¿Vale la pena tu agente de IA?

¿Por qué sube el gasto si la IA es cada vez más barata?

McKinsey identifica tres factores detrás de esta paradoja:

• Las empresas están escalando sus iniciativas de IA, lo que multiplica el volumen total de uso.
• Los proveedores de modelos migraron de esquemas de suscripción a modelos de consumo, un cambio que incentiva respuestas más largas: más tokens generados también significan más tokens facturados.
• Muchas tareas simples se siguen resolviendo con modelos costosos, cuando podrían ejecutarse con modelos más económicos.

Como referencia de magnitud, McKinsey estima que el gasto en IA llegará a representar cerca del 25% del presupuesto de tecnología de las empresas en los próximos años.

Seis motivos por los que el gasto agéntico sigue creciendo

En procesos agénticos, el consumo de tokens no se explica solo por el precio del modelo. El artículo describe seis factores que empujan el costo operativo hacia arriba:

• Contexto que se arrastra. Los modelos no retienen memoria entre llamadas, así que los agentes reenvían el contexto acumulado en cada paso. Esto puede hacer que una tarea agéntica consuma hasta 1.000 veces más tokens que una tarea de chat o de razonamiento simple.
• El costo está en la revisión. Cerca del 60% del gasto de una tarea agéntica corresponde a verificar, corregir y volver a validar resultados, más que a la respuesta inicial.
• La autonomía genera variabilidad. Un mismo proceso puede resolverse por caminos distintos, con llamadas a herramientas diferentes y reintentos variables. En tareas de programación esto puede generar diferencias de costo de hasta 30 veces para una misma tarea.
• Razonamiento extendido en tareas simples. El pensamiento extendido de un modelo se paga solo en tareas complejas, pero es un sobrecosto en tareas simples. El enrutamiento de modelos —usar el modelo correcto en cada paso— ayuda a evitarlo.
• La orquestación también pesa. La forma en que un agente coordina y distribuye el trabajo entre herramientas y otros agentes puede cambiar el costo final sin cambiar el resultado de negocio.
• La forma de la información importa. El diseño de los prompts, la extensión del contexto, el idioma y el formato de los datos afectan el consumo de tokens. Un mismo intercambio en un idioma distinto al inglés puede fragmentarse en más tokens y costar más.

Lo que McKinsey aprendió gestionando su propia economía de IA

McKinsey aplica internamente varias prácticas surgidas de gestionar su propio consumo de IA a gran escala (procesan cerca de 5 billones de tokens por mes, a mayo de 2026):

• El consumo se concentra: el 10% de los usuarios genera cerca del 65% del consumo total de tokens.
• Agrupar el gasto de consumo entre toda la organización, en lugar de licencias individuales, permite sostener a los usuarios más intensivos sin dejar capacidad ociosa.
• Los modelos más antiguos y económicos alcanzan para la mayoría de las tareas. El enrutamiento inteligente entre modelos genera ahorros relevantes.
• Dar visibilidad del costo de cada prompt a los usuarios, junto con pautas simples como pedir respuestas más concisas, puede reducir el consumo de tokens entre un 30% y un 40% sin afectar la calidad del resultado.
• Una parte creciente del gasto en IA proviene de las capas que rodean al modelo: gateways de seguridad, plataformas de orquestación y herramientas de monitoreo, que también cobran en función del consumo de tokens.

Qué cambia en la dinámica competitiva

El artículo plantea cuatro implicancias para las empresas que compiten en este escenario:

• La ventaja por ejecución se vuelve más difícil de sostener. Durante años, la ventaja competitiva vino de ejecutar mejor un proceso: suscripción más rápida, atención al cliente más eficiente. Los sistemas agénticos permiten replicar esa capacidad a escala en cualquier competidor con acceso a la misma tecnología.
• Los datos y el contexto ganan valor frente al modelo. A medida que los modelos convergen en capacidades similares, la diferencia la marca la información propia de cada organización: historial de decisiones, señales de clientes, contexto operativo.
• La gobernanza de la IA se convierte en ventaja competitiva. Una misma tarea puede costar 30 veces más según cómo se ejecute. Quienes logren medir, asignar y mejorar el trabajo de sus agentes van a generar más valor con la misma inversión.
• Cambian los límites entre lo que conviene desarrollar puertas adentro y lo que conviene tercerizar. El contexto propio de cada negocio se vuelve un activo estratégico para retener internamente, mientras que las tareas más estandarizadas pueden resolverse con servicios externos.

La agenda para construir un modelo operativo agéntico

McKinsey propone que los CEO trabajen la economía de la IA con la misma disciplina que aplican al capital o a las operaciones:

1. Asignar inteligencia como se asigna capital: no todos los procesos necesitan el modelo más avanzado. Muchas tareas pueden resolverse con modelos más pequeños, de código abierto o incluso con automatización tradicional.
2. Definir la estrategia de negocio antes que la estrategia tecnológica, para concentrar la inversión en las áreas donde la IA puede cambiar realmente la economía del negocio.
3. Construir la operación agéntica como una disciplina de gestión, con presupuesto, autonomía y reglas de detención definidas para cada sistema autónomo.
4. Asignar responsables claros. El artículo describe roles diferenciados: el CIO conecta sistemas y datos para que los agentes cuenten con el contexto correcto; el CTO gestiona la arquitectura, el enrutamiento de modelos y la evaluación de resultados; el CFO convierte la IA en una categoría de gasto medible, con métricas como el costo por resultado.
5. Medir el trabajo de los agentes con métricas de negocio, no solo con métricas técnicas como el volumen de tokens o de llamadas al modelo.
6. Revisar qué conviene tercerizar y qué conviene mantener adentro, actividad por actividad, según dónde esté el valor.

Qué significa esto para tu organización

La conclusión de McKinsey es clara: gestionar el trabajo de los agentes con la misma disciplina que se aplica al trabajo humano, al capital y a las operaciones marcará la diferencia entre las empresas que escalan IA con resultados medibles y las que acumulan gasto sin poder explicarlo.