El impuesto que nadie presupuestó está hundiendo los agentes de IA corporativos
Hay un momento particular en la adopción de tecnología empresarial donde el entusiasmo se convierte en obligación contable. Con los agentes de inteligencia artificial embebidos en productos corporativos, ese momento llegó antes de lo que la mayoría de los equipos técnicos anticiparon, y el mecanismo que lo disparó no fue el modelo de lenguaje equivocado ni la falta de datos. Fue una decisión de arquitectura que nadie presentó como decisión.
Llamarlo "impuesto de contexto" —como lo hace la ingeniería de Anthropic y un número creciente de analistas— es una denominación precisa. No porque sea metafórica, sino porque opera exactamente como un impuesto: invisible en la transacción individual, devastador en el agregado. Cada vez que un agente empresarial recibe un HTML en bruto de 150 kilobytes para procesar una pregunta sobre cinco filas de datos, la empresa paga alrededor de 37.500 tokens de inferencia que no producen valor. Multiplica eso por cada usuario activo, por cada sesión, por cada mes de escalamiento, y lo que parece un detalle técnico se convierte en el elemento que define si el margen bruto del producto sobrevive.
Los datos que circulan en el ecosistema lo confirman desde distintos ángulos. El análisis de Splunk sobre costos de agentes aislados documentó cómo una sola interacción de soporte al cliente pasó de costar cuatro centavos de dólar a un dólar con veinte durante tres años, incluso mientras los precios por token caían. El mecanismo detrás de ese aumento no fue la inflación de proveedores: fue el volumen de contexto que el agente retransmitía en cada paso del flujo. Un estudio de la Universidad Concordia cuantificó la proporción entre tokens de entrada y salida en flujos agénticos en 2:1, y encontró que solo la revisión de código consumía el 59% de cada token gastado. Son números que transforman el presupuesto de infraestructura en algo muy distinto a lo que aparecía en la hoja de ruta.
Lo que se decide sin decir que se está decidiendo
El argumento central que introduce el análisis de Forbes Technology Council —escrito por un ingeniero de software en Walmart Global Tech que lidera construcción de experiencias agénticas para vendedores en marketplace— no es sobre herramientas ni proveedores. Es sobre tres decisiones de arquitectura que los equipos toman por omisión, antes de que alguien las nombre en una reunión de diseño.
La primera es la representación que recibe el modelo. Entre HTML en bruto, capturas de pantalla y fragmentos semánticos existe una diferencia de 30 a 50 veces en costo por tarea, con efectos sobre la precisión que van en sentido contrario a lo que la intuición sugiere. La investigación de Amazon Science sobre el agente AgentOccam documentó una mejora del 29,4% en el benchmark WebArena al cambiar de representación visual a árbol de accesibilidad estructurado. No se modificó el modelo. Se cambió lo que el modelo veía.
La segunda decisión es el momento de la captura. Cuando un agente toma el estado de la página al momento de carga y no al momento de envío, captura el esqueleto de carga, no los datos que el usuario está mirando. El informe describe casos donde la instantánea se disparaba 1.500 milisegundos antes de que la API respondiera. El agente respondía con confianza desde una página vacía. Eso no es alucinación en el sentido técnico: es contexto equivocado servido en el momento equivocado.
La tercera es lo que directamente no se envía. Un clasificador ligero que enruta antes de recuperar puede eliminar entre el 70% y el 85% de las instantáneas de contexto en flujos reales. Un usuario que pregunta cómo actualizar una configuración en lote necesita documentación, no una fotografía de su vista actual de datos. Son tokens que nunca llegan a gastarse.
Lo que hace que estas tres decisiones sean especialmente costosas no es que sean malas decisiones: es que nadie las presenta como decisiones. Se ejecutan por defecto. El HTML en bruto es la opción que no requiere preprocesamiento. La captura en carga es lo que el framework hace automáticamente. Enviar todo el contexto disponible parece "seguro". Esa inercia tiene precio.
La diferencia entre un producto interno y uno de mercado
El análisis distingue con precisión un punto que la mayoría de las discusiones sobre agentes empresariales no separa con suficiente claridad: hay una diferencia estructural entre un agente que sirve a empleados internos y uno embebido en un producto comercial multitenant.
Un equipo de TI interno puede absorber una arquitectura de contexto deficiente. Lo redespliegan. Lo ajustan. Tienen un blast radius controlado. Un proveedor de software B2B que embebe un asistente de IA en su producto factura por asiento, no por infraestructura. Cada ineficiencia en la representación de contexto se multiplica sobre toda la base de clientes simultáneamente. El costo por usuario activo que la nota describe —pasando de 0,40 a 1,10 dólares mensuales en ocho semanas de disponibilidad general— no es una anécdota de un despliegue mal calibrado: es la mecánica de lo que ocurre cuando se escala sin haber auditado la arquitectura de contexto primero.
