Estos días circula entre directivos una preocupación creciente, bien recogida en El Confidencial. El paso de los chatbots a los agentes ha disparado el consumo de tokens, el pago por uso hace imprevisible la factura y algunas estimaciones hablan de multiplicar por veinte el gasto. La anécdota más citada es la de Uber, que agotó su presupuesto anual de IA en cuatro meses por el uso intensivo de agentes de código y acabó imponiendo topes mensuales por empleado. Y hay empresas, según el último Global AI Pulse de KPMG, que ya han recortado despliegues de agentes porque los costes superaban los beneficios.
Antes de sacar conclusiones, conviene leer el resto del estudio, elaborado sobre más de 2.100 directivos de 20 países en organizaciones con ingresos superiores a 50 millones de dólares. Según la nota de prensa oficial de KPMG, el 42% de las organizaciones tiene solo visibilidad parcial de su gasto en IA, y las que disponen de visibilidad completa de sus costes operativos son cinco veces más propensas a reportar un ROI establecido (15% frente a 3%). Es decir, las empresas que ganan con la IA y las que pierden gastan en lo mismo. Se diferencian en que unas lo miden y otras lo padecen. El problema no es de precio. Es de contabilidad de costes marginales, una disciplina que la economía de empresa resolvió hace un siglo y que la fiebre de la IA parece haber amnistiado.
El error de la métrica
Comparar el consumo de tokens de un agente con el de un chatbot es comparar el combustible de un camión con el de una bicicleta. Un chatbot responde preguntas. Un agente ejecuta procesos completos. La métrica relevante no es el coste por token, sino el coste por tarea completada frente al coste del proceso humano y organizativo que sustituye. Un agente que consume diez veces más tokens pero absorbe un proceso que cuesta cien veces más en horas de estructura es, trivialmente, una ganga.
Donde el ROI se hunde es en otro sitio. Cuando se despliegan agentes sobre procesos que nadie ha rediseñado, la IA no sustituye trabajo, lo duplica. Genera actividad sintética sin valor neto, informes que nadie pidió, borradores que alguien tendrá que revisar dos veces. El agente no es caro. Caro es el agente sin proceso.
El error de la arquitectura
El segundo error es de diseño. Muchas empresas contratan el modelo más potente del mercado y lo usan para todo, que es como calentar la casa entera para hervir un huevo. La IA se ha estratificado en dos niveles claramente diferenciados, frontera y commodity, y la disciplina económica consiste en enrutar cada tarea al nivel que le corresponde. Clasificar documentos, extraer datos, resumir expedientes o dar primeras respuestas funciona perfectamente sobre modelos abiertos que cuestan una fracción. El modelo de frontera se reserva para el porcentaje de tareas donde la diferencia de capacidad se traduce en diferencia de resultado. Con arquitecturas híbridas y enrutado inteligente, esa factura apocalíptica de dos millones de dólares vuelve, con la misma funcionalidad, al orden de los cientos de miles. El propio informe de KPMG confirma que la gestión fina está aún en pañales: aunque dos tercios de las organizaciones tienen cuadros de mando de monitorización, solo el 36% ha implantado controles directos a nivel de token o de uso (KPMG). Esta es uno de los activos más importantes de Grupo 1MillionBot -plataforma que auna agnosticismo tecnológico, y abataramiento de tokens- aunque las grandes empresas siguen contratando grandes firmas.
La oportunidad que Europa no debería volver a perder
Y aquí está lo verdaderamente interesante de este momento. Que directivos hartos de facturas imprevisibles miren hacia Qwen, DeepSeek o Mistral no es una anécdota de ahorro. Es un cambio estructural en la economía de la IA.
Vengo sosteniendo desde 2020 que Europa perdió la carrera de construir los modelos de frontera. Esa batalla, a corto plazo, está decidida, y el informe Draghi no hizo más que confirmar el diagnóstico. Pero la capa donde se genera el grueso del valor económico no es la del modelo, sino la de la aplicación. Y esa capa se puede construir sobre modelos abiertos, con control absoluto del dato, del despliegue y del coste. Es lo que llamo soberanía por adopción. No se trata de tener el mejor modelo, sino de ser los mejores adoptándolos, orquestándolos e integrándolos en los procesos productivos.
Para sectores regulados como el energético, con sus exigencias de ciberseguridad y soberanía del dato, la arquitectura híbrida no es un plan B de país sin gigantes tecnológicos. Es, sencillamente, la arquitectura correcta.
La pregunta que casi nadie hace
El dato más incómodo del estudio de KPMG no es tecnológico sino organizativo. Las organizaciones con responsabilidad claramente definida sobre la IA al nivel del CEO reportan mayor confianza en su estrategia (60% frente a 22%), más realización de valor (57% frente a 21%) y un ROI establecido casi cuatro veces superior (14% frente a 4%). Cuando la IA es responsabilidad de todo el comité de dirección, no es responsabilidad de nadie (KPMG).
Así que disciplina de costes, sí, y con rigor de director financiero. Telemetría del gasto, enrutado por niveles, procesos rediseñados antes de automatizarlos y un responsable con nombre y apellidos. Retirada, no. Las empresas que hoy frenan la adopción por no saber medir el gasto estarán en dos años comprando esa capacidad, más cara, a quienes sí supieron gobernarla.
En IA, como en energía, el recurso más caro nunca es el que se consume. Es el que se deja de aprovechar.
Referencias: KPMG Global AI Pulse Q2 2026 · Nota de prensa KPMG, 24 junio 2026 · El Confidencial, 5 julio 2026
Nuestro Libro: IA autónoma y sistemas multiagente.
Artículo publicado originalmente en Linkedin el día 5 de julio de 29026 por Andrés Pedreño Muñoz