Cada presupuesto de IA esconde una apuesta sobre cómo opera tu empresa
El dinero ya se aprobó. Los pilotos corrieron. Algunos funcionaron; la mayoría se detuvo antes de generar valor medible. Según S&P Global, el 42% de las organizaciones abandonó la mayoría de sus iniciativas de IA en 2025, frente al 17% del año anterior. Esa estadística no describe un problema tecnológico. Describe un problema de arquitectura de decisión: las empresas compraron capacidad sin diseñar el modelo operativo que debía sostenerla.
Eso es lo que está en juego detrás de cada línea en el presupuesto de inteligencia artificial. No es una apuesta sobre cuál modelo de lenguaje ganará el mercado ni sobre qué proveedor de nube ofrece mejor latencia. Es una apuesta sobre cómo fluirá el trabajo, quién toma qué decisiones, dónde reside el juicio propietario y cuánto costará operar todo eso a escala. Formularlo así cambia completamente el análisis financiero que un CFO o un consejo directivo debería estar haciendo antes de firmar.
La mayoría no lo está haciendo. Y esa brecha entre el capital comprometido y la claridad del modelo que lo debe sostener es donde se acumula el riesgo estructural más relevante de este ciclo de inversión en IA.
Lo que los proveedores SaaS no te dijeron cuando les pagabas por asiento
Durante una década, el modelo de suscripción por asiento entrenó a los ejecutivos a pensar en capacidad como algo que se arrienda. El proveedor gestiona la complejidad técnica; la empresa compra el resultado. Ese arreglo funcionó mientras la tecnología era un sistema de registro o una herramienta de soporte. Deja de funcionar en el momento en que la tecnología empieza a ejecutar juicio de negocio.
Cuando un agente de IA aplica una política de reembolsos, toma una decisión de crédito o escala un caso de soporte, no está ejecutando software. Está corriendo en producción la lógica de tu modelo operativo. Puedes subcontratar el servidor donde eso ocurre. No puedes subcontratar las reglas que determinan qué decide. Esas reglas son la empresa.
El cambio que está ocurriendo en el mercado SaaS lo confirma. Las empresas están recortando asientos, desplazando trabajo hacia agentes internos y renegociando contratos bajo términos distintos. Los propios proveedores están migrando hacia modelos de precios por resultado, porque saben que la frontera entre lo que se arrienda y lo que se construye se está moviendo. El reconocimiento implícito de ese desplazamiento es que el valor ya no está en el acceso a la herramienta, sino en la lógica que corre sobre ella.
Eso tiene una consecuencia financiera directa que pocos análisis de retorno capturan. Cuando una empresa reduce un contrato SaaS de dos millones de dólares porque va a internalizar capacidad con agentes propios, ese dinero no desaparece. Se redistribuye: aproximadamente entre el 30% y el 45% hacia inferencia de modelos, entre el 20% y el 30% hacia ingeniería de datos y herramientas, y entre dos y cuatro posiciones para gobernar lo que los agentes deciden. El primer año, el resultado es reasignación de gasto, no ahorro. Un modelo de negocio que presenta esa transición como reducción de costos sin mapear a dónde fue el dinero tiene un error contable estructural en su caso de inversión.
El fantasma del modelo de automatización anterior
Hay un antecedente que hace más legible el riesgo actual: la ola de automatización robótica de procesos entre 2017 y 2022. Las empresas desplegaron miles de bots con ningún estándar de despliegue, sin versiones controladas, sin ciclos de vida definidos. Para 2023, el patrón era consistente: bots en producción, nadie con certeza sobre qué hacen exactamente, ingenieros con miedo de tocarlos porque cualquier intervención podría romper algo que nadie entiende del todo.
Los agentes de IA son esa misma arquitectura de fracaso con razonamiento incorporado y un radio de impacto órdenes de magnitud mayor. Un bot que procesa formularios mal puede generar errores costosos. Un agente que interpreta políticas, toma decisiones contextuales y opera en múltiples sistemas simultáneamente puede propagar errores a una velocidad y escala que ningún sistema de revisión humana tardía puede contener.
