Durante los últimos tres años, la narrativa predominante en los comités de dirección ha sido casi unánime: la Inteligencia Artificial generativa y agéntica promete disparar la productividad y reducir costes operativos a una fracción de su valor actual. Sin embargo, a medida que los precios introductorios y el consumo subvencionado por rondas de capital riesgo dan paso a la recuperación real de costes, emerge una pregunta ineludible: ¿qué valor económico real debe crearse para que la infraestructura de IA se pague a sí misma? ¿Cuál es el coste de los agentes de IA?
En el segundo informe de su serie Total Cost of Agents, titulado «Can AI pay for itself?«, la firma global EY (con la participación de sus líderes de IA, TMT y su economista jefe de EY-Parthenon, Greg Daco) desmonta la ilusión del bajo coste del software inteligente. Su diagnóstico es tajante: el token facturado por los grandes modelos es solo la cuota de entrada.
Desde Data & Co, analizamos la anatomía del coste integral de los agentes, la exigencia macroeconómica que impone la inversión global en computación y la peligrosa falacia de pretender financiar la revolución de la IA exclusivamente recortando nóminas.
1. La regla del tercio: El token es solo la punta del iceberg en coste de los agentes
El error más común en la evaluación del retorno de inversión (ROI) de la IA es calcular el coste del proyecto multiplicando el precio del millón de tokens por el volumen estimado de consultas.
Según el modelo de estimación de EY, el coste del token representa únicamente un tercio (1/3) del coste real de operar un agente en la empresa. Los dos tercios restantes (2/3) se acumulan en seis partidas complementarias que raramente aparecen en los presupuestos iniciales de innovación:
- Suscripciones y licencias: Accesos a modelos propietarios, plataformas de desarrollo y herramientas de terceros.
- Infraestructura de plataforma: Entornos de ejecución en la nube, bases de datos vectoriales, almacenamiento y conectividad.
- Gobernanza y gestión de riesgos: Monitorización continua, auditorías éticas, seguridad y controles de cumplimiento normativo.
- Transformación organizativa: Rediseño de procesos, capacitación de empleados y gestión del cambio cultural.
- Fallos esperados y recuperación: Costes asociados a errores del modelo, reprocesamiento, excepciones operativas y supervisión humana (human-in-the-loop).
- Regulaciones e impuestos emergentes: Tasas derivadas del cumplimiento de marcos normativos como el AI Act europeo o posibles gravámenes a la automatización.
LA FACTURA REAL DE UN AGENTE DE IA
┌────────────────────────────────────────────────────────────────────────┐
│ [ 33,3% ] Coste visible: Tokens consumidos y llamadas a APIs │
├────────────────────────────────────────────────────────────────────────┤
│ [ 66,7% ] Costes operativos y de adopción empresarial: │
│ • Infraestructura cloud y runtime │
│ • Gobernanza, ISPM y observabilidad │
│ • Gestión del cambio y reentrenamiento humano │
│ • Remediación de alucinaciones y excepciones │
│ • Cumplimiento regulatorio y licencias de software │
└────────────────────────────────────────────────────────────────────────┘
En conjunto, el coste total de propiedad (Total Cost of Ownership, TCO) de un sistema agéntico equivale a aproximadamente tres veces el importe de la factura de tokens. Ante semejante estructura de costes, el mantra corporativo de que «la IA ahorra tiempo a los empleados» deja de ser una justificación económica válida.
2. La cadena de suministro: ‘Left of the Token’ vs. ‘Right of the Token’
Para comprender por qué el token tiene el precio que tiene, EY divide la cadena de valor en dos mitades conectadas por una bisagra: el propio token.
