Hace unos años, acceder a inteligencia artificial avanzada parecía ciencia ficción.
De repente apareció una herramienta capaz de escribir, programar, resumir, explicar, investigar, crear imágenes, analizar información y ayudarnos a pensar.
Y además parecía gratis. O, al menos, ridículamente barata para el valor que entregaba.
Pero estamos entrando en una etapa diferente. La luna de miel con la IA no necesariamente está terminando porque la tecnología haya dejado de sorprender. Puede estar terminando porque empezamos a ver con más claridad cuánto cuesta producir esa experiencia y quién terminará pagando por ella.
La era de la IA percibida como ilimitada, plana y casi gratuita está chocando con la economía de los agentes.
La etapa mágica
Cuando ChatGPT llevó la IA generativa al público masivo, la sensación fue absurda. Parecía que habíamos saltado varios años hacia el futuro de un día para otro.
Millones de personas pudieron probar capacidades que antes exigían conocimiento especializado, infraestructura propia o herramientas separadas. Una interfaz de conversación reunía traducción, escritura, programación, síntesis y análisis.
La pregunta era inevitable: ¿cómo puede existir algo así y costar tan poco?
Las empresas tenían razones poderosas para facilitar el acceso. Necesitaban que las personas descubrieran el producto, incorporaran nuevos hábitos, encontraran casos de uso y ayudaran a mejorar los sistemas mediante su interacción.
Los planes gratuitos, las promociones y las suscripciones simples redujeron la fricción. La prioridad inicial no era que cada usuario comprendiera el costo exacto de su consumo. Era construir adopción.
Y funcionó.
Precio y costo no son lo mismo
Nos acostumbramos a pensar que el precio visible de una suscripción representaba el costo de la tecnología. No necesariamente es así.
Un precio es una decisión comercial. Puede reflejar costo, competencia, estrategia de crecimiento, segmentación, promociones, subsidios cruzados y expectativas sobre cuánto utilizará el cliente promedio.
Una suscripción mensual funciona porque algunas personas consumen poco, otras mucho y el proveedor administra el conjunto. El precio de una API también es una tarifa comercial, no una ventana transparente hacia el costo marginal exacto de cada operación.
Del otro lado existen gastos reales:
- Construcción y operación de centros de datos.
- Compra y renovación de aceleradores.
- Electricidad, redes y refrigeración.
- Entrenamiento y evaluación de modelos.
- Inferencia para cada interacción.
- Investigación, seguridad y personal especializado.
Las grandes compañías continúan invirtiendo cantidades extraordinarias en infraestructura. Microsoft, por ejemplo, atribuye parte de la presión sobre sus márgenes a la inversión en infraestructura y al crecimiento del uso de productos de IA.
La experiencia puede sentirse liviana en una ventana de chat. La infraestructura que la sostiene no lo es.
Los modelos se abaratan, pero el uso crece
Existe una aparente contradicción: el costo por token puede bajar mientras la factura total sube.
Los modelos, chips y técnicas de inferencia se vuelven más eficientes. El caché reduce trabajo repetido. La competencia presiona los precios. Modelos más pequeños resuelven tareas que antes requerían sistemas más costosos.
Pero al mismo tiempo cambia la unidad de uso.
Una conversación humana tiene límites naturales. Una persona escribe, espera y lee. Un agente puede trabajar durante horas, abrir archivos, llamar herramientas, generar alternativas, ejecutar pruebas, corregir errores y volver a intentarlo sin cansarse.
Cada acción puede parecer barata. La secuencia completa puede consumir órdenes de magnitud más recursos que una pregunta tradicional.
La eficiencia por unidad mejora, pero aparecen millones de unidades nuevas.
De la suscripción al consumo
Las señales de transición ya son visibles. Los proveedores distinguen con más claridad entre el acceso incluido en un plan y el consumo adicional. Aparecen límites, créditos, paquetes de uso, controles de gasto y facturación por separado para cargas intensivas.
Anthropic documenta planes con límites compartidos entre distintas superficies y opciones para comprar capacidad adicional. Sus planes empresariales pueden combinar una tarifa por usuario con consumo calculado por tokens. OpenAI ofrece a administradores empresariales herramientas para observar créditos y definir límites por grupos o personas.
No significa que desaparecerán las suscripciones ni los productos gratuitos. Significa que el modelo “todo lo que puedas consumir por una tarifa plana” encuentra dificultades cuando el usuario ya no es una persona conversando, sino una flota de procesos automáticos.
La tarifa plana fue diseñada alrededor de hábitos humanos. Los agentes no tienen esos límites.
El problema no es solamente económico
Millones de personas ya cambiaron su manera de trabajar, aprender y pensar.
La IA redacta el primer borrador, explica el concepto difícil, revisa el código, ordena una investigación y convierte una idea difusa en un plan. Para muchas personas dejó de ser una curiosidad y se volvió parte de su memoria operativa.
Después de experimentar esa ampliación, volver atrás se siente como una pérdida de capacidad.
