Llevo tiempo tratando de templar los ánimos sobre la IA. No porque esté en contra, sino porque ya he vivido momentos parecidos y en los primeros meses y años se inflan las expectativas, se invierte más dinero de la cuenta y luego llegan los ajustes.
Por supuesto que no pienso que la IA sea una moda pasajera o que vaya a fracasar. Al contrario, pienso que ya está cambiando el panorama y más lo va a hacer en el futuro. Pero tenemos un problema de expectativas infladas importantes.
Cada vez que aparece una innovación con capacidad para cambiar las reglas del juego tendemos a cometer el mismo error. Sin tener todavía claro cómo funciona o para qué sirve, confundimos su potencial futuro con lo que es capaz de ofrecer hoy y, a partir de ahí, construimos previsiones de crecimiento, valoraciones e inversiones que dan por hecho que casi todo va a salir bien.
Con la IA estamos empezando a ver las primeras señales de empiezan a llegar los ajustes.
Una de ellas es bastante menos sofisticada de lo que solemos asociar con la inteligencia artificial: el coste.
En los últimos meses hemos visto varias noticias sobre cómo empresas importantes han cometido grandes errores en sus estimaciones e inversiones. Pero grandes, grandes.
El análisis me ha salido algo más largo y técnico de lo que suelo publicar, así que te adelanto la conclusión por si no quieres leer hasta el final.
Nada de lo que vas a leer demuestra que la IA esté fallando. Lo que sí empieza a demostrar es que nuestras expectativas necesitan un ajuste. Hemos asumido demasiado rápido cuánto iba a ahorrar, cuánto iba a mejorar la productividad y qué retorno podían justificar inversiones enormes.
Ahora empiezan a llegar las cuentas: presupuestos que se disparan, automatizaciones que no siempre resultan más baratas, inversiones de cientos de miles de millones que necesitan ingresos futuros extraordinarios y una competencia en precios que puede cambiar por completo la economía de los LLM.
Es el proceso normal de cualquier gran innovación: primero exageramos sus posibilidades y después la realidad nos obliga a ponerla en su sitio. Ni por encima ni por debajo de lo que realmente puede aportar.
Si quieres entender por qué pienso esto y ver algunos datos que me parecen especialmente significativos, sigue leyendo.
Uber agotó en cuatro meses su presupuesto anual de IA de 2026
Uber no se limitó a poner herramientas de IA a disposición de sus ingenieros. Incentivó activamente su uso. Animó a los empleados a utilizarlas tanto como fuese posible y llegó a crear rankings internos que comparaban a los equipos según su consumo de IA.
El resultado fue previsible en un sentido muy básico: si conviertes el uso en un indicador de éxito, el uso aumenta. En abril, Uber ya había consumido el presupuesto de herramientas de IA previsto para todo 2026.
El problema apareció cuando intentaron responder a la pregunta que realmente importaba. Andrew Macdonald, presidente y COO de Uber, reconoció que todavía no podían establecer una relación clara entre ese enorme incremento en el uso de IA y un aumento equivalente de funcionalidades útiles para sus clientes.
El caso me parece especialmente significativo porque refleja uno de los errores habituales cuando aparece una tecnología nueva: confundir adopción con resultado. Medimos cuánta IA utilizamos antes de saber si utilizar más IA nos hace realmente mejores.
Posteriormente Uber ha conseguido empezar a reconducir la situación. Pero:
Consumir en cuatro meses el presupuesto de todo un año mientras todavía estás intentando entender qué parte de ese consumo se traduce en resultados es una señal de que algo no se estaba midiendo con suficiente criterio.
Y Uber no es precisamente una empresa poco familiarizada con la tecnología.
Cuando sustituir personas por IA tampoco sale como esperábamos
Uno de los grandes argumentos económicos de la IA es bastante sencillo: si automatizamos trabajo que actualmente realizan personas, podremos hacer lo mismo a un coste menor.
En muchos casos será así. Pero empiezan a aparecer señales de que tampoco esta ecuación es siempre tan sencilla.
Careerminds realizó en febrero de 2026 una encuesta a 600 responsables de recursos humanos estadounidenses que habían participado en procesos de despido durante los doce meses anteriores. Entre las empresas que habían realizado reestructuraciones relacionadas con la IA, solo el 8,4 % aseguraba que repetiría exactamente el mismo proceso. Los resultados de la encuesta parecen claros:
- El 32,7 % había recuperado entre una cuarta parte y la mitad de los puestos eliminados, y el 35,6 % había vuelto a contratar más de la mitad. En el 52,1 % de los casos, esas recontrataciones comenzaron antes de que hubiesen pasado seis meses.
