Coste de los Agentes de IA: Por Qué el Presupuesto se Dispara Aunque el Token sea Más Barato

El precio del token de IA no ha dejado de bajar en los últimos dos años. Y aun así, la factura mensual de IA de la empresa media sube más que nunca. No es una contradicción: es que casi nadie mide el gasto de un agente de IA por tarea completada, sino por el precio de lista del modelo, que resulta ser la parte más pequeña del problema. El 67% de las empresas superó su presupuesto de agentes de IA en más de un 10% en los últimos 12 meses, según la encuesta Future Enterprise Resiliency and Spending (FERS) de IDC, ola de julio de 2026. McKinsey, en una encuesta propia a 120 empresas, encontró una cifra todavía mayor: el 93% se pasó del presupuesto de IA previsto.

La paradoja: el token más barato de la historia, la factura más cara de la historia

Comparar un agente de IA con un chatbot de toda la vida por precio de token es el primer error. Según los análisis de Gartner, completar una tarea con un agente puede necesitar entre 5 y 30 veces más tokens que un intercambio normal de chatbot para un trabajo comparable. La razón no es que el agente «hable» más: un paso de razonamiento o una llamada a una herramienta suelen generar apenas unas pocas líneas de texto. Lo que dispara el gasto es que, en cada uno de los pasos de una tarea con varios pasos, el agente vuelve a leer una ventana de contexto que puede ser diez o cien veces más larga que un simple mensaje de chat. Si una tarea tiene 20 pasos, la empresa paga ese contexto completo 20 veces. Gartner prevé que, aunque el precio por token siga cayendo, el coste de inferencia por flujo de trabajo agente subirá más de cinco veces de aquí a 2028.

Dónde se va el dinero de verdad: no es la primera respuesta

McKinsey, en su informe «Cost versus value: Managing agentic AI system performance» (QuantumBlack, 2026), aísla el motivo exacto: alrededor del 60% del coste total de una tarea agente no corresponde a la primera respuesta, sino a los ciclos de comprobación, corrección y reverificación que el agente ejecuta antes de entregar algo que de verdad sirve. Un agente que revisa su propio trabajo, vuelve a intentar una consulta que falló, o escala a un modelo más caro porque no tiene suficiente confianza en su respuesta, puede multiplicar por varias veces el coste de la tarea sin que nadie lo vea venir en la hoja de cálculo del piloto. El 95% de los pilotos de agentes de IA fracasa por motivos parecidos a este: se diseñan sobre el precio del modelo, no sobre lo que realmente cuesta completar la tarea.

Las cifras, todas de fuente primaria

• IDC, FERS Survey, ola de julio de 2026: el 67% de las empresas superó su presupuesto de gasto en agentes de IA en más de un 10% en los últimos 12 meses. Desglose: el 43,1% se pasó entre el 10% y el 25%; el 18,5%, entre el 26% y el 50%; y el 5,4%, más del 50%.
• McKinsey (QuantumBlack), encuesta propia a 120 empresas, 2026: el 93% superó el presupuesto de IA previsto. Alrededor del 60% del gasto de una tarea agente se destina a revisar y corregir la respuesta, no a generarla por primera vez.
• Gartner, previsiones de agosto de 2026: una tarea agente necesita entre 5 y 30 veces más tokens que un chatbot normal para un trabajo comparable; el coste de inferencia por flujo de trabajo agente subirá más de cinco veces de aquí a 2028.
• Ramp AI Index, datos de septiembre de 2026, más de 85.000 empresas de EE. UU.: el 1% de las empresas que más gasta en IA paga una mediana de 9.567,53 $ por empleado al mes. La empresa mediana, entre las que sí pagan por IA, gasta 15,70 $ por empleado al mes. La brecha es tan grande porque la mayoría de empresas ni siquiera sabe cuánto gasta de verdad: nadie centraliza el dato por agente, por tarea o por departamento.

