[1] La inteligencia artificial dejó de ser solo un tema de capacidades técnicas para convertirse en un problema de control de gastos. Mientras las empresas corren por implementar modelos de lenguaje, una nueva capa de intermediación está tomando forma: los routers de modelos, herramientas que deciden qué IA usar para cada tarea según costo y calidad. La fintech de gestión de gastos Ramp acaba de entrar a este mercado con Router.com, y su movimiento dice más sobre el estado de la industria que cualquier demo de producto.
Los datos que mueven la estrategia
El lanzamiento de Router llega respaldado por cifras que Ramp publicó en su comunicado oficial: los clientes que ya usan la herramienta redujeron en promedio 40% sus costos de inferencia, y la propia empresa lleva tres años usando un router interno con un 30% de ahorro y 99,9% de fiabilidad. El dato no es menor porque Ramp, que acaba de levantar 750 millones de dólares a una valoración de 44 mil millones, no es una empresa de IA. Es una fintech de gestión de gastos corporativos que vio la oportunidad de cobrar peaje en el creciente flujo de dinero hacia los proveedores de modelos.
[3] Dicho contexto competitivo lo confirma. Según datos de gasto empresarial que la propia Ramp recopila, OpenAI está creciendo más rápido que Anthropic entre las empresas que usan su plataforma de tarjetas corporativas, impulsado por su nuevo modelo insignia. Eso significa que las compañías están gastando cada vez más en tokens, y ese gasto se ha vuelto lo suficientemente relevante como para justificar herramientas dedicadas a optimizarlo.
[4] No es un fenómeno aislado. DigitalOcean ya ofrece un Inference Router con caché inteligente, Google Cloud introdujo model routing en su API Gateway, y Coinbase reportó que el 90% de sus empleados chocaba contra topes de gasto en IA y que mejorar el caché les ahorró más que cambiar de modelo. El mensaje es claro: el dinero ya no está solo en entrenar modelos, sino en decidir cuál usar para cada tarea.
La promesa y sus trampas
[5] Router.com plantea una tesis elegante: enviar cada petición al modelo más barato que cumpla con el nivel de calidad requerido. Tareas simples van a modelos pequeños como DeepSeek o los niveles flex de OpenAI; solo las difíciles escalan a GPT-5 o Claude Opus. Gratis hasta finales de 2026, con 26 dólares de crédito de lanzamiento y una API unificada que promete acceso a Anthropic, OpenAI, xAI y otros. Suena muy bien en un pitch.
[6] Pero hay problemas serios. El primero es la clasificación de dificultad: decidir si una petición es fácil o difícil antes de enviarla es el problema central del routing. Un resumen de correo puede ser trivial o puede contener datos sensibles que exigen salvaguardas mayores. Un router que optimiza solo por costo no distingue entre „fácil" y „fácil pero peligroso".
[7] En segundo lugar, está el modelo de negocio. Router no cobra por el routing; cobra por los tokens de los modelos subyacentes a precio de lista. La gratuidad es una estrategia de adopción: cuando llegue enero de 2027 y el precio se anuncie, las empresas ya tendrán pipelines en producción, dashboards configurados y equipos acostumbrados a pasar por router.com. El lock-in no viene del código, viene del hábito.
[8] En tercer lugar, está la soberanía de datos. Router solo está disponible en Estados Unidos. Para empresas con operaciones en Europa o requerimientos de residencia de datos, conectar prompts a un router que los reenvía a proveedores en distintas jurisdicciones es un riesgo de cumplimiento que el área legal difícilmente aprobará.
Qué significa para América Latina
[9] Las empresas latinoamericanas enfrentan una realidad doble. Por un lado, la adopción de IA crece rápido: equipos de tecnología en México, Brasil, Colombia y Chile están integrando modelos de lenguaje en productos y operaciones. Por otro, los presupuestos son más ajustados que en mercados desarrollados, y el gasto en tokens se paga en dólares, lo que amplifica el impacto de cualquier ineficiencia.
[10] Un router como el de Ramp parece atractivo en ese contexto: la promesa de 40% de ahorro en inferencia es tentadora para un CTO que trabaja con recursos limitados. Pero el riesgo también es mayor. Las empresas de la región tienen menos capacidad de negociación con proveedores globales, menos expertise interno en ML Ops para configurar estrategias de enrutamiento complejas, y a menudo operan bajo regulaciones de protección de datos que exigen saber dónde se procesa la información.
[11] Una recomendación práctica es no apresurarse. Antes de conectar producción a un router externo, conviene evaluar alternativas de código abierto como LiteLLM o OpenRouter, que llevan años en producción sin vender un ERP encima. También es fundamental medir el gasto actual con precisión: si la empresa gasta menos de mil dólares al mes en tokens, el ahorro potencial probablemente no justifica la complejidad operativa y el riesgo de dependencia.
La caja registradora de la IA
[12] Ramp no compite con OpenRouter ni con LiteLLM. Compite por ser el sistema operativo financiero de las empresas en la era de la IA. Si controlan cuánto se gasta en tokens, saben qué equipos usan más IA, qué proyectos escalan y cuándo es necesario ampliar presupuesto. Esa información vale más que cualquier comisión.
[13] Cada ejecutivo latinoamericano debería preguntarse no si necesita un router de modelos, sino quién debería controlar esa capa. ¿Una fintech extranjera que aún no publica precios para 2027? ¿Un proveedor de nube que ya tiene sus propios incentives de venta cruzada? ¿O un equipo interno que desarrolle capacidades de optimización como ventaja competitiva?
[14] Esa respuesta depende del tamaño y la madurez de cada organización. Pero una cosa es segura: la era del gasto de IA sin control terminó. Las empresas que no midan, optimicen y gobiernen su consumo de modelos estarán en desventaja frente a las que sí lo hagan. La diferencia no estará en qué modelo usan, sino en qué tan bien saben cuándo usarlo.
