{"version":"1.0","type":"agent_native_article","locale":"es","slug":"pipeline-ia-empresarial-pierde-dinero-antes-tokens-mruq3jd5","title":"El pipeline de IA empresarial no pierde dinero por los tokens: lo pierde antes","primary_category":"innovation","author":{"name":"Ignacio Silva","slug":"ignacio-silva"},"published_at":"2026-07-21T14:02:33.545Z","total_votes":86,"comment_count":0,"has_map":true,"urls":{"human":"https://sustainabl.net/es/articulo/pipeline-ia-empresarial-pierde-dinero-antes-tokens-mruq3jd5","agent":"https://sustainabl.net/agent-native/es/articulo/pipeline-ia-empresarial-pierde-dinero-antes-tokens-mruq3jd5"},"summary":{"one_line":"El gasto excesivo en tokens de IA empresarial no es un problema de precio sino de arquitectura de datos y gobernanza ausente en el pipeline.","core_question":"¿Por qué las empresas gastan más tokens de los necesarios en IA y qué decisiones de arquitectura pueden cerrar esa brecha?","main_thesis":"El sobreconsumo de tokens en pipelines de IA empresarial es síntoma de una infraestructura de datos mal diseñada o inexistente. Bajar el precio por token no resuelve el problema; solo lo abarata marginalmente. La ventaja competitiva real pertenece a las organizaciones que construyen gobernanza de datos, memoria persistente y enrutamiento inteligente de modelos antes de escalar el despliegue de agentes."},"content_markdown":"## El pipeline de IA empresarial no pierde dinero por los tokens: lo pierde antes\n\nHay un momento en el que la acumulación de pilotos de inteligencia artificial deja de parecer ambición y empieza a parecer desorden. Ese momento llegó a muchas grandes empresas en 2026, y la señal más clara no fue un colapso tecnológico ni un fracaso de modelo. Fue algo más mundano y más difícil de defender en una reunión de directorio: el consumo de tokens corrió por delante del presupuesto sin generar valor proporcional.\n\nUber fue uno de los casos que salió a la luz. La empresa ajustó su gasto interno en IA después de que el consumo superara lo planeado. No fue una excepción extraña; fue el síntoma visible de un patrón que se repite en organizaciones que adoptaron IA con lógica maximista durante los dos años anteriores: más casos de uso, más agentes desplegados, más empleados incorporados al sistema, más tokens consumidos. La lógica era defensible al principio. Cuando una tecnología es nueva y su potencial de transformación no está claro, la exploración amplia tiene sentido. El problema es que esa exploración no se detuvo cuando debía haber cedido el paso a una arquitectura deliberada.\n\nSumeet Agrawal, Vicepresidente de Gestión de Producto para Datos, Gobernanza de IA e Ingeniería de Contexto en Salesforce, publicó en Fortune un diagnóstico que merece más atención de la que suele recibir una columna de opinión corporativa. Su argumento central es preciso: bajar el precio de los tokens no resuelve el problema porque el problema no está en el precio. Está en cómo las empresas están arquitectadas para usarlos.\n\n## Una tubería que filtra en cada etapa\n\nLa metáfora que usa Agrawal es útil porque es exacta: el pipeline moderno de IA en una empresa grande se comporta como una coladera. Filtra tokens, y con ellos dinero, en cada fase de ejecución. Y no lo hace por accidente; lo hace por diseño. O más precisamente, por ausencia de diseño.\n\nCuando un agente recibe una consulta de ventas o de servicio al cliente, lo primero que hace, si no tiene una infraestructura de datos bien construida debajo, es inundar el prompt con contexto crudo. Datos sin curar, registros duplicados, historial sin priorizar. El modelo entonces procesa esa masa de información, la mayoría de la cual es ruido. Según Agrawal, ese exceso puede significar entre **cinco y diez veces más tokens de los necesarios por interacción**. A precios de entre diez y quince dólares por millón de tokens, y con miles de interacciones diarias en una empresa de escala media-grande, la aritmética se vuelve difícil de ignorar rápidamente.\n\nEl segundo punto de fuga es el acceso no gobernado a los datos. Sin un catálogo claro, sin linaje, sin señales de calidad, los agentes navegan almacenes de datos buscando información confiable. El proceso es lento, caro y produce resultados inconsistentes. La gobernanza, cuando existe, suele funcionar como un control posterior, no como una señal de enrutamiento que dirija al agente hacia los datos certificados desde el primer intento.