El precio que cobran los proveedores por usar sus modelos de IA, calculado según el volumen de texto procesado, baja muy deprisa. Según Epoch AI, para un mismo nivel de resultado, se divide entre 9 y 900 cada año según la tarea. Los precios por uso (vía API) caen, mientras que las suscripciones por usuario varían mucho menos. Pero, como veremos, con el aumento de los usos que se facturan por consumo, el precio por uso es cada vez el que más cuenta.
Dicho de otro modo: el precio que compara hoy ya no será el bueno dentro de seis meses. Sobre todo porque los propios modelos no duran: en Anthropic, uno de los principales proveedores, modelos lanzados en febrero y agosto de 2025 se retiraron un año después, según su calendario oficial. Así que la herramienta que elija quizá haya desaparecido dentro de un año.
Sin embargo, en muchas empresas, el precio de la herramienta sigue siendo un criterio de decisión clave. Se pasan semanas comparando precios por usuario. Pero el precio es solo un lado de la balanza. La verdadera pregunta es la del retorno de la inversión: lo que cuesta la IA, en total, frente a lo que aporta. Y como ambas cosas cambian cada mes, la respuesta está menos en una tabla de precios que en la capacidad de la empresa para adaptarse de forma continua.
Lo que cuesta realmente la IA
La escena es conocida. Una pyme de 60 personas quiere equipar a sus equipos. El responsable financiero prepara una tabla: precio por usuario, modalidad anual o mensual, descuento a partir de cincuenta licencias, coste de las opciones. Se comparan tres proveedores, se piden presupuestos, se negocia. La decisión tarda un mes, a veces dos.
Es un trabajo serio, y parte de una buena intención: no gastar el dinero de la empresa a la ligera. Pero se basa en una hipótesis que ya no es cierta. Supone que la herramienta elegida seguirá siendo la misma, al mismo precio, durante varios años.
Con la IA, los precios cambian cada trimestre, las ofertas se rehacen con frecuencia y un competidor lanza una versión equivalente más barata pocas semanas después de la firma.
Sobre todo, el precio de la licencia es solo una pequeña parte del coste real. Gartner prevé que al menos la mitad de los proyectos de IA generativa superarán su presupuesto de aquí a 2028. Las causas que cita no son el precio de las herramientas, sino malas decisiones de diseño y la falta de competencias para hacer funcionar estos sistemas en el día a día. Gartner recuerda también que un sistema listo para usarse a diario cuesta mucho más que un proyecto piloto.
La forma en que las empresas contabilizan el coste de la IA, por cierto, está cambiando. Por ejemplo, en Accenture, algunos consultores gastaban hasta 1.000 dólares al mes con Claude Code. Y desde el 1 de octubre, Accenture ha limitado a 29 dólares al mes por empleado el uso de Claude, según una nota interna revelada por 404 Media. Por encima de ese importe, el consumo se imputa al presupuesto de un proyecto o de un equipo.
Estas decisiones muestran un cambio de fondo. La IA ya no es una suscripción fija, incluida en los gastos generales. Se convierte en un consumo que varía con el uso y que entra en el coste de producción. Una suscripción se prevé una vez al año. Un consumo se sigue cada mes, uso por uso. Comparar precios de licencias durante semanas responde, por tanto, a una pregunta que ya no es la buena.
Este movimiento se va a extender. Los agentes de IA, herramientas como Claude Code y los usos que pasan directamente por las interfaces de programación de los proveedores se facturan por consumo. Cuanto más se usan, más se paga. El coste de la IA se vuelve variable, y la pregunta del retorno de la inversión se plantea en cada uso.
Estos ejemplos se refieren a grandes organizaciones. En una pyme, el mecanismo es el mismo, pero se ve menos: no hay presupuesto por proyecto ni seguimiento del consumo, y las facturas de IA son pequeñas. Y entre los costes, también hay que contar las horas que pasan los equipos usando mal una herramienta mal integrada, corrigiendo sus errores o volviendo al método de siempre porque nadie sabe mejorarla.
Lo que aporta realmente la IA
Al otro lado de la balanza, el beneficio casi nunca se mide, porque adopta varias formas. El tiempo ganado es lo más visible: por ejemplo, un presupuesto preparado en veinte minutos en lugar de una hora. Pero es solo una parte. La IA también puede mejorar la calidad del trabajo, con menos errores y menos datos tecleados dos veces. Permite dedicar personas a tareas más útiles, como asesorar a los clientes. Puede aumentar la satisfacción de los clientes, porque reciben una respuesta más rápida y más acertada. Ayuda a tomar mejores decisiones, con las cifras adecuadas en el momento adecuado. Y acelera la ejecución: lo que llevaba una semana puede hacerse en dos días.
BCG recuerda de dónde procede ese valor: en un 10 % de los algoritmos, en un 20 % de los datos y la tecnología, y en un 70 % de las personas y los procesos. El precio de la herramienta se juega en ese 10 %. El resto se construye dentro de la empresa.
