La etapa de acceso barato a herramientas de inteligencia artificial (IA) entra en retirada. Con el encarecimiento de los servicios, las compañías tecnológicas y firmas usuarias revisan cuánto y cómo utilizan estos sistemas y exploran alternativas más eficientes.
En los últimos años las empresas comenzaron a hacer un uso intensivo de las herramientas de IA. Tras el despliegue masivo (acompañado de aumentos importantes de costos) de modelos como ChatGPT y otros sistemas de texto, los grandes proveedores comienzan a priorizar la rentabilidad. Esto obliga a recortar proyectos, optimizar flujos de trabajo y buscar modelos alternativos más económicos.
En un comienzo las compañías de tecnología de IA aplicaron una estrategia típica de Silicon Valley: tarifas muy bajas para ganar volumen y fidelizar usuarios. Kevin Simback, de la incubadora de start-ups Delphi Labs, describe ese momento como la era de la “inteligencia subvencionada”, con inversionistas absorbiendo buena parte del costo para que las empresas pudieran ofrecer servicios a precios reducidos. “Pero eso está cambiando”, advirtió Simback, al señalar el cierre de una etapa dominada por el crecimiento acelerado por encima de los márgenes.
Hoy, grandes actores del sector como OpenAI y Anthropic encaran una fase en la que necesitan mostrar negocios sostenibles y se encaminan a dar pasos hacia los mercados de capitales. En paralelo, suben las tarifas en diversos segmentos, con especial impacto en el uso de agentes de IA; sistemas que realizan tareas específicas como redactar y depurar código o administrar archivos de forma encadenada. A diferencia de un chatbot que solo responde preguntas, una única instrucción puede activar a decenas de estos agentes y multiplicar el consumo de recursos.
¿En qué se traduce el encarecimiento de la IA?
Los agentes de IA implica gran cantidad de tokens de IA: unidad que utilizan los proveedores para facturar. Una tarea impulsada por agentes puede consumir decenas de veces más tokens que un mensaje de chat simple, lo que dispara los costos de las empresas usuarias. A esto se suma la tensión sobre la infraestructura: los chips informáticos de alto rendimiento y los centros de datos necesarios para sostener la demanda no alcanzan, lo que genera cuellos de botella de capacidad de cómputo y añade incertidumbre a un sector que todavía consolida su modelo económico.
“El costo de uso de la IA para programación ha aumentado de forma exponencial”, afirmó Mark Barton, de la consultora tecnológica Omniux. El incremento de precios obliga a los equipos de desarrollo de software a revisar qué partes del ciclo vale la pena automatizar y cuáles mantienen bajo supervisión directa para evitar que los costos superen los beneficios.
IA más cara y empresas que moderan su entusiasmo
Jack Gold, analista de J.Gold Associates, advirtió que “en algunos casos, se está viendo que el coste de los tokens supera el coste del empleado en uno o dos meses, simplemente porque la usan demasiado”. El comentario apunta a compañías que integraron modelos de lenguaje en casi todas sus áreas sin un análisis fino del retorno económico de cada caso de uso.
Incluso Meta, que a principios de año había animado a su propio personal a utilizar la mayor cantidad posible de tokens como medida de productividad, decidió dar marcha atrás. El director de tecnología, Andrew Bosworth, sostuvo que “nadie debería usar herramientas de IA solo por el hecho de usarlas”. El cambio de tono muestra el pasaje desde una fase de expansión sin restricciones hacia una etapa de control de costos y priorización de proyectos que muestren impacto medible.
Por su parte, el director de operaciones de Uber planteó esta semana que el fuerte gasto en soluciones de IA no se ha traducido, hasta ahora, en un aumento apreciable de la productividad. La postura refleja la inquietud de empresas que, tras invertir en automatización y soporte inteligente, no logran todavía capturar mejoras equivalentes en tiempos de respuesta, volumen de operaciones o reducción de errores.
Modelos más pequeños, precios más bajos y uso más selectivo
Una estrategia que gana terreno es el uso de modelos de lenguaje pequeños, conocidos como SLM (Small Language Models), entrenados para sectores específicos como el inmobiliario o las finanzas. A diferencia de los LLM (Large Language Models) de propósito general que alimentan herramientas como ChatGPT, Claude o Gemini, los SLM se concentran en tareas acotadas y permiten un control mucho mayor sobre los costos de operación y el rendimiento esperado.
La diferencia de precio puede ser notable. Adrian Balfour, de la consultora Enverso, explicó que “el gran modelo monolítico cuesta 15 dólares por millón de tokens, pero uno puede reducirlo a unos cinco centavos si usa el modelo más pequeño”. El salto ilustra por qué muchas organizaciones reconsideran la necesidad de acudir siempre al modelo más avanzado y optan por arquitecturas combinadas, que reservan los sistemas de punta solo para procesos críticos.
En este nuevo escenario de costos crecientes de IA, el desafío para las empresas pasa por identificar qué procesos justifican el uso de grandes modelos y agentes complejos, y cuáles se pueden resolver con alternativas más pequeñas o abiertas.
Con información de AFP