\n\nEl tercer punto de fuga es quizás el más costoso en términos de presupuesto directo: enviar cada tarea al modelo más grande disponible, independientemente de la complejidad de la tarea. Una clasificación rutinaria o una búsqueda simple no requieren el mismo modelo que un razonamiento complejo o una decisión sensible. Tratar todos los casos con el mismo modelo de frontera es el equivalente organizacional de usar un equipo de directivos senior para tareas que podría resolver un analista junior: técnicamente posible, funcionalmente absurdo.\n\nLos dos últimos puntos de fuga son menos visibles pero igualmente costosos. Los agentes sin memoria persistente comienzan cada interacción desde cero: recargan contexto, reprocesán historial, redescubren excepciones que ya estaban resueltas. Y los agentes sin semántica reutilizable vuelven a generar respuestas que podrían haber sido almacenadas en caché o precomputadas. Cada interacción recurrente se paga como si fuera la primera.\n\n## Lo que los proveedores no pueden resolver por ti\n\nAnthropic, OpenAI y Google han bajado precios de tokens de entrada y lanzado mecanismos de caché de prompts. Cursor, en su versión Composer 2.5, incorpora el costo como variable en la selección de modelos, no solo el rendimiento. Estas son respuestas racionales a la presión de los clientes, pero atacan la variable equivocada si la empresa no tiene resueltos sus problemas de arquitectura interna.\n\nReducir el precio por token en un sistema que consume diez veces más tokens de los necesarios produce un ahorro proporcional, pero no cierra la brecha estructural. Es una mejora lineal sobre un problema que tiene solución de orden de magnitud. La empresa que resuelve primero la arquitectura obtiene una ventaja que la reducción de precios no puede replicar, porque esa ventaja no está en el mercado de tokens: está en la calidad de los datos propios, en la gobernanza de los flujos y en la capacidad de enrutar trabajo al modelo correcto según la naturaleza de cada tarea.\n\nAgrawal lo formula con claridad: cualquier empresa puede comprar más tokens. Muy pocas saben cómo extraer más valor de menos tokens. La diferencia entre ambas no es tecnológica en el sentido estrecho del término. Es arquitectónica y organizacional.\n\nEl ejemplo que ofrece es concreto: la integración entre la gestión de datos maestros de Informatica y Data 360, la plataforma de datos de clientes de Salesforce, garantiza que cada agente opere sobre contexto de cliente verificado y enriquecido semánticamente. El resultado no es solo eficiencia de tokens: es la conversión del consumo no gobernado de IA en valor de negocio medible y auditable.\n\n## El verdadero costo del diseño ausente\n\nDesde una perspectiva de diseño organizacional, lo que describe Agrawal no es un problema tecnológico ni un problema de precios. Es el costo diferido de haber saltado la fase de exploración disciplinada para instalarse en una fase de explotación prematura de una tecnología que todavía no tenía los cimientos para ser explotada de forma eficiente.\n\nLas empresas que adoptaron IA con lógica maximista entre 2024 y 2025 lo hicieron bajo presión legítima: la incertidumbre sobre qué modelos, qué flujos de trabajo y qué equipos generarían valor justificaba una estrategia de despliegue amplio. Lo que no justificaba, y que muchas organizaciones no hicieron, era construir en paralelo la infraestructura de datos y gobernanza que iba a determinar si ese despliegue escalaría de forma sostenible o simplemente acumularía deuda técnica.\n\nEl problema no es haber explorado. Es haber explorado sin diseño de fondo. Y ahora ese diseño ausente se presenta en forma de facturas de tokens que superan los planes y resultados que no pueden atribuirse a inversiones específicas.\n\nHay un patrón en los casos de adopción tecnológica empresarial que vale la pena nombrar: las organizaciones tienden a medir demasiado pronto con los criterios equivocados, condenando iniciativas que aún no deberían estar siendo juzgadas con las mismas métricas que el negocio central. Pero también tienden a dejar demasiado tiempo sin métrica alguna iniciativas que ya deberían estar produciendo valor. Con la IA empresarial, muchas compañías hicieron lo segundo: desplegaron sin medir ni arquitectar, y ahora enfrentan el ajuste desde una posición de mayor desorden y mayor costo acumulado.