Controlar el gasto en inteligencia artificial se ha convertido en un problema de supervivencia: Uber agotó su presupuesto de IA de 2026 en abril y Google procesa 3,2 mil billones de tokens al mes.
Dos gigantes, dos señales de alarma sobre el gasto en inteligencia artificial
El dato lo recoge Fast Company: Google procesa hoy 3,2 mil billones de tokens al mes, unas siete veces más que hace un año. Uber, en cambio, ya no puede seguir el ritmo: agotó en abril todo su presupuesto de inteligencia artificial previsto para 2026. No es un fallo de producto. Es un fallo de control.
A ver. Las empresas empujaron a sus equipos a usar IA, con marcadores de uso y lo que Fast Company llama tokenmaxxing. Ahora quieren recortar porque el retorno no aparece. La razón es dura: las organizaciones con plena visibilidad de sus costes operativos de IA tienen cinco veces más probabilidades de reportar un ROI consolidado.
El problema no es que los empleados usen la la IA para consultar el tiempo. Es la acumulación silenciosa de prompts mal planteados, intentos fallidos y conversaciones cargadas de contexto irrelevante. Un flujo de trabajo innecesariamente complejo puede costar 2,25 dólares por tirada. Suena asumible.
No lo es. Ese mismo empleado lanzando dos flujos ineficientes al día dispara la factura a 99 dólares al mes. Multiplica por mil empleados durante un año: 1,19 millones de dólares desperdiciados solo por prompting ineficiente. Eso es lo que las empresas no ven hasta que el presupuesto revienta.
La factura de la IA no estalla por un gran error: estalla por mil pequeñas decisiones que nadie ha medido.
La energía sigue el mismo camino. Cada token consume aproximadamente 200 julios, suficiente para mantener una bombilla LED de 10 vatios encendida veinte segundos. Un solo flujo avanzado con varios agentes puede superar el millón de tokens: casi dos días de electricidad doméstica.
Sin visibilidad, el gasto en inteligencia artificial deja de ser una decisión de negocio y se convierte en un accidente contable.
Por qué el presupuesto de IA se escapa sin que nadie lo decida
La causa no es la IA, sino la ausencia de precio visible. Un empleado no puede juzgar si el esfuerzo computacional de un prompt encaja con el resultado que busca. No se trata de prohibir la IA para tareas menores; se trata de que el coste sea legible en el momento de usarla.
OpenAI ya nota el cambio. Alexander Embiricos, responsable de enterprise, explica que sus clientes han dejado de preguntar qué puede hacer la IA para pedir auditorías de eficiencia del modelo. Es el paso lógico: primero se adopta, después se audita.
📦 Caso de estudio: Uber y el presupuesto de IA agotado
- El reto: Alinear el uso intensivo de IA con un presupuesto anual que debía durar doce meses.
- La jugada: Impulsó el uso con marcadores y tokenmaxxing, sin visibilidad del coste por prompt.
- El resultado: Agotó todo su presupuesto de IA de 2026 en abril, con el año todavía por delante.
- La lección: Sin métricas de consumo en el punto de uso, el gasto en IA se convierte en una factura invisible.
Etiquetas nutricionales para tokens: así funciona el control de gasto
La propuesta de Fast Company es simple en apariencia: que cada prompt muestre una estimación de de tokens, coste e intensidad computacional antes de ejecutarse. Igual que una etiqueta nutricional traduce calorías y nutrientes, la etiqueta de IA traduciría el gasto.
Esa visibilidad cambia el comportamiento. Cuando un empleado ve que ampliar el contexto o reintentar una salida inútil suma más tokens, puede corregir la petición, acotar el alcance o proceder con confianza si el proyecto lo justifica. No es un tope, es una señal.
A escala de compra, Fast Company apunta a un estándar tipo Energy Star para herramientas de IA. Los equipos de compras exigirían ratios de eficiencia normalizados antes de firmar un contrato. El ahorro dejaría de depender del héroe que revisa la factura a final de mes.
Lo que el caso enseña a founders y negocios físicos
Para una startup, el control del gasto en IA es una cuestión de runway. Quemar presupuesto por prompts ineficientes equivale a reducir los meses de operación sin ganar tracción. La lógica de unit economics que se aplica en aceleradoras como Y Combinator vale también aquí: cada token es una unidad de coste, no un gasto abstracto.
La economía real no queda fuera. Imagina una chocolatería artesanal que usa asistentes de IA para responder pedidos y crear contenido. Si cada interacción mal planteada cuesta céntimos extra, a final de mes el margen se resiente sin que nadie sepa por qué. Aplicar una etiqueta de coste por prompt es como medir el coste por pedido en tienda.
La lección es incómoda para los entusiastas del tokenmaxxing: más uso no equivale a más valor. Las empresas que mejor usan la IA no harán una dieta de choque, sino que dirigirán el gasto computacional hacia el trabajo que de verdad lo merece.
Esto no es nuevo. Con el cloud pasó algo parecido: primero se celebró la agilidad, luego llegó la factura y nació la disciplina FinOps. Ahora la IA revive el mismo ciclo, pero con una diferencia: el consumo lo deciden cientos de empleados en tiempo real, no un departamento de IT.
Fast Company propone etiquetas nutricionales para devolver la información al punto exacto donde se gasta. Me parece un avance, pero no una bala de plata. El fundador también necesita fijar umbrales, educar al equipo y revisar el ROI con la misma disciplina que revisa su burn rate. De lo contrario, la transparencia se queda en un panel que nadie mira.
La postura es clara: auditar la eficiencia no es recortar innovación. Es exactamente lo contrario. Una startup que sabe cuánto le cuesta cada prompt puede gastar el doble en IA cuando el retorno lo justifica, y cero cuando no. Ese es el equilibrio que separa a los equipos que escalan de los que se quedan sin presupuesto en abril.
🚀 Hoja de Ruta para Emprender
- Audita el coste por prompt: Pide a tu proveedor de IA métricas de eficiencia y monitoriza el gasto por equipo antes de que reviente el presupuesto.
- Define umbrales por tarea: No todos los prompts merecen la misma inversión computacional; asigna presupuesto según el valor esperado.
- Entrena al equipo en contexto mínimo: Menos contexto irrelevante y menos reintentos reducen tokens y mejoran la calidad de la respuesta.
- Revisa el ROI cada mes: Trata el gasto en IA como un KPI operativo, no como una partida anual que se descubre al agotarse.
