PUNTO DE VISTA
Las empresas que están avanzando más rápido con la IA miden su impacto en el crecimiento, la experiencia y el retorno del capital, no solo su coste.
7 MINUTOS DE LECTURA
29 julio 2026
Hoy en día, el gasto en IA está muy ligado a las pérdidas y ganancias: la infraestructura, la inferencia y las licencias se computan y revisan como se haría con cualquier otra factura tecnológica. Lo que rara vez se tiene en cuenta es la otra cara de la moneda: la retención que genera un centro de atención al cliente que funciona con IA, los activos gestionados que puede incrementar un banquero con más tiempo libre o el capital de trabajo que impulsa una previsión de la demanda más certera. En cada caso, el gasto se relaciona con el crecimiento, la experiencia o el capital, no solo con los costes. La mayoría de las empresas aún no lo tienen en cuenta, y todavía menos le sacan provecho.
Esa brecha que existe entre el punto en que se encuentra la IA en la actualidad y los resultados que podría llegar a producir es el desafío que caracteriza a la IA empresarial en este momento; para salvarla, se necesita una disciplina que la mayoría de las organizaciones no han establecido. La pregunta no es cuánto cuesta la IA, sino si está generando suficiente valor como para que importe. Los líderes que empiezan a ver las cosas desde esa perspectiva están dando con respuestas muy diferentes.
Aquí es donde entra en juego la economía de tokens, es decir, la disciplina de conectar el consumo asociado a la IA con el valor que devuelve. Los tokens son las unidades de datos que procesan los modelos de IA y cada prompt, respuesta, paso de recuperación e interacción agéntica los consume. Si en su momento suponía una partida más a la hora de facturar, ahora el token es un factor de producción, un aspecto clave que se debe rastrear, calibrar y gestionar. El objetivo es conseguir que cada dólar invertido en IA aumente la rentabilidad.
Accenture ve esto a gran escala. Por ejemplo, una de nuestras plataformas internas procesa unos 8,7 billones de tokens a la semana en nuestra propia infraestructura y dirige cada tarea al modelo más adecuado por un coste cercano a una sexta parte de los modelos de frontera. Aun así, la asignación no sirve de nada por sí sola: en un entorno independiente, en el que cada nueva sesión se convierte por defecto en un modelo de nivel medio, una gran parte de los profesionales sigue apostando por la opción más potente. Ese comportamiento, replicado en toda la plantilla, es el que provoca que los costes de consumo se disparen de forma desapercibida.
La experiencia nos ha demostrado que escalar la IA no tiene por qué implicar un coste descontrolado, pero el control de los costes es solo una parte de la cuestión. La disciplina, vista en su totalidad, consiste en garantizar que cada uso de la IA se corresponda con el nivel adecuado de conocimientos para alcanzar el resultado empresarial que necesita producir.
Los tokens son las unidades de datos que procesan los modelos de IA y cada prompt, respuesta, paso de recuperación e interacción agéntica los consume. La economía de los tokens es la disciplina de conectar el consumo asociado a la IA con el valor que devuelve.
800.000 M$
Según Goldman Sachs1, el gasto relacionado con la IA está a punto de superar los 800.000 millones de dólares en 2026.
Solo el 23%
Sin embargo, solo el 23% de los directivos que han participado en nuestra encuesta2 afirman que la IA ofrece un valor empresarial generalizado y continuo en toda su organización.
Algunas empresas han excedido el presupuesto de IA de un año en un solo trimestre. La mayoría de las empresas gestionan los tokens de la misma forma que los recursos informáticos en la nube: de forma reactiva una vez que llega la factura. Las empresas que avanzan no lo hacen por contar con mejores modelos o más recursos informáticos, sino porque gestionan el consumo de tokens con el mismo rigor que la asignación de capital.
El error consiste en gestionar la IA como un gasto tecnológico en lugar de como un sistema económico. La IA no es como el software, que tiene una estructura de costes mucho más predecible: se pagan suscripciones, se compran licencias, se sabe cuánto se va a pagar y los costes solo aumentan cuando crece la plantilla o se renuevan contratos.
