PERSPECTIVA
Las empresas que se adelantan con la IA están rastreando el crecimiento, la experiencia y el retorno de capital, no solo su costo.
7 MINUTOS DE LECTURA
29 julio 2026
El gasto en IA llega a la línea de costos de pérdidas y ganancias hoy: infraestructura, inferencia, licencias… todo ello contabilizado y revisado como cualquier otra factura tecnológica. Lo que rara vez llega al otro lado del registro contable: la retención que crea un centro de contacto con IA, los activos bajo la administración que un banquero independiente puede hacer crecer, el capital de trabajo y las versiones más nítidas de las proyecciones de demanda. En cada caso, el gasto se correlaciona con el crecimiento, la experiencia o el capital, no solo con el costo. La mayoría de las empresas aún no lo registran, y mucho menos lo controlan.
Esa brecha, entre la línea en la que la IA se encuentra hoy y los resultados que podría producir mañana, es el desafío definitorio de la IA empresarial en este momento, y cerrarla requiere de una disciplina que la mayoría de las organizaciones no han construido. La pregunta no es cuánto cuesta la IA. Es si genera beneficios suficientes como para que valga la pena. Los líderes que reformulan esa pregunta están encontrando un conjunto muy diferente de respuestas.
Aquí es donde entra en juego la economía de tokens: la disciplina que conecta lo que la IA consume con el valor que genera. Los tokens son las unidades de datos que los modelos de IA procesan y cada indicación, respuesta, paso de recuperación e interacción con el agente los consume. Lo que antes era una partida de facturación, el token es ahora un factor de producción, un insumo fundamental que debe ser rastreado, medido y gestionado. El objetivo es hacer que cada dólar invertido en IA genere un mayor retorno.
Accenture lo ve a escala. Por ejemplo, una de nuestras plataformas internas ejecuta aproximadamente 8.7 billones de tokens por semana en infraestructura que poseemos y enruta cada tarea al modelo correcto a aproximadamente un sexto del costo del modelo de vanguardia. Sin embargo, el enrutamiento por sí solo no es suficiente; en un entorno independiente, cuando cada nueva sesión se establece de manera predeterminada en un modelo de nivel medio, una gran parte de los empleados aún opta por la opción más poderosa. Ese comportamiento único, multiplicado en una fuerza laboral, es donde los costos de consumo aumentan silenciosamente.
La experiencia nos ha enseñado que la escala de IA no tiene por qué significar un costo descontrolado, pero el control de costos es solo la mitad del punto. El mayor desafío es asegurar que cada uso de la IA se adapte al nivel adecuado de inteligencia para el resultado comercial que se necesita producir.
Los tokens son las unidades de datos que los modelos de IA procesan y cada indicación, respuesta, paso de recuperación e interacción con el agente los consume. La economía de tokens es la disciplina que conecta lo que la IA consume con el valor que genera.
$800 mil millones
Según un informe de Goldman Sachs1, el gasto relacionado con la IA está en camino de alcanzar más de US$800 mil millones en 2026.
Solo el 23 %
Sin embargo, solo el 23 % de los líderes directivos que encuestamos2 informan un valor comercial generalizado y sostenido de la IA en toda su organización.
Algunas empresas han gastado el presupuesto de IA de un año en un solo trimestre. La mayoría de las empresas administran tokens igual que la computación en la nube: de forma reactiva, cuando llega la factura. Las empresas que se adelantan no ganan ni en mejores modelos ni en más informática, sino que administran el consumo de tokens con el mismo rigor que la asignación de capital.
El error es administrar la IA como un gasto tecnológico en lugar de un sistema económico. La IA no es similar al software, que tiene una estructura de costos mucho más predecible: compras asientos, pagas tarifas de licencia, conoces la factura y los costos aumentan solo cuando el personal crece o se renuevan los contratos.
Con la IA, esa previsibilidad desaparece. Los costos no solo aumentan con la cantidad de personas, sino con lo que piden, cuán profundamente razonan los modelos y cuánto trabajo se enruta a través de los sistemas de IA. Cada vez más, los usuarios no son personas, sino agentes y flujos de trabajo automatizados que consumen inferencia a toda hora, sin asiento humano que contar ni licencia que limitar.
En casi todas las implementaciones que hemos examinado, incluida la nuestra, una pequeña participación hace la mayor parte del gasto: menos del 10 % de los usuarios y flujos de trabajo impulsan la mayoría de la factura. La demanda es implacable; en algunos de nuestros entornos, las solicitudes para elevar los límites de gastos individuales llegan a cientos cada día.
A medida que la IA se acerca más a la empresa, el consumo aumenta con cada nuevo flujo de trabajo, agente y modalidad. Los chatbots se convierten en agentes. Los agentes se convierten en equipos de agentes. El texto se expande a la generación multimodal con imágenes, videos y audio. Y en el borde físico, los robots autónomos se basan en la misma infraestructura de inferencia, donde cada decisión y excepción conlleva un costo de tokens que la empresa no había previsto. A medida que se multiplican los casos de uso, la curva de consumo crece de forma exponencial. Goldman Sachs prevé que el consumo de tokens alcance aproximadamente los 120 mil billones de tokens al mes para 2030, unas 24 veces el nivel actual. Las empresas que toman el consumo actual como referencia están planificando en función de un mundo que no va a existir.
