Cuando el gasto en IA se disparó, Rippling decidió medir lo que realmente produce
A principios de 2026, Rippling —la plataforma de HR, IT y finanzas— enfrentó una situación que hoy resulta familiar para muchas empresas: el gasto en inteligencia artificial se había escapado de control. Durante una reunión ejecutiva de marzo, el CFO Adam Swiecicki presentó un número que dejó al equipo directivo incrédulo: la compañía estaba quemando el equivalente al 40 % del presupuesto de su área de I+D solo en tokens de IA. Es decir, gastaba tanto en tokens como en el salario del 40 % de sus ingenieros. Y el ritmo de crecimiento mensual era del 80 %.
El caso, reportado por TechCrunch y ampliado en el blog oficial de Rippling, ilustra un problema que muchas organizaciones en América Latina también empiezan a experimentar. La adopción de asistentes de codificación como Cursor, Claude y Codex se ha vuelto masiva, pero rara vez se acompaña de métricas que vinculen ese consumo con resultados de negocio. La reacción de Rippling fue desarrollar una herramienta interna, que luego convirtió en producto: AI Spend Console.
Lo que reveló el análisis interno
Rippling descubrió que entre el 10 % y el 15 % de sus empleados concentraban el 60 % del gasto total en IA. Un solo ingeniero llegó a consumir 50.000 dólares al mes en tokens. El patrón era claro: los equipos usaban los modelos más caros y recientes para cualquier tarea, desde editar presentaciones hasta corregir gramática. Como señaló Matt MacInnis, CPO de Rippling, los proveedores de inferencia —Anthropic, OpenAI— no tienen incentivos para ayudar a controlar el gasto. Al contrario: su modelo de negocio depende de que el consumo crezca.
La empresa implementó topes de gasto negociados con cada proveedor, pero eso no resolvía el problema de fondo. Necesitaban saber si el dinero invertido en tokens generaba valor real. La respuesta la encontraron combinando datos de sistemas como GitHub y Salesforce con la información de empleados, roles y departamentos que ya tenían en su plataforma.
Esta integración permitió construir dashboards que cruzan consumo de tokens con productividad: líneas de código, pull requests, velocidad de desarrollo e incluso ingresos generados. El resultado fue revelador: lograron reducir el gasto en tokens del 40 % al 15 % del presupuesto de I+D, sin disminuir el uso de IA. En julio, la empresa consumió 600.000 millones de tokens —una cifra similar al pico de abril— pero a un costo 63 % menor. La clave estuvo en enrutar las consultas al modelo más eficiente para cada tarea, no al más reciente.
Lecciones para empresas latinoamericanas
Para los líderes de tecnología y operaciones en la región, el caso de Rippling ofrece al menos tres aprendizajes concretos. Primero, que el gasto en IA debe tratarse como cualquier otro costo operativo: necesita visibilidad granular por equipo, rol y tarea. Segundo, que no todos los modelos sirven para todo. Rippling descubrió, por ejemplo, que el modelo GLM 5.2 de Z.ai —un modelo chino— ofrecía un rendimiento casi idéntico al de los modelos frontera por un 85 % menos de costo. En un mercado donde cada dólar cuenta, esta diferenciación es crítica.
Tercero, que la medición de productividad es el eslabón perdido. MacInnis lo plantea sin rodeos: "Si no podemos vincular el consumo de tokens en funciones administrativas o de cara al cliente con la productividad, todo esto no estará disponible para la base amplia de empleados". Dicho de otro modo: el acceso a la IA podría dejar de ser un derecho universal en la empresa para convertirse en un recurso gestionado según el retorno que demuestre.
El futuro del control de gasto en IA
Rippling está transformando su consola interna en un producto comercial, disponible como parte de su suscripción de HR o como herramienta independiente. La compañía también nombró "capitanes de IA" entre sus empleados más eficientes para ayudar al resto de la organización a usar mejor las herramientas. Pero el desafío sigue siendo cultural: convencer a los equipos de que no todos los problemas requieren el modelo más caro.
En América Latina, donde los presupuestos de TI suelen ser más ajustados, la presión por demostrar el ROI de la IA será aún mayor. Las empresas que no implementen sistemas de medición y control similares corren el riesgo de que el gasto en IA se convierta en un agujero negro financiero. La pregunta que todo ejecutivo debería hacerse no es cuánto gasta en IA, sino qué está produciendo ese gasto.