Ejemplo ilustrativo: el piloto que triplicó su presupuesto

(Ejemplo ilustrativo para explicar el mecanismo, no un caso real de un cliente nuestro.) Una empresa calcula el coste de desplegar un agente de atención al cliente multiplicando el precio por token del modelo por el volumen de conversaciones previsto, y presenta un presupuesto mensual cerrado al comité. A los dos meses, la factura real es tres veces mayor. El motivo no está en el precio del token, que no ha cambiado: está en que el agente, cuando no entiende la petición a la primera, reintenta la búsqueda, pide una segunda opinión a un modelo más caro antes de responder y, en los casos límite, repite todo el ciclo de razonamiento dos o tres veces antes de dar una respuesta que el cliente acepta sin escalar a una persona. Nada de eso aparecía en la hoja de cálculo del piloto, que solo contaba la primera llamada al modelo.

Qué hacer antes de escalar un piloto de IA

1. Fijar el presupuesto por tarea completada, no por token ni por sesión. El precio de lista del modelo no predice el gasto real; el número de reintentos, sí. 2. Medir cuántos ciclos de revisión hace cada agente antes de entregar una respuesta útil. Si el dato no existe, es la primera señal de que nadie está vigilando el gasto. 3. Poner un límite de pasos y de herramientas por tarea antes de dejar que el agente escale solo a un modelo más caro. 4. Asignar a una persona concreta la vigilancia semanal del gasto en IA, no una revisión trimestral: a esa velocidad de consumo, un error de configuración puede agotar el presupuesto del mes en un día. 5. Medir el piloto con tráfico real durante 4-6 semanas antes de multiplicar el número de usuarios o de agentes, con la contención y los permisos ya puestos a prueba, no como un añadido de última hora.

Una guía de implementación de IA ordenada desde el principio evita la mayoría de estas sorpresas: el coste se diseña antes de desplegar, no se descubre en la primera factura.

Preguntas frecuentes

¿Por qué sube la factura de IA si el precio del token baja? Porque el precio del token es solo una parte del coste. Una tarea agente consume muchas veces más tokens que una consulta normal (entre 5 y 30 veces, según Gartner) por los reintentos, las comprobaciones y las escaladas a modelos más caros que el agente hace solo, antes de entregar una respuesta útil.

¿Qué es el «response refinement» del que habla McKinsey? Es el conjunto de ciclos de comprobación, corrección y reverificación que un agente ejecuta después de generar una primera respuesta y antes de considerarla lo bastante buena para entregarla. McKinsey calcula que supone en torno al 60% del coste total de una tarea agente.

¿Cuánto gasta en IA una empresa normal al mes? Según el Ramp AI Index de septiembre de 2026 (más de 85.000 empresas de EE. UU.), la empresa mediana que paga por IA gasta 15,70 $ por empleado al mes, frente a los 9.567,53 $ por empleado al mes del 1% que más gasta. La diferencia tan grande viene, en parte, de que la mayoría no mide el gasto real por agente o por tarea.

¿Es un problema solo de empresas grandes con muchos agentes desplegados? No: el mecanismo (reintentos, revisión de respuestas, escalada a modelos más caros) aparece desde el primer piloto con un solo agente. Una empresa pequeña que no fija un presupuesto por tarea desde el principio puede agotar en semanas un presupuesto pensado para todo el año.

¿Cómo evitamos pasarnos de presupuesto antes de escalar un piloto de IA? Midiendo el coste por tarea completada (no por token), poniendo límites de reintentos y de escalada antes de desplegar, y auditando el piloto con tráfico real varias semanas antes de ampliarlo. Es exactamente lo que hacemos en las auditorías de implementación de IA de OptimaQuantum.

El coste no se controla solo, se diseña

El token más barato de la historia ha hecho pensar a muchas empresas que la IA agente sale barata. Las cifras de IDC, McKinsey, Gartner y Ramp dicen lo contrario: sin un presupuesto por tarea, un límite de reintentos y alguien vigilando el gasto cada semana, el piloto que parecía barato se convierte en la factura que nadie modeló. En OptimaQuantum auditamos el coste real de un despliegue de agentes de IA antes de que llegue la primera factura sorpresa, no después. Contáctanos y lo revisamos antes de que escales.

Fuentes consultadas: IDC, Future Enterprise Resiliency and Spending (FERS) Survey, ola de julio de 2026 · McKinsey & Company / QuantumBlack, «Cost versus value: Managing agentic AI system performance» (2026) · Gartner, previsiones de coste de inferencia de flujos agente (agosto de 2026) · Ramp AI Index, datos de septiembre de 2026 (ramp.com/data/ai-index).