La tendencia del "tokenmaxxing", que impulsó el uso desmedido de la IA generativa, ha encontrado su límite en la factura. El caso de Uber es emblemático: la compañía agotó su presupuesto anual de IA previsto para 2026 en apenas cuatro meses, un síntoma claro de la desalineación entre la expectativa y el costo real. Los gastos mensuales de IA por ingeniero en Uber oscilaron entre 150 y 250 dólares en promedio, llegando a entre 500 y 2,000 dólares para usuarios avanzados, lo que obligó a la empresa a establecer un límite de 1,500 dólares mensuales por empleado para herramientas de codificación de IA.
Este problema no es exclusivo de Uber. Las empresas suelen subestimar los costos de los proyectos de IA en más del 10%, lo que a menudo se traduce en sobrecostos del 30% al 40% durante el primer año de implementación. Los presupuestos dedicados a la IA generativa se han duplicado desde principios de 2024, promediando unos 10 millones de dólares anuales para grandes corporaciones. A pesar de que el 78% de las empresas utiliza IA en al menos una función de negocio, un preocupante 80% no percibe un impacto tangible en sus resultados finales. Un estudio de PwC de enero de 2026 reveló que solo el 30% de los CEOs reportaron un aumento de ingresos gracias a la IA, y el 56% no observó mejoras ni en costos ni en ingresos. De hecho, apenas 1 de cada 50 inversiones en IA genera un valor transformacional, y solo 1 de cada 5 produce algún ROI medible.
Contexto y Antecedentes: La Trampa del "Tokenmaxxing"
El "tokenmaxxing" se refiere a la práctica de incentivar el uso de la IA hasta el límite, a menudo sin una evaluación previa de los costos asociados a los modelos basados en tokens. Esta dinámica, promovida por CEOs y líderes tecnológicos a principios de este año, se inspiraba en la promesa de una productividad ilimitada. Sin embargo, los modelos de precios por token no se comportan como los gastos de software tradicionales de licencia fija, lo que ha convertido la gestión financiera de la IA en un desafío complejo y, a menudo, reactivo.
Las repercusiones no se han hecho esperar. Además de Uber, otras compañías han optado por restringir licencias de modelos populares como Claude para ciertas áreas de sus organizaciones. Meta, por su parte, deshabilitó su tabla de clasificación interna que fomentaba el uso de IA, reconociendo la necesidad de un enfoque más medido y estratégico. Este escenario no es nuevo en la historia de la tecnología; cada nueva ola disruptiva, desde el comercio electrónico hasta la computación en la nube, ha pasado por una fase inicial de adopción entusiasta seguida de un ajuste de cuentas en cuanto a costos y valor real.
Como señala Tiffany Luck, la IA debe trascender su estatus de "objeto brillante" para convertirse en una herramienta que resuelva problemas operativos concretos. La clave está en la "IA vertical", es decir, aplicaciones de IA diseñadas específicamente para abordar puntos débiles y necesidades particulares de una industria o un sector, en lugar de soluciones genéricas que prometen todo pero entregan poco retorno. Sam Altman, CEO de OpenAI, ha reconocido públicamente que los costos de la IA representan un "gran problema" para los clientes, validando la magnitud del desafío.
Implicaciones Técnicas: Más Allá del Código, la Estrategia
Para los profesionales de la tecnología –desarrolladores, ingenieros de machine learning, arquitectos de soluciones y gerentes de producto– el dilema del ROI de la IA implica un cambio de paradigma. Ya no se trata solo de implementar la tecnología más avanzada, sino de hacerlo de manera eficiente y coste-efectiva. Esto exige una comprensión profunda no solo de los algoritmos y modelos, sino también de los mecanismos de fijación de precios y las estrategias de optimización.
La optimización de costos en IA se vuelve crucial. Técnicas como la ingeniería de prompts avanzada, la selección adecuada de modelos (evaluando la relación costo-beneficio entre modelos propietarios y de código abierto), y la gestión eficiente de recursos computacionales son habilidades cada vez más valoradas. La IA de código abierto, por ejemplo, ofrece una alternativa atractiva, siendo entre 5 y 7 veces más económica que las soluciones propietarias, lo que permite a las empresas reducir significativamente la "factura de tokens".
