La inteligencia artificial se abarata y los modelos de negocio no saben qué hacer con eso
Hay una paradoja en el centro de la economía de la inteligencia artificial que pocas organizaciones están mirando directamente: el insumo se abarata mientras el gasto total sube. Según datos del Uptime Institute, el costo de completar una tarea de referencia con modelos de frontera cayó entre 80% y 90% anualmente entre abril de 2024 y noviembre de 2025. Al mismo tiempo, las facturas de infraestructura de las empresas que despliegan IA no están bajando. Están subiendo. Las organizaciones responden al token más barato con contextos más largos, razonamiento en cadena, agentes autónomos y más funciones cubiertas. El volumen compensa y supera la eficiencia.
Esto no es un error de diseño. Es el comportamiento esperado cuando un insumo se abarata sin que la organización haya establecido primero qué resultado productivo quiere obtener con él. Y ese es precisamente el problema de fondo que está volviendo frágil la arquitectura financiera de muchos proyectos de IA empresarial.
El modelo equivocado no es el modelo de lenguaje
La discusión pública sobre inteligencia artificial sigue girando alrededor de qué modelo es el mejor. Benchmarks, tablas comparativas, versiones nuevas cada trimestre. Esa conversación tiene sentido para quienes desarrollan los modelos fundacionales. Para quien los despliega en un negocio, es casi irrelevante como métrica operativa.
Lo que importa no es si un modelo puntúa mejor en una evaluación académica. Lo que importa es si completa la tarea de negocio que se le asignó, con qué frecuencia necesita intervención humana, cuánto tarda y cuánto cuesta esa tarea completada. Esos cuatro números determinan si un flujo de trabajo automatizado tiene sentido económico. Los benchmarks, no.
Esta distinción parece obvia. En la práctica, la mayoría de las organizaciones no tiene esa medición. Miden el número de interacciones, la cantidad de prompts procesados, el porcentaje de tareas que "pasaron" por el sistema. Ninguna de esas métricas dice si el negocio mejoró. Un sistema que procesa 10,000 tareas con una tasa de error del 30% y requiere revisión humana en la mitad de los casos no es un activo operativo: es una carga disfrazada de automatización.
El patrón que se repite en despliegues fallidos de IA tiene una estructura reconocible. La organización decide implementar, elige el modelo más visible o el que recomienda el proveedor, mide adopción interna como proxy de éxito y construye dashboards que reportan actividad, no resultados. El momento en que esa narrativa interna deja de poder cuestionarse es exactamente el momento en que el proyecto empieza a alejarse de la realidad.
La competencia ya no está donde estaba
El Informe de IA de Stanford de 2026 documenta algo que cambia la estructura competitiva de esta industria: la brecha de rendimiento entre modelos líderes se ha reducido considerablemente, incluyendo la diferencia entre los mejores modelos estadounidenses y chinos. Cuando la diferencia de capacidad entre los modelos disponibles se estrecha, competir únicamente por tener acceso al modelo más capaz deja de ser una ventaja sostenible.
Esto tiene consecuencias directas para la estrategia de producto. Si el modelo fundacional subyacente puede ser reemplazado por uno equivalente a menor costo sin que el usuario note la diferencia, entonces el modelo no es la fuente de valor. Lo son el flujo de trabajo en el que está integrado, los datos propietarios que lo alimentan, la confiabilidad demostrada del sistema y la distribución que ya tiene el producto.
Las estimaciones del mercado de agentes de IA empresarial varían ampliamente según qué se incluya en la definición, pero todas apuntan a tasas de crecimiento que superan el 25% anual compuesto. Eso no es señal de un mercado estable donde las ventajas actuales se mantienen. Es un mercado donde las posiciones se redistribuyen rápidamente. Crecer en un mercado así sin saber exactamente qué hace que un cliente pague y vuelva a pagar es una apuesta, no una estrategia.
La lectura correcta de la caída de costos no es que la IA se vuelve accesible para todos de manera automática. Es que el acceso al modelo deja de ser la barrera y el problema se traslada a otro lugar: a la capacidad de construir sistemas que completen trabajo real de manera confiable, a la gobernanza que permite escalar sin acumular errores costosos y al entendimiento profundo de los flujos de trabajo específicos que se quieren mejorar.
