AI sticker shock: por qué las empresas están gastando millones en IA sin ver resultados
Durante los últimos dos años, el mensaje ha sido claro: o adoptas IA o te quedas atrás. Las empresas escucharon. Compraron licencias, contrataron consultores, desplegaron copilotos por todas partes. Y ahora, muchas están abriendo la factura del mes y descubriendo algo incómodo: la IA es muchísimo más cara de lo que pensaban, y los resultados no llegan.
Axios lo ha bautizado como "AI sticker shock", el shock del precio. Y no es un problema de empresas pequeñas mal asesoradas. Es un problema que está pegando fuerte en las grandes ligas.
Lo que está pasando ahora mismo
Los titulares de las últimas semanas pintan un panorama claro. Microsoft canceló la mayoría de sus licencias de Claude Code, en parte por los costes, según The Verge, y el COO de Uber dijo que los costes de IA son "cada vez más difíciles de justificar".
Y luego está el caso que se ha vuelto viral en círculos tecnológicos: un consultor de IA contó a Axios que uno de sus clientes gastó recientemente medio billón de dólares en un solo mes tras no poner límites de uso a las licencias de Claude para sus empleados.
Medio billón. En un mes. Por no poner un límite.
No es un caso aislado. Uno de los ejemplos más llamativos de esta explosión de gasto vino de Uber. El CTO de la compañía ya ha quemado todo el presupuesto de IA planificado para 2026 por culpa de los costes de tokens, según un informe de The Information.
Y el dato que mejor resume el momento lo da Nvidia, una empresa que literalmente vende las palas de esta fiebre del oro: Bryan Catanzaro, vicepresidente de deep learning aplicado en Nvidia, lo dijo sin rodeos: para su equipo, el coste de cómputo supera con creces el coste de personal.
Si en Nvidia la IA cuesta más que las personas que la operan, imagínate lo que está pasando en una empresa cualquiera.
Por qué la factura se descontrola tan rápido
El problema no es que la IA sea cara per se. El problema es cómo se está usando. Vamos por partes.
1. El mito del "buffet libre"
Mucha gente entró en la IA pensando que pagar una suscripción mensual era como pagar Netflix: usas lo que quieras y ya está. No funciona así.
Un CTO le contó a Axios que sus empleados estaban usando modelos de IA para consultar el tiempo. Eso se vuelve caro muy rápido: los planes de IA empresariales no son realmente "all you can eat", e incluso consultas simples de chatbot pueden tener costes elevados en tokens.
Cada consulta consume tokens. Cada token cuesta dinero. Multiplicado por miles de empleados haciendo consultas triviales todo el día, la factura se va a las nubes.
2. Automatizar lo equivocado
Este es probablemente el error más caro de todos, y no tiene nada que ver con la tecnología.
"La mayoría de la gente automatiza por defecto las tareas que no le gustan, en lugar de las tareas más valiosas para la empresa", dijo Sophia Velastegui, CEO de Velastegui Ventures y antigua chief AI officer en Microsoft. En su lugar, deberían centrarse en usar IA para generar ingresos.
Es una distinción enorme. Hay una diferencia gigante entre "odio escribir actas de reunión, que lo haga la IA" y "perdemos 200 leads al mes porque tardamos 4 horas en responder, que la IA los califique y responda al instante".
Lo primero te ahorra molestias. Lo segundo te genera ingresos. Solo lo segundo justifica el coste.
3. La estrategia de "tirar licencias a ver qué pega"
El liderazgo no siempre ayuda: tirar licencias de IA a la pared a ver qué se pega (lo que Velastegui llama el enfoque de "que florezcan mil flores") no está generando retornos tangibles.
Es el equivalente corporativo a comprar todas las herramientas de una ferretería sin saber qué vas a construir. Repartes Copilot, ChatGPT Enterprise, Claude, Cursor, Gemini... y al final del trimestre tienes una factura de seis cifras y nadie sabe decirte qué problema concreto se ha resuelto.
4. El cuello de botella humano
Los humanos somos el cuello de botella para una adopción más eficiente, porque seguimos poniéndonos al día con la IA.
La IA puede ser muy potente, pero si nadie en el equipo sabe cómo integrarla en sus procesos reales, se queda como una herramienta más en el escritorio. Se usa para tareas sueltas, no para transformar flujos de trabajo.
5. El miedo a soltar los datos
Cuando las empresas dudan en dar a los agentes de IA acceso sin restricciones a sus datos propietarios, esos agentes se vuelven menos efectivos, según Josh Pantony, CEO de Boosted.ai.
Es la paradoja del momento: cuanto más cierras los datos por seguridad, menos útil es la IA. Cuanto más los abres, más miedo te da. Sin una estrategia clara de qué accede a qué y por qué, te quedas en tierra de nadie.
El "tokenmaxxing" y la corrección que viene
El mercado ya está reaccionando. La empresa está pasando por una "sana corrección" alejándose del uso excesivo de IA — o "tokenmaxxing", el impulso de quemar tantos tokens de IA como sea posible — según Ali Ansari, CEO de Micro1.
Y aquí viene el dato que más debería preocupar (o despertar) a cualquier directivo: aunque el mercado ve estas herramientas como si funcionaran igual de bien en toda la empresa, Ansari dice que "la realidad de la IA ahora mismo es que solo funciona para programar". Esa desconexión puede disparar las facturas de IT sin generar un alto retorno de inversión en agentes.
