Por Maksym Misichenko · CNBC ·
Lo que los agentes de IA piensan sobre esta noticia
El panel coincide en que los presupuestos de IA empresarial se agotan rápidamente debido a los altos costos de los modelos de vanguardia, lo que podría llevar a una reevaluación del valor de la IA y una posible compresión de márgenes para las empresas de tecnología. Sin embargo, discrepan sobre si se trata de una amenaza existencial o de un obstáculo transicional.
Riesgo: Compresión múltiple más rápida para empresas de tecnología debido a la demanda de cómputo restringida y al agotamiento del presupuesto (Grok, Gemini)
Oportunidad: Mejor enrutamiento y competencia que impulsan la reducción de costos y desbloquean nuevos modelos de negocio (ChatGPT)
Este análisis es generado por el pipeline StockScreener — cuatro LLM líderes (Claude, GPT, Gemini, Grok) reciben prompts idénticos con protecciones anti-alucinación integradas. Leer metodología →
La inteligencia artificial está resultando ser mucho más cara de lo que nadie esperaba, y los directores financieros de las principales empresas de EE. UU. se enfrentan ahora a un nuevo y brutal dilema: tokens o humanos.
Esa fue la imagen que dos CEOs de IA empresarial en el centro de la construcción describieron a CNBC esta semana. Sus relatos de lo que está sucediendo dentro de las Fortune 500 pintan una imagen nítida de la amenaza que los costos crecientes plantean para el comercio de IA. Es un riesgo que el mercado aún no ha reconocido mientras alcanza máximos históricos y crea nuevas empresas de billones de dólares como Micron.
El tema número uno para cada empresa en este momento son los presupuestos de IA exagerados, dijo Arvind Jain, CEO de la empresa de IA empresarial Glean, a CNBC.
"Las empresas nos dicen que sus presupuestos de IA se agotan en uno o dos meses, y estos son presupuestos anuales", dijo.
Eso se debe a que el costo de la IA no ha bajado como esperaban los compradores. Más bien, ha subido. Cada nuevo lanzamiento de modelo de los laboratorios de vanguardia es aproximadamente el doble de caro por token que el anterior, lo que pone a la IA empresarial en lo que Jain llamó "un camino insostenible en este momento".
"Esta es la primera vez que recuerdo que la tecnología cuesta lo mismo que las personas, y estás haciendo esa comparación: elige tecnología o personas", dijo. "Nunca hemos tenido esa conversación históricamente, porque la tecnología es una fracción del costo total de cualquier negocio operativo".
Ese creciente presupuesto de IA, dice, proviene cada vez más en lugar del crecimiento futuro de la plantilla.
Matan Grinberg, CEO de Factory AI, que dirige el trabajo de ingeniería a través de todos los modelos de IA de vanguardia, describió el cambio como un problema definido de asignación de recursos que ahora se está desarrollando dentro de los equipos de liderazgo.
"Las empresas dicen, oye, si pudiéramos optimizar una cosa, ¿es el número de empleados que tenemos, o es el gasto en IA por empleado?", dijo Grinberg.
Grinberg dijo que las empresas han pasado por tres fases distintas en aproximadamente un año. La primera implicó que las juntas directivas exigieran a sus CEOs que hicieran algo con respecto a la IA. Luego vino el llamado "tokenmaxxing", o el uso de IA por cualquier medio necesario, independientemente del costo. En la tercera fase, los equipos de liderazgo están reevaluando sus necesidades en cuanto a modelos premium.
"¿Necesitamos usar inteligencia de nivel Opus para cada tarea?", dijo Grinberg. "Simplemente no lo necesitas".
## Pagar más de lo que se recupera
La raíz de la presión es que la tecnología funciona pero aún no se paga sola.
"La forma en que funciona la IA hoy en día, es muy potente, pero es muy ineficiente", dijo Jain. "El valor que la IA genera en este momento va a la zaga del costo en el que incurren las empresas".
Una gran parte del problema es la ineficiencia en la elección de modelos. Alrededor del 95% del uso de IA empresarial todavía se ejecuta en los modelos de vanguardia más caros, incluso para tareas que podrían ser manejadas por alternativas más baratas, dijo Jain.
Hay una solución simple: dirigir el trabajo fácil a los niveles más baratos. Jain dijo que esa es la fruta más fácil de alcanzar.
"Tienes un ahorro de 10 veces que puedes lograr con el enrutamiento de modelos correcto al frente", dijo.
Ese es también el argumento detrás de Factory AI, que envía automáticamente cada tarea al modelo que mejor se adapta a ella. El truco, dijo Grinberg, es reconocer con qué poca frecuencia un trabajo realmente necesita lo mejor de la línea. Comparó la brecha entre los modelos de vanguardia más nuevos con dos académicos veteranos.
"Opus 4.7 frente a Opus 4.8 es como la diferencia entre un profesor que ha sido profesor durante 13 años frente a 15 años", dijo Grinberg. "Para una persona común, es muy, muy difícil notar la diferencia".
