Millones en inversión para restructurar el uso de la IA sin comprobación de que funcione
Los expertos recomiendan visibilizar los presupuestos de experimentación, utilizar telemetría para medir el uso real y construir una arquitectura de enrutamiento que ajuste las herramientas a las necesidades específicas de cada tarea.
Las organizaciones siguen invirtiendo mucho en la inteligencia artificial, pero aún no comprueban que esa inversión sea rentable. Por ejemplo, Uber entregó Claude Code a sus ingenieros y creó clasificaciones internas para rastrear el consumo de tokens, en diciembre de 2025. Para abril, todo el presupuesto para el año actual se había agotado y a su causa se popularizó el terminó tokenmaxxing.
Es decir, el consumo masico de tokens, pero sin retorno de inversión (ROI) que lo justifique. En este contexto el medio VentureBeat citó que la expectativa de Gartner prevé que el gasto en software de agentes de IA alcance casi US$207 000 millones en 2026.
Luego del gastar todo el presupuesto en cuatro meses, Uber ahora limita el gasto a US$1500 mensuales por empleado para herramientas de codificación. Otras empresas también reconsideran su estrategia: Microsoft canceló licencias de Claude Code en una de sus divisiones y Duolingo dio marcha atrás a una propuesta para evaluar el rendimiento de los empleados según su uso de IA.
En la industria existe un debate sobre el origen de este gasto desmedido. Por un lado, Noe Ramos, de Agiloft, señala una falta de infraestructura (o plumbing) adecuada, donde la configuración predeterminada de las herramientas deja la selección de los modelos en manos de los usuarios, provocando que modelos de frontera altamente costosos terminen realizando tareas sencillas que un modelo abierto y más económico podría resolver.
Por otro lado, Dmytro Palaniichuk, de Promova, explica que se trata de un problema de comportamiento influenciado por los ajustes por defecto, ya que los planes empresariales suelen preseleccionar modelos premium y ventanas de contexto masivas que muy pocos usuarios modifican.
Para paliar esto, Promova busca distribuir el uso entre modelos de distinto nivel (Opus, Sonnet y Haiku), aunque reconoce que se requiere un esfuerzo educativo para cambiar los hábitos de los empleados.
Optimizar el uso no significa usar menos IA
Frente a estas limitaciones, diversos líderes coinciden en que la respuesta no debe ser frenar el consumo, sino alinear el uso con el impacto real. Rick Spencer, de SUSE, sostiene que la compañía clasifica su consumo en trabajo diario, agentes autónomos y esfuerzos estratégicos puntuales, permitiendo aún que los desarrolladores elijan los modelos sin aplicar filtros automáticos.
Por su parte, Everlaw utiliza límites de tokens flexibles que los ingenieros pueden ampliar fácilmente. La empresa demostró el retorno financiero de este enfoque con una migración de infraestructura Java que consumió US$3500 en tokens pero redujo el tiempo de desarrollo de un ingeniero de 9,5 a 2,5 meses. No obstante, reconocen que también se han producido fallos, como el descarte de código generado por agentes que no adaptaron correctamente los marcos de trabajo.
En una estrategia más drástica, Agiloft eliminó los límites por completo para implementar un enrutamiento inteligente (LLM gateway) a nivel de arquitectura, configurando modelos económicos por defecto y escalando a opciones avanzadas solo cuando la tarea realmente lo requiere.
Con el fin de facilitar este control, plataformas como Databricks, AWS Bedrock y Azure AI Foundry ya ofrecen enrutadores automáticos que asignan cada solicitud al modelo más adecuado según la complejidad de la tarea, la longitud del prompt y la profundidad de razonamiento requerida. Un ejemplo es Databricks, que incorporó este sistema en su Unity AI Gateway para garantizar una optimización de costes transparente y con trazabilidad.
La publicación de VentureBeat sostiene que, aunque evaluar el retorno exacto sigue siendo un desafío debido a la evolución constante de los modelos, los ejecutivos coinciden en que la disciplina de optimización prevalecerá.
Presupuestos de tokens: Max Christoff (Everlaw) prevé que en los próximos años el gasto en tokens se planificará de manera similar a la contratación de personal o a los costes de producción.
Estrategia basada en datos: Los expertos recomiendan visibilizar los presupuestos de experimentación, utilizar telemetría para medir el uso real y construir una arquitectura de enrutamiento que ajuste las herramientas a las necesidades específicas de cada tarea.
Comentarios