Con la IA, esa previsibilidad desaparece. Los costes no aumentan solo por el número de personas, sino también por las consultas que realizan, la capacidad de razonamiento del modelo y la cantidad de trabajo que se asigna a través de los sistemas de IA. Cada vez es más común que los usuarios no sean personas, sino agentes y flujos de trabajo automatizados que consumen inferencia de forma ininterrumpida, sin usuarios humanos ni límites de licencia.
En casi todas las implementaciones que hemos examinado, incluida la nuestra, un porcentaje pequeño supone la mayor parte del gasto, y es que la mayoría del contenido de la factura lo constituyen menos del 10% de los usuarios y flujos de trabajo. El esfuerzo es incesante: en algunos de los entornos de Accenture, se reciben cientos de solicitudes para elevar los límites de gasto individuales cada día.
A medida que la IA va adentrándose en la empresa, el consumo aumenta con cada nuevo flujo de trabajo, agente y modalidad. Los chatbots se convierten en agentes y los agentes pasan a ser equipos de agentes. El texto se expande y se vuelve multimodal, con imágenes, vídeos y audio. Y en el perímetro físico, los robots autónomos recurren a la misma infraestructura de inferencias, en la que cada decisión y excepción conlleva un coste en materia de tokens que la empresa no llegó a planificar. A medida que se multiplican los casos de uso, la curva de consumo se vuelve más compleja de forma exponencial. Goldman Sachs estima que el consumo aproximado de tokens será de 120.000 billones al mes en 2030, unas 24 veces superior al de la actualidad. Las empresas que basan sus planes en el uso actual se quedarán atrás cuando este se incremente.
A su vez, la seguridad supone otro coste oculto y ninguna organización puede permitirse omitirlo. Cuantos más modelos, agentes, datos y sistemas conectados añada una empresa, más importante será que estén bien protegidos. Ese trabajo de defensa (análisis constantes, controles de acceso más restringidos, supervisiones de amenazas y respuestas rápidas) conlleva un precio añadido a cada implementación. Este rara vez aparece en el primer plan de costes, pero aumenta con cada nuevo agente y conexión añadida.
Esta es la paradoja de Jevons en forma de IA: del mismo modo que los motores de vapor más eficientes incrementaron el uso del carbón en Gran Bretaña en lugar de reducirlo, la caída de los precios de los tokens empuja a las empresas a hacer un mayor uso de la IA, no a reducirlo, ya que el trabajo que en un principio implicaba unos costes difíciles de justificar ahora tiene sentido desde un punto de vista financiero.
Nuestra simulación[3] reveló que, si los precios de los tokens bajaran un 25% hoy, solo el 15% de las organizaciones optaría por conservar esos ahorros. El resto los invertirían en nuevos casos de uso, cargas de trabajo ampliadas o modelos de mayor calidad. La respuesta no pasa por decir a los profesionales que usen menos la IA, ya que eso limita las ganancias en materia de productividad que la IA pretende impulsar. La respuesta consiste en dirigir esa nueva demanda al modelo más barato que cumpla su propósito de manera adecuada, de forma que el mismo presupuesto sirva para generar más trabajo útil y un rendimiento más cuantificable.
Hay una segunda fuerza igual de importante: el frente de Pareto, el mejor equilibrio entre coste y valor. La mayoría de las empresas gastan demasiado en trabajos donde no está justificado o asignan las tareas al recurso equivocado desaprovechando el valor. Las empresas más sofisticadas salvan esa brecha al emparejar cada tarea con el modelo adecuado al precio que corresponde; a continuación, desvían la curva mediante una compresión rápida, un almacenamiento en caché más inteligente y la destilación de modelos.
He aquí un ejemplo concreto: una presentación a modo de resumen de final de trimestre que antes requería la implicación de tres analistas financieros durante 15 horas ahora puede prepararla una sola persona en dos horas, con un coste de tokens de un par de cientos de dólares, que compensan con creces los miles de dólares que se ahorran al disponer de más tiempo. Esa es la compensación que calcula el frente. El retorno no lo conforman los tokens que se han guardado, sino el disponer de más tiempo libre para realizar trabajo que aporte más valor. Si se compara con un resultado que la empresa ya está siguiendo, es en esa reinversión donde el gasto en tokens se convierte en algo rentable.
