La IA abarató el código, pero encareció el software empresarial
La promesa era que la inteligencia artificial reduciría drásticamente el costo de desarrollar software. Pero está ocurriendo algo más complejo: el precio de la inteligencia cayó, pero el consumo de inferencia, la complejidad de los sistemas y las nuevas expectativas empresariales están empujando los costos en la dirección contraria.
Durante años, una de las grandes promesas de la inteligencia artificial aplicada al desarrollo de software fue sencilla: si una máquina puede escribir código en una fracción del tiempo que necesita un programador, entonces construir software debería ser mucho más barato.
Pero la economía del software está tomando otro camino. Un análisis del arquitecto de software Gal Ratner plantea una paradoja: el costo de producir inteligencia artificial cayó de manera extraordinaria, mientras que las facturas asociadas al software y a las herramientas de desarrollo están aumentando. Su tesis parte de una observación concreta: el código nunca fue tan rápido de producir y, al mismo tiempo, los sistemas empresariales nunca fueron tan costosos de operar.
El punto central no es que la IA haya fracasado en aumentar la productividad. Al contrario: la productividad efectivamente se multiplicó. El problema es que esa eficiencia está siendo absorbida por una combinación de mayor consumo, mayor alcance de los productos y una nueva estructura de costos basada en inferencia.
El código se volvió barato. El software, no necesariamente
Uno de los argumentos habituales alrededor de la IA es que si construir una aplicación pasa de requerir dos meses a dos días, el precio de esa aplicación debería caer proporcionalmente.
Ratner cuestiona esa relación entre costo de producción y precio final. El software, recuerda, nunca fue realmente valorado en función de las horas necesarias para escribirlo. Una copia adicional de Windows prácticamente no tenía costo de fabricación, pero eso nunca significó que Microsoft tuviera que regalarla.
La industria ya atravesó varias revoluciones de productividad. Compiladores, Visual Basic, Ruby on Rails y posteriormente la nube redujeron drásticamente el tiempo o el costo necesario para construir y desplegar software. Sin embargo, los precios no siguieron necesariamente esa misma trayectoria. La explicación está en el aumento del alcance.
Una aplicación empresarial actual no es simplemente código que ejecuta una función. Los clientes esperan single sign-on, controles de acceso, auditoría, APIs, sincronización en tiempo real, certificaciones de seguridad, disponibilidad elevada, residencia de datos y múltiples integraciones.
En ese contexto, una aplicación que puede construirse en dos días no necesariamente reemplaza al sistema empresarial que antes requería dos meses. Son productos diferentes.
La paradoja de los tokens
Aquí aparece una de las principales conclusiones del análisis. El costo de una unidad de inteligencia se desplomó. Ratner cita estimaciones según las cuales el precio necesario para obtener un determinado nivel de capacidad cayó hasta varios órdenes de magnitud en pocos años. Como referencia, menciona que GPT-4 comenzó con un precio de US$30 por millón de tokens de entrada y US$60 por millón de tokens de salida, mientras que modelos posteriores alcanzaron costos muy inferiores para capacidades comparables.
Pero el abaratamiento de cada unidad no significó una reducción equivalente de la factura total.
La razón es el aumento del consumo. Ratner utiliza el concepto de paradoja de Jevons, según el cual una mejora en la eficiencia de un recurso puede provocar un aumento, y no una disminución, de su consumo total. En el caso de la IA, cuanto más barata se vuelve la inferencia, más usos aparecen y más tareas se delegan a los modelos. El resultado es una ecuación aparentemente contradictoria: el precio de la inteligencia cae, pero la cantidad de inteligencia consumida crece todavía más rápido.
El análisis cita, por ejemplo, estimaciones de The Information sobre costos de inferencia de OpenAI en 2025 cercanos a US$8.400 millones, aproximadamente cuatro veces el año anterior. También menciona estimaciones de Menlo Ventures que sitúan el gasto empresarial en APIs de modelos en US$8.400 millones, frente a US$3.500 millones seis meses antes. La eficiencia, en lugar de convertirse directamente en ahorro, está financiando más inferencia.
El fin del software de costo marginal casi cero
La transformación más profunda puede estar ocurriendo en la estructura económica del software. Durante décadas, una de las características fundamentales del negocio fue su costo marginal prácticamente nulo. Una empresa desarrollaba un producto y podía distribuirlo a millones de usuarios sin que cada nueva copia implicara un costo de fabricación comparable. La IA agentic introduce otra dinámica.
Un agente no se limita a entregar una respuesta. Puede leer archivos, construir un plan, escribir código, ejecutar pruebas, analizar los errores y repetir el proceso. Cada uno de esos pasos implica consumo de cómputo e inferencia. Cuando varios agentes trabajan simultáneamente, el consumo puede multiplicarse todavía más.