La pregunta de gobernanza que cualquier ejecutivo debería poder responder antes de ampliar el despliegue de agentes no es filosófica. Es operativa: qué agentes tiene la empresa corriendo en producción, quién es dueño de cada uno y cómo se revierten si algo sale mal. Si esa respuesta no existe, el problema ya está instalado. Lo que falta es que se vuelva visible.
La escasez de esa visibilidad no es un accidente. Viene de que la gobernanza de IA se trató como una capa posterior, algo que se añade después de que el sistema ya opera. La evidencia de otros ciclos tecnológicos sugiere que ese orden produce exactamente el tipo de dependencia que después nadie quiere tocar: deuda técnica con razonamiento incorporado.
Dónde el gasto en IA se vuelve consumo sin control
Hay una dinámica de costos que la mayoría de los casos de negocio internos están ignorando. Los precios unitarios de inferencia están cayendo. Al mismo tiempo, el consumo escala más rápido que esa caída de precios. El resultado neto es que el gasto agregado en operación de IA sube aunque cada token cueste menos.
Las empresas que han desplegado herramientas de IA de forma amplia están racionando el acceso: suficiente para que los equipos experimenten, insuficiente para que dependan del sistema. Esa brecha entre experimentación y dependencia operativa es donde se acumula el siguiente ciclo de inversión. Cerrarlo tiene un costo real, y ese costo ya existe dentro de los portafolios tecnológicos actuales. Está distribuido en contratos SaaS que se están consolidando, en infraestructura que se está reemplazando. El problema no es la falta de capital; es la falta de visibilidad sobre qué parte de ese capital está generando capacidad productiva y qué parte financia operación sin retorno medible.
Esto es lo que hace de la gobernanza un asunto financiero, no solo un asunto técnico. Sin la capacidad de trazar qué agentes operan, qué decisiones toman y qué resultado producen, el presupuesto de IA se vuelve un gasto de fe. Y los consejos directivos que empiezan a entender esto están cambiando las preguntas que hacen en las revisiones de inversión. Ya no preguntan por el número de modelos desplegados. Preguntan por métricas de flujo de trabajo, tasas de error, tiempo ahorrado y satisfacción de usuarios. La diferencia entre ambos conjuntos de métricas describe la distancia entre una empresa que está apostando a una tecnología y una empresa que está construyendo un modelo operativo.
El modelo híbrido no es una concesión, es la estructura económica correcta por ahora
El caso que mejor ilustra adónde lleva una apuesta desordenada sobre el modelo operativo proviene de Klarna. Los ingresos de la compañía se aproximadamente duplicaron entre 2022 y 2025 mientras la plantilla se reducía casi a la mitad. Eso parecía validar una tesis extrema: IA reemplazando trabajo humano a gran escala. Pero la misma empresa tuvo que reconstruir su servicio al cliente humano cuando la satisfacción cayó en las interacciones automatizadas.
Lo que quedó no es una historia de éxito puro ni de fracaso. Es un modelo operativo con una lógica específica: IA en volumen, humanos en complejidad. Automatización para lo predecible, escala y estandarizable. Juicio humano para lo que requiere contexto, excepción o consecuencias relacionales altas. Esa distinción no es filosófica. Es la variable que determina si el costo operativo baja de forma sostenible o si simplemente se desplaza hacia problemas de calidad que eventualmente hay que resolver con gasto adicional.
El error más frecuente en los modelos financieros de adopción de IA es tratar esa distinción como una transición temporal hacia un estado futuro donde todo es automatizable. La evidencia actual no respalda ese escenario para la mayoría de los sectores. Lo que respalda es que la frontera entre lo que la IA ejecuta bien y lo que requiere juicio humano se mueve, pero no desaparece. Las empresas que gobiernan esa frontera con precisión, que saben exactamente dónde está y pueden ajustarla cuando cambian las condiciones, tienen una ventaja operativa medible sobre las que la dejaron indefinida.
La inversión en IA, entonces, no es una apuesta sobre el futuro de la tecnología. Es una apuesta sobre la capacidad de una organización para diseñar, operar y corregir un modelo híbrido bajo condiciones de cambio continuo. Las empresas que tienen esa capacidad instalada hoy serán compradoras informadas cuando llegue el siguiente ciclo de consolidación de herramientas. Las que no la tienen están construyendo dependencias que nadie podrá inventariar cuando llegue el momento de migrar.