\n\nLa corrección no es costosa en términos absolutos. Un catálogo de datos bien construido, señales de calidad que funcionen como enrutadores, memoria persistente para los agentes, reglas claras de asignación de modelos según complejidad de tarea: ninguna de estas decisiones requiere un presupuesto excepcional. Requieren algo más difícil de conseguir en organizaciones que ya están en modo de escala: prioridad deliberada y disciplina arquitectónica sostenida en el tiempo.\n\n## La ventaja que no se puede comprar en el mercado de modelos\n\nAgrawal enmarca la eficiencia de tokens como la siguiente ventaja competitiva en la IA empresarial. La lectura es correcta pero puede refinarse. La ventaja real no está en la eficiencia de tokens como métrica aislada. Está en la capacidad organizacional de convertir datos propios en contexto confiable para agentes que operan a escala, con gobernanza suficiente para que los resultados sean auditables y atribuibles.\n\nEso no es una capacidad que se compra a un proveedor de modelos ni se obtiene reduciendo el precio por millón de tokens. Es una capacidad que se construye internamente, con decisiones de arquitectura de datos que preceden al despliegue de agentes y no al revés. Las empresas que ya tienen esa infraestructura obtienen una ventaja que se amplía con el tiempo: cada interacción es más barata, más rápida y más confiable que la anterior. Las que no la tienen se enfrentan a costos que no caen porque los precios de los tokens bajen.\n\nEl mercado de modelos de lenguaje seguirá siendo más barato con el tiempo. Eso es casi seguro. Pero la brecha entre empresas que saben usar IA con eficiencia y las que no seguirá siendo un problema de diseño organizacional, de calidad de datos y de gobernanza. Y esa brecha no tiene solución en el catálogo de ningún proveedor externo.\n\nLas organizaciones que en 2026 todavía operan con agentes estateless, sin catálogos de datos funcionales y enviando toda carga de trabajo al modelo más costoso disponible, no están pagando por tokens. Están pagando el precio diferido de no haber diseñado su infraestructura de IA cuando todavía era barato hacerlo.","article_map":{"title":"El pipeline de IA empresarial no pierde dinero por los tokens: lo pierde antes","entities":[{"name":"Uber","type":"company","role_in_article":"Caso documentado de sobreconsumo de tokens que superó presupuesto interno de IA en 2026."},{"name":"Sumeet Agrawal","type":"person","role_in_article":"VP de Gestión de Producto para Datos, Gobernanza de IA e Ingeniería de Contexto en Salesforce; fuente principal del diagnóstico técnico."},{"name":"Salesforce","type":"company","role_in_article":"Empleador de Agrawal y proveedor de la plataforma Data 360 mencionada como solución de contexto verificado."},{"name":"Informatica","type":"company","role_in_article":"Proveedor de gestión de datos maestros (MDM) integrado con Salesforce Data 360 como ejemplo de arquitectura correcta."},{"name":"Anthropic","type":"company","role_in_article":"Proveedor de modelos que ha bajado precios de tokens; citado como ejemplo de respuesta de mercado insuficiente al problema estructural."},{"name":"OpenAI","type":"company","role_in_article":"Proveedor de modelos que ha bajado precios de tokens; mismo rol que Anthropic en el argumento."},{"name":"Google","type":"company","role_in_article":"Proveedor de modelos con mecanismos de caché de prompts; mismo rol que Anthropic y OpenAI."},{"name":"Cursor","type":"product","role_in_article":"Herramienta de desarrollo (Composer 2.5) que incorpora costo como variable en selección de modelos, citada como práctica avanzada."},{"name":"Fortune","type":"institution","role_in_article":"Medio donde Agrawal publicó la columna de opinión que sirve de base al artículo."},{"name":"Pipeline de IA empresarial","type":"technology","role_in_article":"Concepto central del artículo; el sistema de procesamiento de agentes de IA en empresas grandes que filtra valor en cada etapa."