Ratner cita datos de Anthropic según los cuales equipos de agentes pueden utilizar aproximadamente siete veces más tokens que una sesión estándar cuando trabajan en determinados modos de planificación. También menciona costos empresariales que pueden alcanzar cientos de dólares mensuales por desarrollador, dependiendo del nivel de actividad.
Esto introduce algo que el software tradicional había conseguido evitar durante décadas: una estructura de cost of goods sold, o costo de bienes vendidos, directamente asociada al uso del producto.
Cada acción de un agente tiene un costo variable para el proveedor.
Y ese costo puede terminar trasladándose al cliente.
Por qué el modelo de pago por usuario empieza a tambalear
Esta nueva economía también afecta al tradicional modelo SaaS. El precio por usuario funcionaba bien cuando el usuario era quien interactuaba directamente con el software. Pero ¿qué sucede cuando un agente ejecuta tareas en cuatro aplicaciones diferentes y el empleado ni siquiera necesita ingresar a ellas?
Una estimación de Gartner dice que hasta 40% de las aplicaciones empresariales podría incorporar agentes especializados hacia finales de 2026, frente a menos de 5% previamente. Gartner también estima que hasta US$234.000 millones del gasto empresarial en aplicaciones podrían quedar expuestos hacia 2030 al denominado “agentic arbitrage”.
La consecuencia es un cambio en la unidad económica del software. En lugar de pagar solamente por quién utiliza una aplicación, las empresas comienzan a pagar por lo que la aplicación hace.
Por eso aparecen modelos como el cobro por conversación resuelta, ejecución de una tarea o corrida de un agente. El software comienza a parecerse menos a un producto digital tradicional y más a un servicio medido por consumo.
La productividad no está desapareciendo. Está elevando las expectativas
Hay otra consecuencia menos evidente. Si construir software se vuelve diez veces más rápido, los clientes no necesariamente pedirán el mismo software por una décima parte del precio. Pueden pedir diez veces más funcionalidades.
Ese fenómeno ya está ocurriendo, según el análisis. Las organizaciones esperan sistemas más integrados, seguros, inteligentes y personalizados. La IA aumenta la capacidad de construir, pero también eleva el estándar de lo que se considera un producto terminado.
Así, parte de la productividad obtenida mediante IA se consume en aumentar el alcance del sistema.
Es una dinámica que ayuda a explicar por qué el costo total de un proyecto empresarial puede mantenerse alto incluso cuando la generación de código se vuelve mucho más rápida.
El verdadero valor se desplaza fuera del código
La IA sí está destruyendo el valor económico del trabajo de desarrollo indiferenciado. Una aplicación CRUD básica, con una base de datos, login y unas pocas funciones, puede ser construida rápidamente con IA. En ese segmento, la presión sobre los precios será difícil de evitar.
Pero el valor se desplaza hacia otra parte. Integrar sistemas existentes, migrar datos, cumplir requisitos regulatorios, diseñar arquitecturas, garantizar seguridad, resolver problemas de calidad de datos y adaptar el software a las condiciones específicas de una empresa siguen siendo tareas complejas.
Y pueden volverse incluso más importantes en un escenario donde producir código deja de ser la principal restricción.
La frase clave del análisis podría resumirse así: el código es cada vez más barato, pero todo lo que hay alrededor del código adquiere mayor peso económico.
El software entra en una economía de consumo
La conclusión de Ratner desafía una de las intuiciones más extendidas sobre la IA: que una caída radical del costo de producción necesariamente debería traducirse en software más barato. No necesariamente.
La IA puede reducir el costo de producir una pieza de código mientras aumenta el número de piezas que se producen, la cantidad de inferencia que se consume, la complejidad de los sistemas y las expectativas de los clientes.
El resultado es una economía donde la unidad de valor deja de ser exclusivamente el software producido y pasa a ser el trabajo que ese software puede ejecutar.
Para las empresas, esto implica que la conversación sobre IA ya no puede limitarse a cuánto cuesta cada token o cuánto tiempo ahorra un desarrollador. La pregunta empieza a ser cuánto cuesta cada resultado generado por agentes, cuánto consumo adicional produce la automatización y qué parte de ese gasto termina incorporándose a la estructura permanente del software empresarial.
La paradoja, entonces, no es que la IA no haya abaratado el software. Ha abaratado radicalmente la capacidad de producir inteligencia. Lo que está cambiando es cuánto software queremos, cuánto trabajo esperamos que haga y cuánto estamos dispuestos a pagar por ese nuevo nivel de capacidad.
header.all-comments