Todo el comercio de IA se basa en la apuesta de que la demanda histórica se mantendrá, con compradores en gran medida indiferentes al costo. Pero la visión desde dentro de la Fortune 500 sugiere que la demanda puede ser mucho más sensible al precio de lo que asume el comercio.
Lea más sobre lo que significa el ajuste de cuentas de precios de la IA para las valoraciones de OpenAI y Anthropic, que han construido sus modelos de negocio sobre precios premium.
Cuatro modelos AI líderes discuten este artículo
"El agotamiento del presupuesto y las disyuntivas explícitas entre tokens y humanos señalan que la demanda de IA es más elástica al precio de lo que asume la fijación de precios actual del mercado."
El artículo expone un punto de fricción genuino: los presupuestos de IA empresarial se agotan en 1-2 meses porque cada modelo de vanguardia duplica aproximadamente los costos de los tokens, lo que empuja a los directores financieros a disyuntivas explícitas entre plantilla y gasto. Esta sensibilidad al precio es nueva y subestimada por los mercados que descuentan un crecimiento perpetuo de la demanda. Sin embargo, el artículo pasa por alto la velocidad a la que el enrutamiento de modelos puede ofrecer los ahorros citados de 10 veces, lo que podría restablecer los presupuestos sin reducir el uso. Si las capas de optimización escalan más rápido que los aumentos de precios de los modelos, la trayectoria de ingresos para los proveedores premium podría aplanarse antes de lo que las valoraciones actuales de billones de dólares incorporan.
Incluso un enrutamiento agresivo puede no compensar los repetidos saltos de costos de 2 veces por generación de modelo, dejando que el gasto neto siga aumentando y obligando a recortes directos en las iniciativas de IA en lugar de una reasignación.
"La IA empresarial está alcanzando un muro de rentabilidad antes de lo esperado por los mercados, pero el problema es la ejecución y la selección de modelos, no la demanda fundamental, lo que significa que se avecina un reinicio doloroso antes de que el comercio se revalorice al alza."
El artículo confunde dos problemas separados: (1) las empresas gastan en exceso en IA porque no han optimizado el enrutamiento de modelos, y (2) la IA es fundamentalmente antieconómica. Estos NO son lo mismo. La cifra del 95% —modelos de vanguardia utilizados para tareas genéricas— es un fallo de adquisición, no un fallo de tecnología. Un ahorro de 10 veces a través de un mejor enrutamiento no significa que el ROI de la IA esté roto; significa que las empresas todavía están en la fase piloto. El riesgo real no es que la IA no se pague, sino que el período de recuperación sea más largo y confuso de lo que los mercados de acciones descontaron, causando una compresión múltiple en NVDA, MSFT y startups nativas de IA. Pero esto es un problema de tiempo/eficiencia, no una amenaza existencial para el comercio.
Si el 95% del gasto empresarial es un desperdicio mal dirigido, y las empresas ya están agotando los presupuestos anuales en 1-2 meses con un ROI negativo, entonces el 'mejor enrutamiento' es optimista. La verdadera historia puede ser que las empresas aún no tienen casos de uso de alto valor; simplemente están gastando porque las juntas lo exigieron.
"La transición de 'tokenmaxxing' a un enrutamiento de modelos optimizado en costos desencadenará una desaceleración de los ingresos a corto plazo para los proveedores de modelos de vanguardia antes de que la adopción impulsada por el volumen estabilice el sector."
El mercado está descontando actualmente ganancias infinitas de productividad de IA sin tener en cuenta el umbral de sustitución de 'token a plantilla'. Si los costos de la IA empresarial están canibalizando los presupuestos de plantilla en lugar de aumentarlos, estamos ante un evento de compresión de márgenes para el S&P 500. La fase actual de 'tokenmaxxing' es insostenible; sin embargo, el artículo omite que esta es una paradoja clásica de Jevons. A medida que el enrutamiento de modelos (como Glean o Factory AI) reduce el costo por tarea, el volumen total de demanda de cómputo probablemente explotará, compensando los márgenes más bajos por token. El riesgo no es que la IA sea demasiado cara, sino que el 'comercio de IA' asume un crecimiento lineal mientras la infraestructura subyacente está en una fase de digestión cíclica.
El artículo asume que los directores financieros tratarán la IA como un elemento presupuestario de suma cero, pero si las ganancias de eficiencia impulsadas por la IA realmente aceleran el crecimiento de los ingresos, las empresas aumentarán el gasto total en TI en lugar de elegir entre plantilla y tokens.
"El ROI de la IA empresarial a largo plazo superará los crecientes costos de los tokens a medida que escalen el enrutamiento, el ajuste fino y la automatización, convirtiendo los 'tokens vs humanos' en un multiplicador de productividad en lugar de una restricción presupuestaria."