La seguridad añade otro costo oculto, y no es algo que ninguna organización pueda permitirse ignorar. Cuantos más modelos, agentes, datos y sistemas conectados añada una empresa, más tendrá que defender. Ese trabajo de defensa, el escaneo constante, los controles de acceso más estrictos, el monitoreo de amenazas y la respuesta rápida, pone un precio sombra en cada implementación. Rara vez aparece en el primer plan de costos, pero crece con cada agente nuevo y conexión.
Esta es la paradoja de Jevons en forma de IA: al igual que los motores de vapor más eficientes expandieron el uso del carbón de Gran Bretaña en lugar de reducirlo, los precios de los tokens que caen impulsan a las empresas a ejecutar más IA, no menos, ya que el trabajo que alguna vez era demasiado caro para justificar repentinamente tiene sentido financiero.
En nuestra simulación[3] descubrimos que si los precios de los tokens cayeran un 25 % en la actualidad, solo el 15 % de las organizaciones dejaría los ahorros en el banco. El resto volvería a invertir en nuevos casos de uso, cargas de trabajo expandidas o modelos de mayor calidad. Decirles a los empleados que utilicen menos IA no es la respuesta; eso limita las mejoras en la productividad que la IA está destinada a generar. La respuesta es dirigir esa nueva demanda al modelo más barato que hace bien el trabajo, por lo que el mismo presupuesto compra más trabajo útil y más retorno medible.
Una segunda fuerza es igualmente importante: la frontera de Pareto, el mejor intercambio entre costo y valor. La mayoría de las empresas gastan en exceso cuando el trabajo no lo justifica o enruta mal las tareas y deja valor en la mesa. Las empresas más sofisticadas cierran esa brecha y hacen coincidir cada tarea con el modelo correcto al costo correcto. Luego, cambian la curva a través de la compresión de indicaciones, el almacenamiento en caché más inteligente y la destilación de modelos.
Este es un ejemplo concreto: un resumen trimestral, que antes les tomaba 15 horas a tres analistas de finanzas, ahora le toma dos horas a una persona, a un costo de tokens de un par de dólares en comparación con miles de dólares de tiempo libre. Ese es el cambio que mide la vanguardia. El retorno no es el token guardado; es la capacidad liberada que se redirige a tareas de mayor valor. Medido en comparación con un resultado que la empresa ya rastrea, esa reinversión es donde el gasto del token se convierte en retorno.
Juntos, estos factores son la razón por la cual la economía de tokens ahora es importante estratégicamente. A medida que las empresas optimizan para lograr más por menos, la vanguardia se mueve hacia fuera: la calidad mejora, los costos disminuyen, surgen nuevos casos de uso y el consumo aumenta. La disciplina es saber dónde la IA crea valor, cuándo aprovechar los ahorros y cómo reinvertirlos.
La primera regla es hacer coincidir el nivel de inteligencia con el valor y el riesgo del trabajo. Este es un punto de partida: en todas las industrias, estimamos que solo entre el 10 % y el 20 % de las tareas empresariales son lo suficientemente complejas como para justificar la capacidades de vanguardia o casi de vanguardia.
La prueba útil: si una tarea se divide en pasos bien definidos, es probable que un modelo más pequeño sirva; apunta a la vanguardia solo cuando el trabajo sea irreduciblemente complejo, cuando la descomposición destruya la perspectiva, cuando los errores se componen en cadenas de agentes largas o cuando la respuesta se encuentra en la intersección del criterio legal, financiero y regulatorio.
Unos pocos patrones despejan este umbral. El razonamiento complejo es uno; cuando un director de estrategia pesa la posición competitiva, las macrotendencias y las finanzas de un objetivo de adquisición para nombrar el riesgo estratégico real, la tarea tiene evidencia contradictoria en tensión para llegar a un juicio no obvio. Además, los flujos de trabajo agénticos con un alto costo de error; cuando una falla de cadena media rompe todo el resultado. Otra es la síntesis de contexto largo; un paquete de debida diligencia de 200 páginas exige rigor y coherencia en todo el documento.
Dirigir el trabajo a la inteligencia correcta es una opción estratégica, no una preferencia técnica. Los líderes necesitan una disciplina operativa: clasificar el trabajo por complejidad y riesgo, asignarlo al nivel correcto de inteligencia, luego ajustar y monitorear el consumo con el tiempo. La parte difícil es saber qué trabajo es más importante.
Las empresas que no pueden distinguir las tareas de rutina del trabajo de mayor valor y exigencia cognitiva tendrán una asignación incorrecta en ambas direcciones: usarán modelos costosos donde no son necesarios y modelos más débiles donde la ventaja está en juego. La experiencia de Accenture muestra que la capacidad del modelo por sí sola no determinará quién gana la carrera de la IA. La disciplina económica lo hará.