Ese cambio crea dependencia en varios niveles:
- Económica: un flujo puede dejar de ser rentable si cambia el precio.
- Operativa: un equipo puede diseñar procesos alrededor de límites que el proveedor modifica.
- Técnica: prompts, herramientas e integraciones pueden quedar atados a un modelo.
- Cognitiva: podemos perder práctica en tareas que delegamos de forma habitual.
El riesgo no está en utilizar IA. Está en asumir que las condiciones actuales son permanentes.
Cuando no usar IA empieza a sentirse como desventaja
Si una persona puede explorar diez alternativas mientras otra produce una, no utilizar la herramienta parece una renuncia competitiva.
Las organizaciones responden integrando IA en desarrollo, ventas, soporte, análisis y operaciones. Luego comparan su velocidad con equipos que hicieron lo mismo. Lo que empezó como ventaja se convierte en expectativa mínima.
La dinámica recuerda otras capas de infraestructura: nube, conectividad, buscadores y software colaborativo. Una vez que el mercado reorganiza sus estándares alrededor de una capacidad, dejar de utilizarla no devuelve el mundo anterior. Simplemente nos deja operando bajo nuevas expectativas con herramientas viejas.
Eso aumenta el poder de quien controla el acceso, los límites y el precio.
La luna de miel también termina por calidad
Durante la etapa inicial, la novedad hacía fácil perdonar errores. Una respuesta sorprendente compensaba varias alucinaciones. Un prototipo en minutos ocultaba el tiempo posterior de revisión.
Con la adopción real, la vara cambia.
Ya no preguntamos solamente si la IA puede producir algo. Preguntamos si el resultado es correcto, seguro, mantenible y económicamente sostenible. También preguntamos cuánto tiempo humano requiere verificarlo y quién responde cuando falla.
El entusiasmo da paso a la ingeniería.
Esto no representa una derrota. Es la transición normal desde una demostración impresionante hacia una infraestructura de la que esperamos depender.
No todo apunta a precios más altos
Sería demasiado simple concluir que la IA inevitablemente será más cara.
La competencia puede reducir precios. Los modelos abiertos y locales ofrecen alternativas. El hardware y el software continúan mejorando. El enrutamiento permite reservar modelos grandes para tareas difíciles y utilizar opciones pequeñas para el resto.
Es posible que mañana obtengamos más capacidad por cada dólar.
La pregunta es si el consumo crecerá todavía más rápido. Si cada persona coordina decenas de agentes, y cada agente ejecuta miles de pasos, una caída del precio unitario no garantiza una factura menor.
La luna de miel no termina porque la IA deje de mejorar. Termina cuando dejamos de confundir una mejora de precio-rendimiento con recursos infinitos.
Cómo prepararse para una IA con costo real
No necesitamos renunciar a la herramienta. Necesitamos utilizarla como una capacidad con economía, riesgo y alternativas.
Medir valor, no solamente consumo
Relacioná el gasto con resultados: tiempo de ciclo, calidad, aprendizaje, ingresos, ahorro o capacidades nuevas. Los tokens explican la factura, no el valor.
Elegir el modelo según la tarea
No toda operación necesita el sistema más potente. Clasificar, extraer o reformatear puede resolverse con modelos pequeños. El razonamiento costoso debe reservarse para donde cambia el resultado.
Diseñar presupuestos y límites
Un agente necesita límites de tiempo, tokens, herramientas y dinero. Sin ellos, un error de estrategia puede transformarse en un ciclo costoso.
Evitar dependencias innecesarias
Separar la lógica del negocio de un proveedor, conservar evaluaciones propias y poder cambiar de modelo reduce el impacto de precios, límites o productos que evolucionan.
Mantener capacidad humana
Automatizar una tarea no elimina la necesidad de comprenderla. Los equipos deben poder revisar, recuperar y operar cuando el sistema no está disponible o su respuesta no alcanza.
Una relación más adulta con la IA
La etapa subsidiada nos permitió descubrir lo que era posible. La siguiente etapa nos obliga a decidir qué vale la pena sostener.
Tal vez sigamos teniendo acceso gratuito a capacidades increíbles. Tal vez el costo por unidad continúe cayendo. Pero el uso profesional, agentivo e intensivo tendrá que justificar recursos reales.
La pregunta deja de ser “¿cuánto puedo hacer porque hoy parece barato?” y pasa a ser “¿qué valor quiero producir y qué costo estoy dispuesto a asumir?”.
La luna de miel puede estar terminando.
Eso no significa que termine la relación. Significa que empieza una relación más consciente con la tecnología: menos fascinada por la gratuidad aparente y más atenta al valor, la dependencia y el costo total.
Referencias
- Microsoft, resultados FY2026 Q2.
- Anthropic, límites de uso de Claude y facturación empresarial.
- OpenAI, controles de consumo para empresas.
Este texto nació a partir de un guion que preparé para experimentar con contenido audiovisual asistido por inteligencia artificial. Podés ver el video original en YouTube.