La inteligencia artificial vive una nueva etapa dentro de las empresas. Después de casi cuatro años de adopción acelerada de herramientas como ChatGPT, Claude o Gemini, muchas compañías ya no buscan únicamente el modelo más potente. Ahora quieren saber cuánto cuesta usarlo, qué valor genera y si realmente mejora sus resultados.
El cambio marca una transición importante para el sector tecnológico. La primera fase estuvo dominada por la sorpresa, la experimentación y la carrera por crear sistemas cada vez más capaces. Sin embargo, las empresas que ya llevan la IA a operaciones reales empiezan a mirar otra cosa: el retorno de la inversión.
Del entusiasmo al control de costos
Según analistas consultados por EFE, el nuevo debate empresarial gira en torno a la eficiencia. Shay Boloor, estratega jefe de mercado de Futurum, explicó que la primera fase consistía en demostrar que los modelos funcionaban. La siguiente, dijo, será demostrar que generan valor suficiente para justificar el gasto.
En ese punto aparece una palabra clave: “tokens”. Esta unidad mide el uso de los modelos de inteligencia artificial y también su costo. Cada pregunta, respuesta o línea de código consume tokens. Mientras más compleja sea la tarea, mayor será el gasto.
Para muchas compañías, esto dejó de ser un asunto técnico. Ahora es un tema financiero. Cuando la IA pasa de pruebas internas a producción, los directores financieros empiezan a vigilar cuánto cuesta cada operación.
Una encuesta de UBS entre 130 empresas muestra ese giro. Según el banco, el 60 % ya aplica restricciones al gasto en IA para maximizar el rendimiento por cada dólar invertido. También menciona casos extremos, como un empleado que llegó a gastar 35.000 dólares al mes en tokens.
Chips, nube y centros de datos ganan peso
El aumento del uso empresarial también impulsa otra parte del negocio: la infraestructura. Un informe de Goldman Sachs señala que las empresas que más usan IA consumen tres veces más tokens que una compañía promedio.
Esa demanda fortalece a fabricantes de chips, proveedores de nube y centros de datos. Nvidia, AMD, Intel y Micron se han beneficiado del interés por infraestructura para IA. También figuran como ganadores Amazon Web Services, Microsoft Azure, Google Cloud y Oracle.
Aun así, vender chips ya no será suficiente. Karl Freund, fundador de Cambrian-AI Research, dijo a EFE que las empresas de semiconductores deberán ofrecer soluciones completas para los operadores de nube. El mercado quiere potencia, pero también estabilidad, integración y menor costo por uso.
Modelos baratos y abiertos ganan espacio
La presión por reducir gastos favorece a modelos más económicos y de código abierto. En ese grupo aparecen desarrollos de empresas chinas como DeepSeek, Alibaba o Tencent.
Para Boloor, la industria se moverá hacia un sistema por capas. Los modelos más avanzados se usarán para tareas complejas. Los modelos más baratos asumirán trabajos repetitivos, rutinarios y de gran volumen.
Esa división puede cambiar el reparto de valor en el sector. Si la inteligencia artificial se vuelve más accesible, el dinero no estará solo en crear modelos. También estará en las empresas que ayuden a usarlos mejor.
Freund cree que los modelos terminarán pareciéndose a herramientas estándar. Mencionó que ya existen millones de modelos disponibles en plataformas como Hugging Face, donde investigadores y compañías comparten desarrollos.
La próxima pelea: utilidad real
En este nuevo escenario, ganan relevancia las compañías capaces de aplicar IA a tareas concretas. Salesforce, Microsoft y Palantir aparecen entre las firmas mejor posicionadas por su relación con clientes empresariales, datos y automatización.
El propio Alex Karp, consejero delegado de Palantir, criticó recientemente el modelo generalista basado en tokens. A su juicio, puede elevar los costos para los usuarios y reducir el retorno de inversión.
La etapa inicial de la inteligencia artificial premió a quienes crearon los modelos más poderosos. La que viene será distinta. Premiará a quienes logren hacerla más barata, más útil, más segura y más fácil de integrar en el trabajo diario de las empresas.
La pregunta ya no es solo qué tan inteligente puede ser un modelo. La pregunta que ahora domina las salas de juntas es mucho más fría: cuánto cuesta, cuánto ahorra y cuánto produce.