El límite de Accenture puede parecer una simple medida de ahorro. Es sobre todo una señal de madurez: la empresa empieza a preguntarse qué aporta cada gasto en IA. Pero limitar por persona tiene un inconveniente. El empleado que construye una herramienta útil para todo el equipo consume mucho más que los demás. Y suele ser al primero al que se frena, si tiene que esperar varias semanas a que le asignen un presupuesto de proyecto. La buena unidad de medida no es la persona ni la licencia. Es el resultado: un expediente tramitado, un presupuesto enviado, una respuesta a un cliente, y lo que ha costado. El retorno de la inversión de la IA no aparece solo: alguien tiene que medirlo.
Los costes también se gestionan
El coste de la IA no es una fatalidad. Una gran parte depende de decisiones que toma uno mismo. Gartner lo dice claramente: los desvíos de presupuesto vienen sobre todo de malas decisiones de diseño, no del precio de las herramientas.
La primera palanca es la elección del modelo. Usar el modelo más grande o el más reciente para todo sale caro sin necesidad. Muchas tareas sencillas, como clasificar un mensaje, resumir un documento o extraer un dato, las hacen muy bien modelos pequeños, mucho más baratos. El modelo grande se reserva para las tareas que de verdad lo necesitan.
La segunda palanca es la cantidad de información que se envía al modelo. Los modelos se facturan por el volumen de texto que leen y que producen, contado en «tokens». Enviar un manual de 200 páginas para responder a una pregunta que afecta a dos es pagar 198 páginas de más en cada pregunta. Un sistema bien diseñado va a buscar las dos páginas útiles. Es lo que los especialistas llaman a veces la «tokenomics»: la economía de esos tokens.
La tercera palanca es el diseño del propio sistema: qué se confía a la IA, qué se deja en reglas sencillas, qué se reutiliza de una vez para otra en lugar de volver a calcularlo. Estas decisiones se toman al principio, pero se revisan con regularidad, porque los precios y los modelos cambian.
Tomar perspectiva: todo cambia, todo el tiempo
Si los precios, las herramientas y los modelos cambian cada seis meses, la pregunta pasa a ser: ¿qué es lo que, dentro de la empresa, no cambia con ellos? La respuesta cabe en una palabra: la capacidad. La de los equipos para entender cómo funciona su actividad, construir con la IA, medir lo que aporta y mejorar lo que se ha construido.
Esta capacidad es aún más necesaria porque la calidad de los resultados no se mantiene estable. Investigadores de Stanford y Berkeley demostraron en 2023 que el comportamiento de un mismo servicio de IA puede cambiar mucho en pocos meses: en una de las pruebas, la precisión de GPT-4 pasó del 84 % al 51 % entre marzo y junio de 2023. Aunque el estudio ya tiene unos años, sus conclusiones siguen siendo válidas: hay que vigilar estas herramientas de forma continua. Los ingenieros lo saben desde hace tiempo: un sistema de IA pierde calidad cuando la realidad cambia. Los datos evolucionan, los clientes cambian, las normas también.
Por último, la propia forma de trabajar está cambiando. Microsoft describe la llegada de equipos en los que personas y agentes de IA trabajan juntos. En los próximos cinco años, el 41 % de los directivos encuestados espera que sus equipos entrenen agentes, y el 36 % que los dirijan. McKinsey va más allá: según sus autores, un equipo de dos a cinco personas ya puede supervisar entre 50 y 100 agentes especializados en un proceso completo. La responsabilidad humana sigue siendo esencial, pero cambia de naturaleza.
Estos estudios se centran sobre todo en grandes empresas. Pero la pregunta también se plantea en una pyme de 30 personas: ¿quién decide qué se confía a un agente, quién revisa su trabajo y quién lo corrige cuando se equivoca? Ninguna licencia responde a estas preguntas.
Por qué seguimos mirando el precio
La primera razón es sencilla: el precio de la licencia se ve, la capacidad no. Una factura mensual aparece en las cuentas. El tiempo que un equipo dedica a aprender, construir y corregir no aparece en ninguna parte. Es natural intentar reducir lo que se ve. Es una reacción sana de gestor, pero concentra el esfuerzo en la parte más pequeña del coste.
La segunda razón es el miedo a meter las manos. Muchos directivos y responsables piensan que construir con la IA es cosa de técnicos. Prefieren comprar una solución «llave en mano» y dejarla funcionar. El problema es que una solución llave en mano no se adapta sola a la forma de trabajar de la empresa, ni a los cambios de los meses siguientes. Y cuando nadie dentro entiende cómo funciona, ya no se puede mejorar.
La tercera razón es que dirigir agentes es una competencia nueva. Nadie la ha aprendido en la escuela. Saber qué se puede confiar a un agente, qué hay que conservar y cómo revisar su trabajo sin releerlo todo son cuestiones de gestión, no técnicas. Se entiende que generen dudas, y que resulte más tranquilizador centrarse en una pregunta que se sabe resolver, como el precio.