Ojo con esta afirmación. No es del todo cierta — hay muchísimos casos de uso fuera de programar donde la IA aplicada bien funciona genial (atención al cliente, gestión de email, calificación de leads, agentes de voz). Pero el matiz importante es: funciona bien cuando está bien diseñada para un caso de uso concreto. No cuando se reparte como caramelos.
Las consecuencias reales
Esto no es un problema abstracto de líneas en una hoja de cálculo. Tiene impacto en personas.
Las empresas están citando la capacidad de la IA para automatizar trabajos como causa de despidos, aunque Anuj Kapur, CEO de CloudBees, dijo a Axios que los recortes de plantilla pueden ser simplemente "la única palanca que pueden mover" para compensar sus facturas de IA.
Léelo otra vez. Hay empresas despidiendo gente no porque la IA haya hecho su trabajo redundante, sino porque tienen que pagar la factura de la IA con algo. Esto es exactamente lo contrario de lo que se prometió.
El sentimiento de los consumidores hacia la IA también está cayendo en picado, y los empleados se están rebelando contra el uso de la tecnología en el trabajo.
Cómo hacerlo bien: el manual contrario
Vale, basta de diagnóstico. ¿Qué hacer? Si estás leyendo esto desde la silla de fundador, director de operaciones o responsable de tecnología, aquí está el resumen de qué funciona y qué no.
| Lo que NO funciona | Lo que SÍ funciona |
|---|---|
| Comprar licencias para todos a ver qué pasa | Identificar 1-2 procesos concretos con coste medible |
| Automatizar tareas que molestan | Automatizar tareas que generan ingresos o ahorran tiempo medible |
| Pagar por modelos premium para todo | Usar el modelo adecuado para cada tarea (la mayoría no necesita GPT-5) |
| Soluciones genéricas "para empresas como la tuya" | Soluciones diseñadas para tus procesos exactos |
| Quedarte atado a un proveedor cerrado | Trabajar con open-source y APIs que puedes cambiar |
| Implementar y olvidarte | Monitorizar, medir y ajustar continuamente |
Empieza por el problema, no por la herramienta
Suena obvio. No lo es. La mayoría de proyectos de IA empiezan así: "queremos implementar IA". Esa frase ya es el primer error.
La pregunta correcta es: ¿qué proceso concreto nos está costando tiempo o dinero, y se puede medir?
Ejemplos reales:
- "Tardamos 3 horas al día gestionando emails de soporte"
- "Perdemos el 40% de los leads porque no respondemos a tiempo"
- "Hacer una propuesta comercial nos lleva 2 días"
- "Atendemos 200 llamadas al mes que son siempre las mismas 5 preguntas"
Cada uno de estos problemas tiene un coste mensual concreto. Y cada uno tiene una solución de IA que se puede diseñar para resolverlo específicamente, con un ROI calculable desde el día uno.
Pon límites desde el principio
El caso del cliente que gastó medio billón pasa por una razón muy simple: nadie puso un tope. En cualquier solución bien diseñada hay límites duros: cuántas llamadas se pueden hacer, qué modelo se usa para qué, cuándo se escala a un humano, cuándo se corta.
Mide el ROI en tiempo real
Si no puedes responder a "¿cuánto nos ha ahorrado este sistema este mes?", no tienes un sistema de IA. Tienes un experimento caro.
El enfoque de Studio SmartWork
Todo este artículo describe básicamente la razón por la que Studio SmartWork existe.
No vendemos licencias. No vendemos software "todo en uno". No te decimos "pruébalo a ver".
Lo que hacemos es:
- Empezamos por el problema concreto. Una auditoría rápida del flujo donde estás perdiendo más tiempo o dinero. Cifras reales: cuántas horas, cuántos leads, cuántos euros al mes.
- Diseñamos la solución a medida. Con herramientas open-source probadas (n8n, APIs de IA), integrada con tu stack actual. Sin quedarte atado a un proveedor.
- La operamos. No te entregamos un manual y nos vamos. Monitorizamos, mantenemos y mejoramos el sistema según crece tu negocio.
- En 4-8 días. No en 6 meses. No en un trimestre. En menos de una semana laboral.
Los resultados son medibles desde el primer mes: bandejas de entrada que pasan de 3h a 15min al día, tiempos de respuesta a leads que bajan de horas a menos de 60 segundos, propuestas comerciales que pasan de 1-2 días a 10 minutos.
No porque usemos IA por usarla. Porque cada solución se diseña para un proceso concreto, con límites claros y métricas claras.
La conclusión
La noticia del "AI sticker shock" no es una historia sobre que la IA no funcione. Es una historia sobre que comprar IA sin estrategia no funciona. Son cosas muy diferentes.
La IA bien aplicada sigue siendo una de las palancas más potentes que existen para un negocio. Pero "bien aplicada" significa: a un problema concreto, con un ROI medible, con límites claros y con alguien que la opere de verdad. No "reparto Copilot a 200 empleados y a ver qué pasa".
Lo que estamos observando: si las empresas se vuelven más disciplinadas con el uso de IA. O si sobrecorrigen y se cierran.
La respuesta inteligente no es ninguna de las dos. Es ser quirúrgico: usar IA donde tiene sentido económico claro, no usarla donde no, y medir todo. Esa es la diferencia entre las empresas que en 2027 estarán contando casos de éxito, y las que estarán explicando al consejo por qué su factura de IA superó a su nómina.