Una empresa de soporte al cliente que entiende bien sus flujos de escalamiento, que tiene los datos de historial de casos y que sabe cuánto cuesta resolver un ticket en cada canal tiene una ventaja real sobre una empresa que solo tiene acceso al mejor modelo disponible. Esa ventaja no desaparece cuando bajan los precios de inferencia. Al contrario, se vuelve más valiosa porque la infraestructura que antes era la barrera ya no lo es.
Medir el resultado o medir el esfuerzo
Existe una diferencia estructural entre el SaaS tradicional y los productos con IA que la mayoría de los análisis financieros todavía no está incorporando con suficiente precisión. En el SaaS convencional, el costo marginal de servir una interacción adicional es prácticamente nulo. El modelo de negocio funciona porque los costos escalan de forma sublineal respecto a los ingresos. En un producto que ejecuta agentes de IA, cada acción tiene un costo variable. Si el diseño del producto no controla esa variable, el crecimiento de uso puede destruir margen en lugar de construirlo.
Esto no quiere decir que los productos de IA no puedan tener economías de escala. Quiere decir que esas economías tienen que diseñarse, no asumirse. Y el diseño empieza por saber con exactitud qué se está midiendo.
El costo por tarea completada correctamente es una métrica diferente al costo por tarea intentada. La diferencia entre ambas es la tasa de error más el costo de revisión humana. Si una organización no sabe cuánto le cuesta una tarea completada, en oposición a una tarea iniciada, no tiene información suficiente para evaluar si el sistema está generando valor o solo actividad.
La tasa de retención del cliente después de la primera experiencia es otra señal que rara vez se mide con la precisión necesaria. Un producto de IA puede tener alta adopción inicial y baja retención si la experiencia de las primeras tareas no entrega valor suficiente. Ese patrón es difícil de detectar cuando el indicador principal es la cantidad de usuarios que probaron el sistema.
La mejora de las economías con el crecimiento de uso no ocurre automáticamente. Ocurre si el sistema aprende, si los flujos de trabajo se refinan con cada iteración y si la organización tiene la capacidad de incorporar ese aprendizaje. Un piloto que llega a producción sin mecanismos de retroalimentación estructurados no mejora. Se congela en la versión que fue validada en condiciones de prueba y empieza a degradarse cuando enfrenta la variabilidad del uso real.
Proyectando hacia adelante: IDC estima que para 2029 habrá más de mil millones de agentes de IA activos a nivel global, procesando alrededor de 3,7 billones de tokens diarios. Los costos de entrega asociados podrían superar los 68,000 millones de dólares. Incluso si los precios por token siguen bajando, el crecimiento en volumen de consumo podría superar esa caída. Las organizaciones que no tengan un modelo claro de qué constituye un resultado exitoso y cuánto están dispuestas a pagar por él se encontrarán con costos difíciles de justificar ante sus juntas.
El costo bajo no distribuye el valor por sí solo
La caída de los precios de inferencia crea oportunidades que antes no existían. Flujos de trabajo demasiado costosos para automatizar a precios altos se vuelven viables cuando el costo de inteligencia se reduce a la mitad. Productos que solo eran accesibles para grandes empresas pueden llegar a operaciones más pequeñas. Eso es una expansión real del mercado, no solo una redistribución.
Pero esa oportunidad no se captura por defecto. Se captura si la organización entiende qué flujo de trabajo específico mejora con inteligencia más barata, si puede demostrar que el resultado es confiable y repetible y si tiene la distribución para llegar a los clientes que se benefician de esa mejora. Las relaciones con clientes, el contexto propietario y el conocimiento profundo de un proceso específico mantienen su valor independientemente de qué modelo esté corriendo por debajo.
La corrección de 40% que experimentó el índice STAR50 de tecnología chino en menos de cuatro meses, borrando cerca de 480,000 millones de dólares en capitalización de mercado, no es una advertencia sobre la tecnología. Es una advertencia sobre la distancia entre capital invertido y valor económico demostrado. Esa distancia no se cierra con mejores benchmarks ni con más rondas de inversión. Se cierra cuando hay evidencia de que el sistema completa trabajo real, que los clientes lo siguen usando después de la primera experiencia y que las economías mejoran a medida que el uso crece.
Los modelos de negocio que van a durar en este mercado no son los que tienen acceso al modelo más capaz en cada momento. Son los que saben exactamente cuánto vale una tarea completada correctamente para su cliente, cuánto les cuesta producirla y cuánto margen queda entre ambas cifras cuando el volumen escala. Ese cálculo es el que todavía la mayoría no tiene resuelto, y es el único que separa un proyecto de IA de un negocio de IA.