La misma disciplina ayudó a un operador de telecomunicaciones a reducir el gasto anual de IA en un 68 %. En cada caso, el avance surgió de ver el consumo a nivel de flujo de trabajo, luego de enrutar, ajustar o rediseñar el trabajo antes de que los desperdicios se convirtieran en un costo operativo normal.
En la mayoría de las empresas, los costos de IA se encuentran en el presupuesto tecnológico, mientras que el valor aparece en otro lugar: en servicio al cliente, ingeniería, marketing o cualquier unidad de negocios que utilice la herramienta. El director financiero ve el costo, el director de informática ve el uso y los líderes de negocios ven los resultados, pero estas perspectivas rara vez se conectan a nivel empresarial.
57 %
cita una alineación débil de la tecnología del negocio2
51 %
señala datos y capacidades de análisis insuficientes2
50 %
lucha por aislar la contribución de la IA de otros factores2
Las empresas que se adelantan construyen el tejido conectivo: métricas compartidas, foros de gobernanza y derechos de decisión que vinculan el uso de la IA con el crecimiento, la experiencia y los resultados de capital. Ese cambio, de esfuerzos aislados a capacidades a nivel de empresa, permite que la inteligencia se mueva a través de la organización y se convierta en un resultado medible. Las más avanzadas van más allá y tratan el costo de la IA como recuperable, no solo controlable: incorporan el consumo de tokens en la forma en que se define el alcance y precio del trabajo, por lo que el gasto en IA se asienta con el valor que crea en lugar de combinar en una línea de tecnología central.
Cuatro disciplinas operativas convierten la escala en un retorno medible:
Solicita al director financiero y al director de informática que asuman conjuntamente la responsabilidad de mantener una visión global de la empresa sobre los costos, el uso y la rentabilidad de la IA. Accenture informa cada período a la dirección sobre su propio gasto en IA entre los distintos proveedores, junto con las medidas que se están adoptando. El retorno se mide directamente donde se limita el trabajo: en la automatización agéntica de los procesos definidos, conocemos el esfuerzo humano antes y después, por lo que el resultado se calcula de manera limpia. Para el uso abierto y al estilo de un compañero de trabajo, el valor es más difícil de aislar, y construir esa medida es la frontera de la disciplina. La cuestión es dónde se obtiene el retorno de ese gasto, no la partida en sí misma.
Incorpora controles en la implementación desde el principio, incluido quién puede usar qué modelos, para qué trabajo y bajo qué medidas de seguridad. La disciplina comienza con una pregunta que la mayoría de las implementaciones omiten: ¿para qué? Una herramienta habilitada sin un trabajo definido es un costo sin propietario. Los primeros adoptantes, entre ellos nosotros mismos, permitieron el acceso primero y agregaron controles adicionales más adelante, una vez que las facturas expusieron la brecha; la lección es dirigir la delantera.
Distingue el trabajo que necesita modelos de vanguardia del trabajo que se puede ejecutar en modelos más ligeros. Accenture hace esto internamente: las nuevas sesiones están predeterminadas para un modelo más ligero, los límites para los modelos más pesados se establecen por rol o caso de negocio, todos forzados a través de una puerta de enlace única, por lo que el gasto sigue a las necesidades; un desarrollador pesado y un usuario ocasional pueden sentarse con órdenes de magnitud diferentes.
Revisa regularmente las decisiones de consumo, resultados y enrutamiento de modelos a medida que crece el uso y los agentes toman más trabajo. El ritmo que funciona es un bucle: diagnostica dónde se concentra el consumo, soluciona el problema mediante el enrutamiento o rediseño; luego, vuelve a revisar una cadencia establecida, ya que los precios del token y las opciones de modelo cambian mes a mes. En Accenture, esa disciplina nunca se detiene: cada lanzamiento da lugar a nuevas decisiones y capacidades.
La economía de la IA no se estabilizará sin esfuerzo deliberado. Durante la próxima década, las empresas se dividirán en dos grupos: aquellos que tratan la IA como otro costo tecnológico y aquellos que la administran como una fuente de retorno comercial medible. El primer grupo luchará contra costos que no dejarán de aumentar. EL segundo grupo logrará que el valor de la IA crezca más rápido que sus costos, y convertirá la escala en una ventaja duradera.
[1] Informe de Goldman Sachs: El auge de la inversión en IA se ha intensificado: Goldman prevé un flujo de US$ 800 mil millones este año
[2] Nuestra encuesta: Pulse of Change de Accenture
[3] Accenture simuló cómo el aumento del consumo de tokens afectará a las organizaciones a medida que la IA se traslade a los costos operativos diarios. Los hallazgos se basan en el modelo de comportamiento basado en IA que analiza 6,000 perfiles de altos directivos de América, EMEA y APAC, pertenecientes a organizaciones con una facturación anual de US$1 mil millones o más. Esta simulación se llevó a cabo con Aaru, cuya plataforma crea perfiles sintéticos que reflejan las características demográficas, psicográficas y conductuales de una población ejecutiva objetivo, con datos públicos, privados y patentados.