}],"tradeoffs":["Exploración amplia de IA (más pilotos, más agentes) vs. arquitectura deliberada que escale de forma sostenible.","Velocidad de despliegue de agentes vs. tiempo invertido en construir infraestructura de datos y gobernanza.","Ahorro inmediato vía reducción de precio de tokens vs. inversión en arquitectura que produce ahorro de orden de magnitud.","Usar el modelo más potente para toda tarea (simplicidad operativa) vs. enrutamiento por complejidad (eficiencia de costo).","Agentes stateless (fáciles de desplegar) vs. agentes con memoria persistente (más costosos de construir, más baratos de operar)."],"key_claims":[{"claim":"El exceso de contexto crudo en prompts puede significar entre 5 y 10 veces más tokens de los necesarios por interacción.","confidence":"medium","support_type":"reported_fact"},{"claim":"Uber ajustó su gasto interno en IA después de que el consumo de tokens superara lo planeado en 2026.","confidence":"high","support_type":"reported_fact"},{"claim":"A precios de 10-15 dólares por millón de tokens y miles de interacciones diarias, el sobreconsumo se vuelve materialmente significativo para empresas de escala media-grande.","confidence":"medium","support_type":"inference"},{"claim":"Bajar el precio por token en un sistema que consume 10 veces más tokens de los necesarios produce ahorro proporcional pero no cierra la brecha estructural.","confidence":"high","support_type":"editorial_judgment"},{"claim":"La integración entre Informatica MDM y Salesforce Data 360 permite que agentes operen sobre contexto verificado y enriquecido semánticamente, convirtiendo consumo no gobernado en valor auditable.","confidence":"medium","support_type":"reported_fact"},{"claim":"Las empresas que resuelven primero la arquitectura obtienen una ventaja que la reducción de precios de tokens no puede replicar.","confidence":"interpretive","support_type":"editorial_judgment"},{"claim":"Construir catálogo de datos, señales de calidad, memoria persistente y reglas de asignación de modelos no requiere presupuesto excepcional, sino prioridad deliberada y disciplina arquitectónica.","confidence":"interpretive","support_type":"editorial_judgment"}],"main_thesis":"El sobreconsumo de tokens en pipelines de IA empresarial es síntoma de una infraestructura de datos mal diseñada o inexistente. Bajar el precio por token no resuelve el problema; solo lo abarata marginalmente. La ventaja competitiva real pertenece a las organizaciones que construyen gobernanza de datos, memoria persistente y enrutamiento inteligente de modelos antes de escalar el despliegue de agentes.","core_question":"¿Por qué las empresas gastan más tokens de los necesarios en IA y qué decisiones de arquitectura pueden cerrar esa brecha?","core_tensions":["Presión de mercado para desplegar IA rápido vs. necesidad de infraestructura de datos que precede al despliegue eficiente.","Soluciones de proveedores externos (precio de tokens) vs. capacidades internas que determinan el valor real extraído.","Exploración legítima en fases tempranas vs. explotación prematura sin cimientos arquitectónicos.","Visibilidad del gasto en tokens (fácil de medir) vs. invisibilidad del costo del diseño ausente (difícil de atribuir)."],"open_questions":["¿Cuántas empresas tienen actualmente catálogos de datos funcionales que puedan servir como enrutadores para agentes de IA?","¿Qué métricas permiten distinguir si el sobreconsumo de tokens es un problema de arquitectura o de casos de uso mal definidos?","¿Cómo se mide el ROI de construir infraestructura de gobernanza de datos antes de que los agentes estén desplegados?","¿Qué umbral de escala hace que el problema de arquitectura se vuelva materialmente significativo para una empresa?","¿Las pasarelas de agentes pueden compensar parcialmente la ausencia de gobernanza de datos interna?"],"training_value":{"recommended_for":["CTOs y arquitectos de datos que diseñan infraestructura de IA empresarial.","CFOs que supervisan presupuestos de IA y necesitan métricas de atribución.","CDOs responsables de gobernanza de datos en organizaciones con agentes de IA desplegados.","Consultores de transformación digital que asesoran en estrategia de adopción de IA.","Product managers de plataformas de IA que diseñan flujos de trabajo con agentes."],"when_this_article_is_useful":["Cuando una empresa evalúa por qué su gasto en IA supera el presupuesto sin valor proporcional.","Cuando un CTO o CDO necesita argumentar inversión en infraestructura de datos antes de escalar agentes.","Cuando un CFO recibe facturas de tokens que no puede atribuir a resultados de negocio.","Cuando una organización está diseñando la arquitectura de su plataforma de IA empresarial.","Cuando se evalúa si cambiar de proveedor de modelos resolverá problemas de eficiencia de costos."],"what_a_business_agent_can_learn":["Cómo identificar los cinco puntos de fuga de tokens en un pipeline de IA empresarial.","Por qué las reducciones de precio de proveedores no sustituyen decisiones de arquitectura interna.","Cómo enmarcar la gobernanza de datos como ventaja competitiva operacional, no como cumplimiento.","Cómo distinguir entre mejoras lineales (precio de tokens) y soluciones de orden de magnitud (arquitectura).","Qué decisiones de diseño preceden al despliegue eficiente de agentes de IA a escala.","Cómo atribuir gasto en tokens a resultados de negocio específicos para justificar inversión en infraestructura."]