Asimismo, la falta de gobernanza y una estrategia inmadura son barreras significativas. Solo el 43% de las organizaciones cuenta con políticas formales de gobernanza de IA, y un escaso 21% posee una gobernanza "agentic" madura, es decir, la capacidad de supervisar y gestionar sistemas de IA que operan con cierto grado de autonomía. Pocas empresas (21%) han rediseñado fundamentalmente sus flujos de trabajo al implementar IA, lo que sugiere que la tecnología se está injertando sobre procesos existentes en lugar de transformarlos. Los líderes en ROI de IA, según Gartner y McKinsey, invierten aproximadamente el 60% de sus recursos en fundamentos como la calidad de los datos, la gobernanza sólida y el desarrollo de personal capacitado. La delegación de la implementación de IA a los departamentos de TI sin una supervisión ejecutiva adecuada es una receta para el fracaso, ya que ignora el imperativo estratégico de estas inversiones. Gary Marcus, científico cognitivo, alerta sobre la naturaleza exponencialmente más costosa de las tareas "agentic" debido a la cantidad de consultas que realizan, subrayando la necesidad de cautela en la autonomía de los sistemas de IA.
Impacto en Latinoamérica: Oportunidades, Desafíos y Regulación
América Latina, una región con un rápido crecimiento en la adopción tecnológica, no es ajena a esta encrucijada del ROI de la IA. El mercado de IA en la región está valorado en 12.700 millones de dólares y crece a una impresionante tasa del 28.1% anual. Las proyecciones indican que la IA podría añadir entre 1.1 y 1.7 billones de dólares anuales a la economía regional para 2030, impulsando la productividad entre un 1.9% y un 2.3% anual. Sin embargo, a pesar de estas cifras prometedoras, solo el 23% de las organizaciones latinoamericanas están generando valor económico con la IA, y un aún más reducido 6% reporta un valor significativo, principalmente concentrado en grandes empresas.
México y Brasil se destacan como líderes regionales en proyectos e inversiones en IA. En México, el 83% de las empresas reportan un ROI positivo o punto de equilibrio en sus inversiones de IA, con aumentos de ingresos promedio del 16%. Brasil, por su parte, lanzó su Plan Brasileño de Inteligencia Artificial (PBIA) 2024-2028, con una inversión estimada de 4 mil millones de dólares, señalando un compromiso gubernamental con el desarrollo de esta tecnología.
En cuanto a la regulación, América Latina se encuentra en una fase activa de propuestas legislativas. Perú fue pionero con su ley de IA en julio de 2023, y muchos países de la región están adoptando un enfoque basado en riesgos, influenciados por la Ley de IA de la UE. Esta proactividad regulatoria es crucial para establecer marcos éticos y de seguridad.
No obstante, la región enfrenta desafíos específicos. Persisten brechas de talento cualificado en IA, limitaciones de financiamiento para startups y proyectos innovadores, una débil conciencia regulatoria en algunas áreas y una gobernanza incipiente en muchas organizaciones. Existe una preocupación creciente por la ciberseguridad, ya que la velocidad de la innovación podría estar superando la preparación en seguridad, exponiendo a las empresas a nuevos riesgos. Además, hay una dependencia tecnopolítica de proveedores externos de IA, lo que podría limitar la autonomía y el desarrollo de capacidades locales.
Las oportunidades, sin embargo, son considerables. Los profesionales latinoamericanos muestran una alta confianza y apertura hacia la IA (el 85% está listo para integrarla en su trabajo, comparado con el 62% global), lo que representa un capital humano invaluable. La popularidad de la IA de código abierto, debido a sus costos significativamente menores, ofrece una vía accesible para la innovación. Sectores como Fintech y Agritech están experimentando un impacto significativo gracias a la IA, demostrando su potencial transformador cuando se aplica estratégicamente. Mauricio Torres Echengucia de IBM México enfatiza que el éxito de la IA requiere una alineación estratégica clara, gobernanza sólida, desarrollo continuo de talento e inversión en infraestructura robusta.
La noticia subraya una fase de maduración crítica para la IA empresarial: la necesidad de pasar del entusiasmo inicial a una implementación estratégica con un claro enfoque en el ROI. Las empresas que logren integrar la IA de manera efectiva, gestionando costos, estableciendo gobernanza y adaptando la tecnología a sus necesidades específicas, serán las que obtengan beneficios sostenibles. América Latina, a pesar de sus desafíos, muestra un gran potencial si logra superar estas barreras y capitalizar su alta receptividad a la tecnología.