Juntas, estas fuerzas son la razón por la que, ahora, la economía de tokens es algo importante desde un punto de vista estratégico. A medida que las empresas se van optimizando para conseguir más a cambio de menos, el frente se va expandiendo: mejora la calidad, disminuyen los costes, surgen nuevos casos de uso y aumenta el consumo. La disciplina consiste en saber dónde genera valor la IA, cuándo aprovechar lo ahorrado y cómo reinvertirlo.
La primera regla es que el nivel de conocimientos coincida con el valor y el riesgo del trabajo. Empecemos por aquí: en cada sector, Accenture estima que solo entre el 10 y el 20% de las tareas empresariales presentan la complejidad suficiente como para justificar la capacidad del frente o una similar a ella.
Para determinar si es necesaria, puedes comprobar lo siguiente: si una tarea se divide en pasos detallados, es probable que un modelo más pequeño baste; solo hay que apostar por el modelo más avanzado cuando el trabajo es complejo y no se puede descomponer, cuando esta descomposición destruiría información, cuando los errores se acumulan en largas cadenas de agentes o cuando la respuesta se encuentra en la intersección de consideraciones legales, financieras y normativas.
En algunos casos, sí puede hacer falta. Por ejemplo, cuando se producen razonamientos complejos: si un responsable de estrategia valora la posición competitiva, las macrotendencias y las finanzas de un objetivo de adquisición para determinar el riesgo estratégico real, la tarea consta de pruebas contradictorias que podrían acarrear decisiones que no resultan obvias. Asimismo, están los flujos de trabajo agénticos que acarrearían costes elevados en caso de error, cuando un fallo en mitad de la cadena corrompe el resultado en su totalidad. Otro ejemplo es la síntesis de largo contexto: un paquete de due dilligence de 200 páginas exige rigor y coherencia en todo el documento.
Asignar el trabajo a la inteligencia adecuada es una elección estratégica, no una preferencia técnica. Los líderes necesitan una disciplina operativa: clasificar el trabajo por su complejidad y riesgo, asignarlo al nivel adecuado de inteligencia y ajustar y supervisar el consumo a lo largo del tiempo. Lo difícil es saber qué trabajo es más importante.
Las empresas que no distingan entre las tareas rutinarias y el trabajo de mayor valor y más complejo desde un punto de vista cognitivo realizarán la asignación de manera equivocada en ambas direcciones; es decir, utilizarán modelos caros donde no se necesitan y modelos más débiles donde hay posibilidades de obtener una ventaja. La experiencia de Accenture demuestra que la capacidad del modelo por sí sola no determinará quién saldrá victorioso en la carrera de la IA. En cambio, la disciplina económica sí lo hará.
Dicha disciplina ayudó a un operador de telecomunicaciones a reducir el gasto anual en IA en un 68%. En cada caso, el avance se produjo al contemplar el consumo a nivel de flujo de trabajo para después asignar, ajustar o rediseñar el trabajo antes de que lo superfluo se convirtiese en un coste operativo normal.
En la mayoría de las empresas, los costes de la IA se reflejan en el presupuesto tecnológico, mientras que el valor aparece en otros ámbitos, como el servicio de atención al cliente, la ingeniería, el marketing o cualquier unidad de negocio que utilice la herramienta. El CFO ve el coste, el CIO observa el uso y los responsables de negocio contemplan los resultados, pero esa visibilidad rara vez se vincula con el resto de la empresa.