Para las empresas que facturan por horas, como muchos despachos, agencias o gestorías, hay una dificultad más. Cuando el cliente paga horas, una hora ganada gracias a la IA es una hora que ya no se factura. Cuando paga una cuota fija o un resultado, esa misma hora se convierte en margen. Medir el valor de la IA obliga, por tanto, a revisar el propio modelo de negocio. Es una pregunta incómoda, y se entiende que a menudo se aplace.
Por último, los riesgos no desaparecen después de elegir la herramienta. Los datos que se envían, los errores que puede cometer la herramienta, las obligaciones del Reglamento europeo de IA: todo eso se gestiona en el tiempo, no en el momento de la firma. Un análisis de riesgos hecho una sola vez, al principio, quedará superado en el primer cambio de herramienta o de uso.
La verdadera estrategia: poder adaptarse de forma continua
En primer lugar, estructurar la actividad. Antes de pedir ayuda a la IA, el trabajo tiene que estar descrito: los pasos, las reglas, las excepciones, los criterios de un trabajo bien hecho. Ese saber hacer, guardado en documentos sencillos, sirve para todas las herramientas, las de hoy y las de mañana. Es una inversión que no pierde valor cuando cambia la herramienta.
En segundo lugar, meter las manos en la masa. El responsable que construye él mismo un primer asistente, con un expediente real, entiende qué hace bien la IA y qué hace mal. Después puede transmitirlo a su equipo. Ese conocimiento se queda en la empresa, sea cual sea el proveedor.
En tercer lugar, gestionar la calidad y el valor en el tiempo. Cada uso de la IA necesita una medida sencilla y un control periódico: por ejemplo, revisar cada mes una muestra de respuestas enviadas a los clientes, o seguir el número de correcciones hechas en documentos preparados por la IA. Cuando los resultados bajan, se ve, y se corrige. También se mide lo que aporta cada uso: tiempo ganado en un expediente, un plazo de respuesta más corto, margen en una cuota fija. Es esa medida, más que el precio de la herramienta, la que permite decidir dónde gastar más y dónde parar.
En cuarto lugar, gestionar los riesgos en el tiempo. Reglas claras sobre los datos que se pueden enviar, una persona que valida lo que sale hacia un cliente y una revisión de riesgos en cada cambio de herramienta o de uso. No es un expediente que se rellena una vez, es un hábito.
En quinto lugar, aprender a dirigir equipos mixtos. Decidir qué se confía a los agentes y qué se conserva, definir quién revisa qué y ajustar ese reparto con el paso de los meses. Es una competencia de gestión que se aprende practicándola, con casos reales.
Estas cinco capacidades tienen algo en común: se adquieren construyendo y mejorando, ciclo tras ciclo. No se compran con una licencia. Y, a diferencia de la herramienta, ganan valor con el tiempo. Cuando los precios, los modelos y los usos cambian sin parar, esa es la verdadera estrategia: poder adaptarse de forma continua, sabiendo en cada etapa lo que cuesta la IA y lo que aporta.
Para qué sirven nuestros métodos
Precisamente para construir estas capacidades hemos diseñado nuestros dos métodos para pymes, «Mejorar las operaciones internas» y «Gestionar mejor la relación con los clientes».
Funcionan en ciclos de tres semanas. En cada ciclo, partimos de un reto de su actividad, estructuramos el trabajo correspondiente y el responsable construye él mismo con nosotros una primera pieza, con casos reales. Fijamos la medida de calidad, las reglas sobre los datos y la persona que valida. Y en el ciclo siguiente, mejoramos.
La herramienta que se use importa poco: partimos de lo que ya tiene, y todo se construye para poder cambiarla más adelante. Lo que queda es un equipo que sabe hacer evolucionar sus usos de la IA, y una empresa preparada para trabajar con agentes cuando llegue el momento.
Para saber en qué punto está su empresa, el Balance IA de Facil es gratuito y se hace en 12 minutos: diag.facil.solutions. ¿Quiere comentarlo después? Le proponemos una reunión gratuita de 30 minutos.
Fuentes
| Fuente | Informe | Año |
|---|---|---|
| Epoch AI | LLM inference price trends | 2025 |
| Anthropic | Model deprecations (calendrier de retrait des modèles) | 2026 |
| Gartner | Half of GenAI projects could exceed budget by 2028 (compte rendu Campus Technology) | 2026 |
| BCG | What is driving AI value | 2026 |
| Chen, Zaharia, Zou (Stanford, Berkeley) | How is ChatGPT's behavior changing over time? | 2023 |
| Google Cloud | MLOps: Continuous delivery and automation pipelines in machine learning | 2024 |
| Microsoft | 2025 Work Trend Index: The Frontier Firm is born | 2025 |
| McKinsey | The agentic organization: Contours of the next paradigm for the AI era | 2025 |
| 404 Media (via The Next Web) | Accenture caps staff Claude spending at $29 a month | 2026 |