Hay una conversación que se repite cuando una empresa evalúa un proyecto de IA: cuánto cuesta el modelo, cuánto la API, qué proveedor cobra menos por millón de tokens. Es una conversación sobre la parte equivocada del problema, y centrarla ahí es la causa silenciosa de buena parte de las decepciones con la IA.
El coste de inferencia de un modelo grande caerá más de un 90% entre 2025 y 2030: Gartner. El modelo es lo que se abarata; lo de alrededor, no.
Gartner prevé que el coste de ejecutar un modelo grande caerá más de un 90% entre 2025 y 2030. La pieza que todo el mundo mira es la que se desploma de precio año tras año. Lo que la rodea ( los datos, la integración, el mantenimiento, el cambio en la forma de trabajar ) no se abarata solo. Y ahí está el grueso del coste total de propiedad.
Las capas de coste que no aparecen en la factura del proveedor
Un sistema de IA en producción tiene varias capas de coste, y el modelo es la más visible y la más pequeña. Por orden aproximado de lo que de verdad pesa:
- Datos. Integrarlos, limpiarlos, mantenerlos al día. Es, como en cualquier proyecto de IA serio, la mayor partida y la más subestimada.
- Integración. Conectar el sistema con el ERP, el CRM y los sistemas heredados. Rara vez es trivial en una empresa con años de software a la espalda.
- Evaluación y observabilidad. Saber si el sistema acierta y qué hace cuando nadie mira. Sin esto no se puede operar en producción, y construirlo cuesta.
- Operación e inferencia. El coste recurrente de tener el sistema funcionando cada día. En producción, el gasto de inferencia tiende a superar con creces al de entrenarlo.
- Cambio organizativo. El coste más subestimado de todos: conseguir que la gente adopte el sistema, confíe en él y cambie su forma de trabajar. Un sistema técnicamente perfecto que nadie usa tiene un retorno de cero.
El modelo es el ingrediente más barato de un proyecto de IA, y cada año más barato. Pagar la IA es pagar todo lo que hay que construir alrededor para que ese modelo sirva de algo.
Por qué tantos proyectos no devuelven lo invertido
La consecuencia de presupuestar mal es predecible y está medida. Gartner encontró que el 72% de los CIOs declara que su organización está en punto de equilibrio o perdiendo dinero con sus inversiones en IA. Y prevé que más del 40% de los proyectos de IA agéntica se cancelarán antes de finales de 2027, por escalada de costes y valor de negocio poco claro.
No es que la IA no funcione. Es que el coste real apareció donde no se había mirado ( en la integración, en los datos, en la adopción ) y el valor prometido dependía precisamente de esas piezas que nadie presupuestó. El proyecto no fracasa por el modelo. Fracasa por una economía mal planteada desde el primer día.
Presupuestar con honestidad da un número mayor, y real
Plantear bien un proyecto de IA empieza por aceptar que el modelo es lo de menos. La pregunta útil no es qué modelo usar ni cuánto cuesta la API, sino cuatro que casi nadie hace al principio: ¿En qué estado están los datos que va a necesitar? ¿Con qué sistemas tiene que integrarse y cómo de enredados están? ¿Quién va a operarlo cuando esté en producción? ¿Qué tiene que cambiar en la forma de trabajar de la gente para que lo adopte de verdad?
Esas preguntas dan un presupuesto incómodo, porque es mayor que la factura de la API. Pero es el presupuesto real. En IA, como en una obra, el problema nunca es el material que se ve. Es la cimentación que nadie quiso pagar.