57%
Porcentaje de trabajadores que considera que la alineación entre la empresa y la tecnología no está bien definida2
51%
Porcentaje de trabajadores que indican que las capacidades de datos y análisis son insuficientes2
50%
Porcentaje de trabajadores a quienes les cuesta aislar la contribución de la IA de otros factores2
Las empresas que salen adelante desarrollan el tejido conectivo: métricas compartidas, foros de gobernanza y derechos en materia de decisiones que vinculan el uso de la IA con el crecimiento, la experiencia y los resultados de capital. Ese cambio, de iniciativas aisladas a una capacidad integrada en toda la empresa, permite que la inteligencia fluya por todo el negocio se convierta en resultados cuantificables. Aquellas empresas mejor posicionadas van un paso más allá y perciben el coste de la IA como algo que se acaba recuperando, no solo controlando: integran el consumo de tokens en el enfoque que se le da al trabajo y en lo que cuesta llevarlo a cabo, por lo que el gasto en IA va de la mano del valor que genera, en lugar de formar parte de una línea tecnológica central.
Cuatro disciplinas operativas convierten la expansión en una rentabilidad cuantificable:
Pide al CFO y al CIO que compartan una misma visión empresarial en lo relativo al coste, el uso y la rentabilidad de la IA. Accenture informa a la dirección de su propio gasto en IA relacionado con los proveedores en cada periodo, junto con las medidas que lleva a cabo. La rentabilidad se mide justo donde el trabajo está delimitado: en la automatización agéntica de procesos definidos, somos conscientes del esfuerzo humano antes y después de que se realice, por lo que el resultado se calcula con facilidad. En los casos de un uso abierto, al estilo de un compañero de trabajo, cuesta más aislar el valor, y desarrollar esa medición es la nueva frontera de esta disciplina. La pregunta es dónde se consigue que el gasto sea rentable, no la partida en sí.
Incorpora controles en la implementación desde el principio para determinar quién puede utilizar cada modelo, con qué fin y bajo qué medidas de seguridad. La disciplina comienza con una pregunta que la mayoría de las implementaciones ignoran: ¿cuál es el propósito? Una herramienta habilitada sin un trabajo definido es un coste del que nadie se responsabiliza. Las empresas pioneras en la adopción, entre las que se incluye Accenture, empezaron por habilitar el acceso, para después añadir los controles, una vez que las facturas reflejaron la brecha. La lección es comenzar a gestionar lo antes posible.
Distingue el trabajo que necesita modelos avanzados del que se puede realizar con otros más ligeros. Accenture lo hace desde dentro: las nuevas sesiones se asocian de forma predeterminada a un modelo más ligero, los límites para los modelos más pesados se determinan por función o caso de negocio, y todo ello se aplica a través de una única puerta de entrada; así, el gasto depende de la necesidad. Al fin y al cabo, un gran desarrollador y un usuario ocasional pueden desempeñar tareas de envergadura muy diferente.
Revisa cada cierto tiempo el consumo, los resultados y las decisiones en materia de asignación de modelos, a medida que el uso se incrementa y los agentes asumen más trabajo. El ritmo adecuado es un bucle: diagnostica dónde se concentra el consumo, soluciona el problema mediante la asignación o un cambio de diseño, y vuelve a comprobarlo todo con una cadencia determinada, ya que los precios de los tokens y las opciones de modelos cambian cada mes. En Accenture, esa disciplina nunca se detiene: cada versión genera decisiones y capacidades renovadas.
La economía de la IA no se estabilizará sin un esfuerzo consciente. A lo largo de la próxima década, las empresas se dividirán en dos grupos: las que ven la IA como otro coste tecnológico y las que la gestionan como una fuente de rentabilidad empresarial cuantificable. Las primeras tendrán que hacerle frente al incremento de los costes; las segundas harán que el valor de la IA crezca a mayor velocidad que sus costes y convertirán la expansión en una ventaja duradera.
[1] Estudio de Goldman Sachs: El auge de la inversión en IA se ha intensificado aún más: Goldman prevé una inversión de 800.000 millones de dólares este año
[2] La encuesta de Accenture: Estudio Pulse of Change de Accenture
[3] Accenture ha simulado cómo el aumento del consumo de tokens afectará a las organizaciones a medida que la IA pase a constituir costes operativos diarios. Los resultados se sustentan en modelos de comportamiento basados en IA de 6.000 perfiles de altos directivos en América, EMEA y APAC, en organizaciones con ingresos anuales de mil millones de dólares estadounidenses 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 objetivo de directivos, a través de datos públicos, privados y patentados.