Chroma publicó en 2025 una evaluación de 18 modelos de frontera que añade otra dimensión al problema. La precisión no solo se degrada cuando el contexto es costoso: se degrada cuando el contexto es extenso. A mayor volumen de contexto de entrada, mayor es la pérdida de exactitud en tareas de contexto largo, con independencia del modelo. El impuesto de contexto no es únicamente un problema de margen. Es un problema de producto.
Esto reencuadra la discusión de una manera que los comités de aprobación de proyectos raramente articulan. Cuando se evalúa si incorporar un agente de IA a una plataforma SaaS, la conversación suele centrarse en el modelo, el proveedor y la seguridad de datos. La arquitectura de representación de contexto casi nunca aparece en esa conversación como una variable con implicaciones en el margen bruto. Aparece después, en el postmortem, cuando el feature prometió expansión de márgenes y los entregó comprimidos.
El mercado que viene después de la primera ola de fracasos
La estadística de Gartner que proyecta la cancelación de más del 40% de los proyectos agénticos antes de fines de 2027 no es simplemente una advertencia sobre madurez tecnológica. Es una descripción anticipada del proceso de depuración que sigue a cualquier ciclo de adopción donde los costos ocultos superan las proyecciones originales. El análisis de MIT que encontró que el 95% de los despliegues de IA generativa no produjeron valor de negocio medible documenta la misma presión desde otro ángulo.
Lo que aún no está claro en el debate público sobre agentes es si las organizaciones que cancelan proyectos lo hacen por razones de modelo o por razones de arquitectura. Si la mayor parte de los fracasos tiene su origen en decisiones de contexto —representación, momento de captura, volumen enviado— entonces el problema no es que los agentes no funcionen. Es que los equipos que los construyen están midiendo las variables equivocadas.
Hyland, en su análisis sobre retorno de inversión de IA en empresas, calcula que una capa de contexto empresarial unificada puede generar hasta 10,3 veces el retorno sobre inversiones en IA y automatización. El mecanismo que describe es directo: los equipos que reconstruyen integraciones, mapeos y reglas de negocio para cada agente nuevo están pagando un impuesto de fragmentación antes de que el agente empiece a operar. Cada agente hereda la deuda de arquitectura del anterior. La escala no resuelve ese problema: lo amplifica.
La transición que se perfila no es entre modelos de lenguaje más o menos potentes. Es entre organizaciones que tratan la arquitectura de contexto como una variable de infraestructura —que se optimiza cuando hay tiempo— y las que la tratan como una variable de margen bruto que se diseña antes del primer despliegue. La diferencia entre ambas posiciones no aparece en los primeros meses de piloto. Aparece cuando la base de usuarios crece y el costo por consulta se convierte en la métrica que gobierna si el feature puede existir.
El siguiente frente no es el modelo, es quién gobierna el contexto
La guerra de modelos de lenguaje generó una ilusión comprensible: que el problema central de los agentes empresariales era la calidad de la inferencia. Esa ilusión fue útil durante la fase de experimentación, cuando las empresas necesitaban validar que los modelos podían hacer algo útil en sus dominios. Esa fase terminó.
Lo que empieza ahora —y lo que hace que el análisis sobre el impuesto de contexto sea relevante más allá de sus detalles técnicos— es la competencia por quién construye y gobierna la capa de contexto empresarial. No el modelo que razona, sino la infraestructura que decide qué ve el modelo, cuándo lo ve y qué no necesita ver nunca.
Las señales ya son visibles. El argumento de CIO Dive de que los agentes deben ir a los datos en lugar de que los datos viajen hacia los agentes apunta al mismo nudo. La propuesta de Seekr de medir el costo por respuesta verificable —en lugar del costo bruto por token— introduce una métrica que hace transparente el impuesto de contexto en la cuenta de resultados. Los clasificadores de enrutamiento previo a la recuperación que el análisis de Forbes describe son un componente que todavía no tiene nombre de mercado consolidado, pero que representa una función que las plataformas agénticas maduras necesitarán ofrecer de manera nativa.
Para los líderes que están en medio de decisiones de arquitectura ahora mismo, la lección operativa es más estrecha que cualquier marco estratégico. El modelo no es el cuello de botella. La representación de contexto sí lo es. Y esa es una variable de diseño, no una decisión de proveedor, lo que significa que la responsabilidad sobre sus consecuencias es interna. Las organizaciones que construyan esa capa con criterio de margen en 2026 tendrán datos de costo por consulta cuando el mercado empiece a pedir cuentas en 2027. Las que no lo hagan estarán explicando por qué el feature de IA que prometía expandir márgenes terminó siendo su principal fuente de compresión.
