketing puede estar contratando herramientas generativas. Desarrollo puede estar utilizando asistentes de programación. Finanzas puede incorporar IA dentro de aplicaciones SaaS. Operaciones puede implementar agentes. Y diferentes áreas pueden estar consumiendo modelos mediante servicios cloud.
La suma de todos estos consumos puede no aparecer nunca como una única línea del presupuesto denominada “Inteligencia Artificial”.
2. La paradoja del costo de la IA
El precio de los modelos evoluciona rápidamente. Sin embargo, concentrarse solamente en el precio unitario puede llevar a conclusiones equivocadas sobre el costo total de IA.
La explicación está en el volumen. En otro análisis publicado en 2026, BCG señala que la participación de la IA dentro del presupuesto de IT relevado más que se triplicó, de 5% a 17%. Ese mismo análisis estima, a partir de las respuestas de la encuesta, un gasto promedio equivalente a 3,3% de los ingresos en enterprise IT más 2,8% de los ingresos en iniciativas de IA financiadas fuera de Tech/IT. Son métricas distintas y no deben sumarse ni confundirse con el 3,3% de gasto corporativo en IA reportado por el Applied AI Index. [3]
Es un fenómeno conocido en tecnología: cuando una capacidad se vuelve más accesible, aparecen nuevos usos y aumenta su consumo.
Con IA puede ocurrir algo todavía más pronunciado porque estamos pasando de modelos que responden preguntas a sistemas agénticos que ejecutan trabajo.
Un usuario puede hacer una consulta y generar una llamada a un modelo. Un agente, en cambio, puede recibir un objetivo, consultar información, razonar, llamar a una herramienta, analizar su respuesta, consultar otro sistema, pedir una validación, corregir una decisión y finalmente ejecutar una acción.
Una única transacción de negocio puede generar múltiples operaciones tecnológicas e interacciones con diferentes modelos.
3. De copilots a agentes: cambia la unidad económica
El uso de la IA generativa a nivel empresarial comenzó principalmente bajo un modelo de asistencia: un empleado solicita algo, el modelo responde y el empleado continúa trabajando.
La IA agéntica introduce una realidad diferente. McKinsey señala que algunas compañías pioneras ya expresan sus organigramas no sólo en cantidad de FTE, sino también en cantidad de agentes desplegados. En el mismo análisis propone pensar la fuerza de trabajo como humana y agéntica, y describe a los agentes como una fuerza de trabajo paralela capaz de ejecutar procesos end-to-end. [4]
Esto impacta también en la forma de presupuestar.
Una licencia tradicional tiene un costo relativamente predecible: cantidad de usuarios × precio mensual.
Una fuerza de trabajo digital funciona de manera diferente. Su costo depende de cuánto trabaja.
Un agente que procesa 1.000 casos mensuales no cuesta necesariamente lo mismo que uno que procesa 100.000. Y dos agentes que procesan la misma cantidad de casos pueden tener costos diferentes dependiendo de la complejidad de cada tarea.
Por eso, presupuestar IA exclusivamente por cantidad de licencias o tokens empieza a resultar insuficiente.
4. Las cinco capas del costo real de IA
Un enfoque por considerar para preparar un presupuesto 2027 consiste en separar el costo de IA en cinco grandes componentes.
Primero, licencias. Aquí aparecen Microsoft 365 Copilot, Gemini, asistentes incorporados dentro de aplicaciones SaaS, herramientas de desarrollo y otras soluciones contratadas por usuario. Es la parte más parecida al software tradicional y, por lo tanto, la más sencilla de presupuestar.
Segundo, plataforma. Incluye infraestructura cloud, plataformas de agentes, orquestación, RAG, bases vectoriales, AI gateways, observabilidad, seguridad y gobierno. Una parte será fija y otra crecerá con el uso.
Tercero, construcción. Hay que analizar procesos, preparar datos, desarrollar integraciones, configurar herramientas, diseñar instrucciones, implementar mecanismos de evaluación, realizar pruebas y establecer controles. Este costo puede tratarse inicialmente como inversión o proyecto, pero a medida que aumenta la cantidad de agentes comienza a transformarse en una capacidad permanente.
Cuarto, inferencia. Es el consumo propiamente dicho de los modelos: tokens de entrada y salida, reasoning, embeddings, procesamiento de documentos, imágenes, voz y otros servicios.
