Las empresas latinoamericanas están acelerando la adopción de inteligencia artificial generativa, pero muchas lo hacen con una métrica equivocada. Miden el costo por token y asumen que, si el precio unitario es bajo, la operación será rentable. La realidad es más compleja y, si no se corrige a tiempo, puede tornar cualquier promesa de eficiencia en un agujero financiero.
Goldman Sachs estima que el consumo mundial de tokens se multiplicará por 24 entre 2026 y 2030, un crecimiento impulsado tanto por agentes autónomos como por el uso generalizado de consumidores. Frente a este escenario, fijar la atención exclusivamente en el valor del token lleva a un error de cálculo estratégico: lo que importa no es cuánto cuesta cada token, sino cuánto cuesta completar una tarea de negocio.
De la unidad a la tarea
Tanto BCG como Deloitte coinciden en que las organizaciones deben migrar de una visión de "costo por token" a una de "costo por resultado". En su guía para CFOs, Deloitte recalca que la economía de los modelos de lenguaje depende de cuántos tokens se necesitan para lograr una salida útil, no del precio de lista de la API. Un modelo más barato por token puede requerir múltiples iteraciones para acertar, elevando el costo real de la tarea.
BCG, por su parte, recomienda que las empresas incluyan en su ecuación variables como el desempeño, la latencia y la gobernanza. El artículo de Cloudera —publicado en @IT— refuerza esta idea: el costo debe evaluarse desde cuatro dimensiones: unidad económica, control, rendimiento y carga operativa. Solo así se puede decidir si una carga de trabajo debe correr en la nube pública, que favorece la experimentación, o en un entorno privado o soberano, que ofrece mayor control y previsibilidad de costos.
Infraestructura y soberanía: el dilema latinoamericano
Para las empresas de América Latina, la discusión sobre infraestructura tiene una capa adicional. La región enfrenta regulaciones de privacidad cada vez más estrictas —como la Ley General de Protección de Datos en Brasil o la Ley de Protección de Datos Personales en México— y una volatilidad cambiaria que puede disparar los costos de las suscripciones en dólares. Apostar todo a la nube pública sin evaluar el impacto cambiario o los requisitos de residencia de datos puede ser tan riesgoso como ignorar la gobernanza.
La encuesta Data Readiness Index de Cloudera revela que solo el 10% de las empresas en Asia-Pacífico reporta tener todos sus datos bajo gobernanza total; en Japón la cifra sube a 28%. Si bien no hay datos específicos para Latinoamérica, la heterogeneidad madurativa sugiere que muchas organizaciones locales están lejos de ese estándar. Sin gobernanza, cualquier intento de escalar IA generativa termina en silos, costos ocultos y riesgo regulatorio.
Gobernanza y agentes: el próximo frente
El auge de los agentes de IA —sistemas que no solo responden preguntas sino que ejecutan acciones en múltiples herramientas— multiplica el desafío. El marco de gobernanza de Singapur para IA agéntica, citado en el artículo de Cloudera, propone limitar la autonomía según el riesgo y establecer puntos de revisión humana para decisiones críticas. La misma lógica aplica a los costos: un agente que itera sin control puede consumir miles de tokens en segundos.
El estudio académico de Bergemann, Bonatti y Smolin —publicado en arXiv— modela cómo los proveedores de LLM deberían fijar precios óptimos. Encuentra que los menús de presupuestos comprometidos (committed-spend contracts) son mecanismos eficientes que reducen la complejidad de la fijación de precios a un problema unidimensional. Esto explica por qué OpenAI y Anthropic ofrecen planes con techos de gasto y por qué la competencia con modelos open source —como los de Meta o Mistral— obliga a los proveedores propietarios a ajustar sus tarifas. En América Latina, donde el acceso a divisas es limitado, la existencia de alternativas abiertas puede ser una palanca de negociación clave.
La pregunta que todo CFO latinoamericano debe hacerse
¿Cuánto cuesta realmente completar una tarea de atención al cliente o de análisis de contratos con IA? Si su respuesta es solo el precio del token, está omitiendo los costos de iteración, gobernanza, infraestructura y cumplimiento normativo. La transición de la experimentación a la producción exige un cambio de mentalidad: medir por resultado, distribuir las cargas de trabajo según criticidad y construir una gobernanza que permita escalar sin perder el control. En un entorno de tipos de cambio volátiles y regulaciones emergentes, esa es la única manera de que la IA genere valor sostenible.