- La parte económica es todavía más llamativa: el 30,9 % afirmó que volver a contratar terminó costándole más de lo que había ahorrado con los despidos y otro 42,4 % prácticamente quedó igual. Solo un 26,7 % terminó consiguiendo un ahorro neto.
*Hay que poner estos datos en contexto. Es una encuesta de una empresa dedicada a servicios relacionados con la gestión de plantillas, no un estudio académico que demuestre que sustituir trabajadores por IA sea una mala decisión en general. Pero es una señal más.
Y también existe el caso contrario.
Mercor, una startup especializada precisamente en IA, reconocía recientemente que ya gasta más en tokens para sus agentes internos que en salarios de sus empleados. Los utiliza en selección, gestión de proyectos, contabilidad, detección de fraude y otros procesos (a finales de 2025 tenía aproximadamente 300 empleados).
Más allá de estos datos. Tenemos que centrar el análisis y no cometer el mismo error que en los ejemplos anteriores.
Por supuesto que los costes de la IA son exagerados. Pero al final una inversion es buena, siempre que sea rentable. Así que para juzgarlo bien, tenemos que tratar de medir es su retorno.
Creo que todavía es pronto para medirlo con precisión. Si quien da los datos es el responsable de haber hecho la inversión, va a mostrar los mejores datos. Tenemos que esperar un poco más para tener una medición del retorno fiable.
Cuanto más útil sea la IA, más podemos terminar gastando
Al usar una herramienta y pagar una mensualidad, se nos olvida que detrás hay una empresa que necesita aumentar sus ingresos (en el caso del os LLMs más todavía).
El coste de los tokens cada vez es menor, pero al aumentar las funcionalidades y la intensidad del uso de los usuarios y empresas, se está disparando el número de tokens consumidos (como en los ejemplos anteriores) y la necesidad de procesadores más potentes.
Un agente puede investigar, abrir documentos, utilizar herramientas, escribir código, comprobar el resultado, corregirse, volver a consultar el modelo y encadenar decenas de operaciones antes de ofrecernos una respuesta.
Y los nuevos modelos pueden trabajar con contextos cada vez mayores y dedicar más computación a “pensar” antes de contestar.
Los modelos son cada vez más eficientes, pero también están diseñados para poder dedicar mucha más computación a resolver problemas complejos. Eso hace posible que el coste unitario baje mientras el consumo total aumenta.
Y esa dinámica tiene una consecuencia directa: el mercado necesita crecer muchísimo para financiar lo que estamos construyendo.
Las cifras necesarias para que esta carrera salga bien son enormes
La dimensión de la apuesta es difícil de visualizar.
Microsoft, Alphabet, Amazon, Meta y Oracle están aumentando de tal manera sus inversiones relacionadas con inteligencia artificial que, según un análisis de Reuters basado en estimaciones de LSEG, en 2027 la inversión crecerá más deprisa que la capacidad de estas empresas para generar caja con su negocio actual.
Por cada dólar adicional de caja generado por el negocio, añadirían aproximadamente 1,57 dólares de inversión (Reuters).
Reuters sitúa además las necesidades globales de inversión relacionadas con infraestructura de IA entre 5 y 7 billones de dólares hasta 2030.
No es una prueba de que esas inversiones estén equivocadas. Pero para que semejantes cifras tengan sentido económico, los ingresos futuros también tienen que ser extraordinarios.
Y aquí volvemos a encontrarnos con uno de los argumentos que recuerdo perfectamente de la burbuja puntocom: las inversiones actuales pueden parecer excesivas si analizamos el negocio de hoy, pero dejarán de parecerlo cuando llegue el gigantesco mercado del futuro. El problema es quien conseguirá aguantar hasta que eso suceda.
OpenAI es probablemente el ejemplo más extremo.
HSBC calcula que OpenAI podría necesitar invertir cerca de 792.000 millones de dólares hasta 2030. Incluso suponiendo un fuerte crecimiento de usuarios e ingresos, esa expansión no se financiaría solo con el dinero generado por el negocio: todavía podría necesitar conseguir al menos otros 207.000 millones de financiación externa.