Quinto, operación. Los agentes llaman APIs, consultan bases de datos, ejecutan workflows, utilizan motores de búsqueda, invocan otros agentes, generan logs, realizan reintentos y requieren monitoreo. Probablemente sea una de las categorías que más atención requerirá en 2027.
Costo total de IA = licencias + plataforma + construcción + inferencia + operación
A esto deberán agregarse seguridad, gobierno, observabilidad y gestión del cambio cuando no estén incluidos dentro de esas categorías.
5. Pay-per-use o capacidad reservada
Otro cambio importante será decidir qué tipo de capacidad contratar.
Los principales hyperscalers ya ofrecen alternativas que responden a este problema. Actualmente la mayoría de las plataformas han incorporado servicios de prompt caching para reducir costos en instrucciones parcial o totalmente compartiddas por soluciones (AWS, por ejemplo informa reducciones de hasta 90% en costos de inferencia y hasta 85% en latencia para modelos soportados, dependiendo del patrón de reutilización. [8] y Provisioned Throughput (Microsoft distingue implementaciones Standard, facturadas por token y adecuadas para tráfico variable o impredecible, de Provisioned Throughput, facturado por PTU/hora o mediante reservas y orientado a workloads de producción de gran escala que requieren throughput consistente. [6] en tanto que Google Cloud calcula y cotiza Provisioned Throughput mediante Generative AI Scale Units (GSU), que representan capacidad de throughput.
La decisión se parece a la de otros problemas tradicionales de infraestructura cloud.
Para cargas experimentales, irregulares o difíciles de predecir, pagar por consumo ofrece flexibilidad. Para workloads estables y de gran volumen, reservar capacidad puede aportar previsibilidad y eventualmente mejores condiciones económicas.
Es importante considerar que, en el caso de capacidad reservada, el foco reside principalmente en obtener un mejor desempeño. Los potenciales beneficios económicos son secundarios, y sólo se dan en ciertos escenarios concretos.
Al evaluar el tratamiento de cargas más o menos estables/prioritarias, es relevante tener en cuenta que, según la prioridad de procesamiento, existe un precio estándar en modalidad Pay as you go, pero también hay un precio para priority processing (más rápido, aplicable solo a ciertos modelos) y otro para batch (más lento, también aplicable a ciertos modelos). Estas opciones permiten modular el impacto en el costo de la solución.
Por lo tanto, el presupuesto debería clasificar los casos de IA al menos en dos grupos:
- Demanda variable: experimentación, nuevos agentes y workloads todavía poco predecibles.
- Demanda estructural: agentes y aplicaciones en producción con volúmenes relativamente conocidos.
Esto permitirá decidir qué capacidad conviene reservar y qué capacidad conviene mantener variable.
6. El token es una métrica técnica, no una métrica de negocio
Los tokens son importantes para controlar costos. Pero tienen una limitación: no dicen nada sobre el valor producido.
Supongamos que un agente consume USD 0,30 para procesar una factura. ¿Es caro o barato? No podemos saberlo.
Necesitamos conocer cuánto cuesta actualmente procesar esa factura, cuánto tiempo demora, qué errores genera y qué intervención humana requiere.
La unidad económica correcta debería estar vinculada con el resultado obtenido:
- Costo por factura procesada.
- Costo por incidente resuelto.
- Costo por proveedor evaluado.
- Costo por reclamo gestionado.
- Costo por contrato revisado.
- Costo por lead calificado.
- Costo por orden procesada.
El análisis de BCG refuerza la necesidad de evaluar el consumo de IA por el retorno que produce y no únicamente por su costo técnico. BCG plantea que toda inversión de IA escalada debería tener una tesis explícita de valor y evidencia acorde a su propósito -eficiencia, crecimiento o valor estratégico- y que las inversiones que fallen repetidamente ese test deberían revisarse o detenerse. [3]
Anthropic plantea un criterio compatible: al escalar IA empresarial, recomienda definir métricas de éxito significativas y medibles y vincular los casos de uso con resultados de negocio y un retorno identificable. [5]
Esto permite realizar una comparación mucho más útil:
De esta manera, el objetivo deja de ser minimizar tokens. El objetivo pasa a ser minimizar el costo de producir correctamente un resultado.
GRÁFICO 2 | La nueva unidad económica de la IA
La evolución que propone este modelo es importante: los tokens continúan siendo necesarios para gestionar técnicamente el consumo, pero dejan de ser la principal unidad económica para decidir dónde invertir.
El CIO necesita poder recorrer toda la cadena: desde el costo de los modelos hasta el resultado económico obtenido por el proceso.