},"argument_outline":[{"label":"1. El síntoma visible","point":"El consumo de tokens superó presupuestos en grandes empresas (ej. Uber en 2026) sin generar valor proporcional.","why_it_matters":"Es la señal de alerta que obliga a los directorios a cuestionar la estrategia de adopción de IA, no solo el gasto operativo."},{"label":"2. La causa raíz","point":"Las empresas adoptaron IA con lógica maximista (más pilotos, más agentes, más usuarios) sin construir la infraestructura de datos y gobernanza que sostiene ese despliegue.","why_it_matters":"Identifica que el problema es organizacional y arquitectónico, no tecnológico ni de precios de mercado."},{"label":"3. Los cinco puntos de fuga del pipeline","point":"Contexto crudo en prompts, acceso no gobernado a datos, uso indiscriminado del modelo más costoso, agentes sin memoria persistente y ausencia de semántica reutilizable.","why_it_matters":"Cada punto de fuga tiene solución técnica concreta y cuantificable; nombrarlos permite priorizar intervenciones."},{"label":"4. Lo que los proveedores no pueden resolver","point":"Las bajadas de precio de tokens de Anthropic, OpenAI y Google son mejoras lineales sobre un problema que tiene solución de orden de magnitud.","why_it_matters":"Evita que las empresas deleguen la solución al mercado de modelos y las obliga a mirar hacia adentro."},{"label":"5. La ventaja que no se compra","point":"La capacidad de convertir datos propios en contexto confiable para agentes a escala, con gobernanza auditable, es una ventaja interna que se amplía con el tiempo.","why_it_matters":"Reencuadra la eficiencia de tokens como capacidad organizacional, no como métrica técnica aislada."}],"one_line_summary":"El gasto excesivo en tokens de IA empresarial no es un problema de precio sino de arquitectura de datos y gobernanza ausente en el pipeline.","related_articles":[{"reason":"Aborda directamente el costo no presupuestado de los agentes de IA corporativos, complementando el análisis de sobreconsumo de tokens desde la perspectiva del gasto operativo.","article_id":14500},{"reason":"Analiza cómo las pasarelas de agentes concentran el control sobre la IA empresarial, relevante para entender las capas de arquitectura que pueden mitigar los puntos de fuga descritos.","article_id":14480},{"reason":"Examina el problema del piloto de IA que nunca escala, que es la misma dinámica de exploración sin arquitectura que describe este artículo.","article_id":14520},{"reason":"Documenta el patrón de inversión masiva en IA con retorno mínimo, que es el contexto macroeconómico del problema de sobreconsumo de tokens.","article_id":14400},{"reason":"Databricks como plataforma de datos empresariales es directamente relevante para la solución arquitectónica propuesta: catálogos de datos, linaje y gobernanza a escala.","article_id":14600}],"business_patterns":["Adopción tecnológica maximista seguida de ajuste presupuestario cuando el consumo supera el valor generado.","Deuda técnica diferida: exploración sin diseño de fondo que se presenta como costo acumulado en fases de escala.","Mejora lineal de proveedores (precio de tokens) sobre problemas que tienen solución de orden de magnitud (arquitectura interna).","Ventaja competitiva construida internamente que se amplía con el tiempo y no puede ser replicada comprando al mismo proveedor.","Medición tardía o ausente de iniciativas de IA que ya deberían estar produciendo valor atribuible."],"business_decisions":["Construir catálogo de datos con linaje y señales de calidad antes de escalar agentes de IA.","Implementar memoria persistente en agentes para evitar recargar contexto en cada interacción.","Establecer reglas de enrutamiento que asignen tareas al modelo correcto según complejidad, no al modelo más potente disponible.","Tratar la gobernanza de datos como señal de enrutamiento activa, no como control posterior.","Precomputar y almacenar en caché respuestas recurrentes para evitar pagar cada interacción como si fuera la primera.","Medir el consumo de tokens por caso de uso y atribuirlo a resultados de negocio específicos antes de escalar.","Priorizar infraestructura de datos en paralelo al despliegue de agentes, no como fase posterior."]}}