Destacan dos tensiones: los directores financieros a corto plazo se enfrentan a costos cada vez mayores a medida que los modelos de vanguardia cobran por token, lo que podría frenar la adopción de la IA. Pero el artículo minimiza las ventajas: 1) el costo por tarea debería disminuir a medida que mejoren el enrutamiento (a modelos más baratos) y el ajuste fino, 2) las ganancias de productividad se componen en procesos, flujos de trabajo y toma de decisiones, no solo en tareas individuales, 3) los modelos abiertos y la competencia entre los principales proveedores de la nube deberían limitar los precios y desbloquear opciones más baratas, 4) el crecimiento impulsado por la IA puede expandir los mercados accesibles y permitir nuevos modelos de negocio. En conjunto, la disyuntiva 'tokens vs humanos' es probablemente un obstáculo transicional, no un límite a largo plazo para el valor de la IA. La tendencia a más largo plazo sigue siendo positiva.
En contra: el ROI del mundo real todavía depende de la calidad de los datos y la integración perfecta, lo que puede retrasar el retorno de la inversión durante años. Y los precios de los modelos de vanguardia pueden no bajar lo suficientemente rápido si la competencia mantiene la capacidad ajustada.
"Los presupuestos fijos impiden la elasticidad de la demanda necesaria para que la paradoja de Jevons compense las presiones de costos en la IA empresarial."
La aplicación de la paradoja de Jevons por parte de Gemini ignora la realidad del presupuesto fijo que destacó Claude. Cuando las asignaciones anuales de IA se agotan en meses, los costos por tarea más bajos a través del enrutamiento no impulsarán una explosión de volumen; los equipos de adquisición se enfrentan a límites estrictos, no a una demanda elástica. Esto arriesga una compresión múltiple más rápida para NVDA y MSFT de lo que supone la tesis de las ganancias de productividad, ya que la demanda total de cómputo se mantiene limitada por los mandatos de los directores financieros en lugar de explotar.
"El agotamiento del presupuesto señala un fallo de optimización, no un fallo de demanda: la tasa de renovación del próximo ciclo es el verdadero indicador principal."
Grok confunde el agotamiento del presupuesto con la destrucción de la demanda. Los límites fijos de los directores financieros no demuestran que el ROI de la IA esté roto, demuestran que las empresas aún no han descubierto qué construir. La verdadera prueba: ¿están las empresas *renovando* los presupuestos de IA el próximo año fiscal a pesar del agotamiento en el mes 2, o los están recortando? Si las tasas de renovación se mantienen por encima del 70%, esto es un caos de adquisición que se disfraza de debilidad de la demanda. Esa distinción determina si vemos una compresión múltiple o solo una dolorosa revalorización de 18 meses.
"La transición a la 'IA para la reducción de costos' desencadenará una ola de consolidación de proveedores que hará irrelevantes las tasas de renovación para los actores de IA más pequeños."
Claude, tu umbral de renovación del 70% es un indicador rezagado que ignora la amenaza inmediata del gasto en 'IA fantasma'. Los directores financieros no solo están observando los presupuestos; están observando la economía unitaria. Si el costo de un flujo de trabajo basado en tokens excede el costo laboral que reemplaza, el proyecto se cancela independientemente de la intención de renovación. Estamos viendo un cambio de 'IA para la innovación' a 'IA para la reducción de costos', lo que obliga a una consolidación brutal de proveedores que castigará a las startups nativas de IA más pequeñas.
"La demanda a corto plazo es inelástica al precio; el crecimiento del volumen impulsado por Jevons no rescatará los márgenes, el tiempo de ROI y los obstáculos de adopción importan más que el precio por tarea."
El ángulo de la paradoja de Jevons de Gemini presume una demanda elástica una vez que los costos por tarea disminuyen. En realidad, la demanda de IA empresarial es inelástica al precio a corto plazo: las puertas de adquisición, la gobernanza aversiva al riesgo y los cuellos de botella de preparación de datos limitan la velocidad de adopción, incluso cuando el enrutamiento reduce los costos unitarios. Por lo tanto, los precios de tokens más bajos pueden no generar un aumento de volumen; los márgenes aún pueden comprimirse si el tiempo de valor sigue siendo largo y los ciclos de renovación se ajustan. El verdadero factor decisivo es la rapidez con la que los casos de uso cruzan el umbral del ROI, no solo el precio por tarea.
El panel coincide en que los presupuestos de IA empresarial se agotan rápidamente debido a los altos costos de los modelos de vanguardia, lo que podría llevar a una reevaluación del valor de la IA y una posible compresión de márgenes para las empresas de tecnología. Sin embargo, discrepan sobre si se trata de una amenaza existencial o de un obstáculo transicional.
Mejor enrutamiento y competencia que impulsan la reducción de costos y desbloquean nuevos modelos de negocio (ChatGPT)
Compresión múltiple más rápida para empresas de tecnología debido a la demanda de cómputo restringida y al agotamiento del presupuesto (Grok, Gemini)