Todos estos datos forman parte de la burbuja de cualquier innovación. Tenemos argumentos a favor y en contra. Lo importante es tratar de mantener la calma y dar pasos los más firmes posibles. No digo que sea fácil, pero ese debería ser el camino.
Cuando las expectativas son de esta escala, no basta con que la IA funcione bien. Tiene que convertirse en uno de los mayores negocios tecnológicos que hemos conocido. Parece que vamos en esa dirección, pero todavía tiene que ocurrir.
Mientras tanto, China está cambiando radicalmente el precio
Hay además otro factor que puede alterar estas previsiones: la competencia. Y aquí los modelos chinos están introduciendo una presión extraordinaria. Compáralo con algunos precios oficiales actuales por millón de tokens.
GPT-5.6 Sol de OpenAI cuesta 4 dólares de entrada (datos que subimos a los LLMs) y 20 dólares de salida (respuestas de los LLMs) . Claude Sonnet 5 cuesta 2 y 10 dólares respectivamente. Gemini 3.5 Flash cuesta 1,50 y 9 dólares.
DeepSeek V4 Flash cobra en horario valle 0,22 dólares por el millón de tokens de entrada no cacheados y 0,66 dólares por el millón de salida. Incluso en horario punta son 0,44 y 1,32 dólares.
Y no todo es Estados Unidos contra China. La europea Mistral ofrece Mistral Large a 0,50 dólares de entrada y 1,50 dólares de salida.
Las comparaciones no son perfectas porque estos modelos no tienen exactamente las mismas prestaciones ni rendimiento. Pero la diferencia económica es demasiado grande como para ignorarla.
Entonces, ¿por qué no utilizar siempre el modelo de IA más barato?
Porque tampoco deberíamos cometer el error contrario.
Si un modelo chino cuesta una fracción de uno estadounidense, la respuesta no puede ser automáticamente mover todos nuestros procesos allí.
Hay que valorar rendimiento para la tarea concreta, privacidad, tratamiento y localización de los datos, propiedad intelectual, regulación, estabilidad del proveedor, dependencia tecnológica y riesgo geopolítico.
Y además hay una distinción importante: usar directamente la API de una compañía china no es lo mismo que utilizar un modelo de origen chino que pueda desplegarse en infraestructura propia o europea. Los riesgos no son necesariamente los mismos.
Probablemente tampoco tenga sentido que una empresa se “case” con un único LLM.
Según madure el mercado veremos arquitecturas en las que una tarea sencilla se envía a un modelo barato y otra que necesita mayor capacidad se deriva a un modelo más potente. Igual que hoy no utilizamos la misma herramienta para todos los procesos de una empresa.
La pregunta dejará de ser “¿usamos ChatGPT, Claude o DeepSeek?” para pasar a ser “¿qué combinación nos proporciona el resultado que necesitamos con el coste y el riesgo adecuados?”.
Eso es una señal de madurez.
Ni por encima ni por debajo: poner la IA en su sitio
Todos estos ejemplos pueden interpretarse como argumentos contra la IA. No lo son. Son las señales que necesitamos para empezar a entenderla de verdad.
Durante la primera fase hemos exagerado expectativas, invertido muchísimo, sustituido algunas personas demasiado rápido, premiado el consumo de tokens y proyectado crecimientos extraordinarios hacia el futuro.
Ahora empieza la segunda parte.
Descubrir qué funciona, qué no, cuánto cuesta realmente, qué modelo necesitamos para cada problema y qué retorno podemos exigir.
En mi último artículo sobre Automatización de procesos con IA defendía precisamente que no deberíamos empezar preguntando qué herramienta queremos utilizar. Primero tenemos que entender el proceso, identificar dónde está la fricción, decidir qué queremos mejorar y después comprobar si la IA aporta realmente valor.
Con los costes sucede exactamente lo mismo. La pregunta no es si la IA es cara o barata. Debería ser:
¿El resultado que obtenemos justifica lo que estamos invirtiendo en IA?
A medida que la euforia inicial vaya desapareciendo, tendremos mejores respuestas.
Algunas confirmarán todo lo que esperamos de la IA. Otras demostrarán que fuimos demasiado lejos. Habrá empresas y modelos que sobrevivirán y otros que no. Habrá automatizaciones extraordinariamente rentables y otras que volverán a manos humanas.