EL MAPA DEL COSTE EMPRESARIAL DE LA IA
[ AGUAS ARRIBA: Left of the Token ] [ BISAGRA ] [ AGUAS ABAJO: Right of the Token ]
(Costes del proveedor de IA) (Costes de adopción del cliente)
• Centros de datos y capital físico • Consumo de tokens y APIs
• Aceleradores y chips (GPUs, HBM) • Licencias y software de soporte
• Redes, servidores y ciclos de vida TOKEN • Infraestructura cloud y datos
• Energía, refrigeración (PUE) y agua ───────────► • Gobernanza, auditoría y riesgo
• Desarrollo, preentreno y RLHF • Rediseño organizativo
• Runtime de inferencia (KV Cache) • Tasa de fallo y mitigación
• Orquestación, APIs y middleware • Cumplimiento legal y fiscal
• Riesgo, depreciación y amortización
Aguas arriba del token (El coste del proveedor)
Antes de que una empresa ejecute una sola consulta, los proveedores de nube y desarrolladores de modelos han tenido que financiar ocho capas de gasto crítico: desde la compra de obleas de semiconductores avanzados, empaquetado CoWoS y memorias HBM, hasta subestaciones eléctricas dedicadas, acuerdos de compra de energía (PPA) y plantas de refrigeración líquida.
A ello se suma la depreciación acelerada del hardware (ciclos de vida de apenas 3 a 5 años) y el coste del capital invertido. Todos estos gastos forman el suelo sobre el cual se fijan los precios de las APIs.
Aguas abajo del token (El coste del cliente)
Cuando la empresa consume el servicio, añade su propia capa de integración, adaptación y control. Si una organización mide su retorno únicamente contra el precio del proveedor, subestima drásticamente la inversión requerida y distorsiona el umbral de rentabilidad.
3. La encrucijada macroeconómica: Despido masivo o crecimiento explosivo
El gasto mundial en IA continuará su escalada exponencial: según previsiones de Gartner recogidas en el informe, pasará de $1,76 billones en 2025 a $2,6 billones en 2026, proyectándose hacia los $9,1 billones anuales para 2035.
Para que los inversores y proveedores obtengan una rentabilidad de mercado estándar (calculada por EY bajo un modelo conservador de recuperación de capital al 12%), la economía global debe generar ingresos suficientes para cubrir una factura de IA que pasará de:
- $1,1 billones en 2026
- $6,0 billones en 2031
- $9,8 billones en 2035
Dado que el software agéntico impacta prioritariamente en el trabajo de cuello blanco (white-collar) —servicios profesionales, finanzas, administración, tecnología—, EY modela cómo se compensaría ese gasto frente a la masa salarial de estas industrias en economías de ingresos medios-altos y altos ($31 billones en 2026; $45 billones en 2035):
| Métrica clave | 2026 | 2031 | 2035 |
| Gasto total en IA (Global) | $2.596 B | $6.388 B | $9.068 B |
| Factura de uso requerida (Retorno 12%) | $1.078 B | $6.003 B | $9.829 B |
| Coste laboral global de cuello blanco | $30.758 B | $37.904 B | $44.859 B |
| PIB de industrias de cuello blanco | $46.603 B | $57.431 B | $67.968 B |
| Opción A: Reducción laboral necesaria | 3,5% | 15,8% (1 de cada 6 $) | 21,9% (1 de cada 5 $) |
| Opción B: Crecimiento de PIB necesario | 2,3% | 10,5% | 14,5% |
Valores en miles de millones de dólares ($B). Fuente: Modelo de simulación económica de EY (2026).
La concentración de la factura
Si el retorno de la IA no se distribuye de manera homogénea y solo resulta rentable en los países más ricos (con renta nacional bruta per cápita superior a $50.000 o $75.000), la base imponible se estrecha drásticamente. En ese escenario, para pagar la infraestructura de IA, las economías de altos ingresos tendrían que destruir entre el 46% y el 72% de sus costes laborales de cuello blanco para 2035.
4. La falacia keynesiana y «The AI Layoff Trap»
Desde la perspectiva microeconómica de una compañía aislada, la IA parece un canje elemental de factores productivos: sustituir un dólar de nómina por un dólar de cómputo y embolsarse la diferencia de margen.
Sin embargo, a escala macroeconómica, surge lo que John Maynard Keynes definió como la falacia de composición: el salario de un empleado es el ingreso con el que consume los productos de otra empresa.
EL CÍRCULO VICIOSO DE LA AUTOMATIZACIÓN
Empresas sustituyen empleo humano por cómputo
▼
Contracción agregada de la masa salarial
▼
Caída de la renta disponible de los hogares
▼
Reducción del consumo privado y la demanda final
▼
Deterioro de los ingresos corporativos globales
▼
Incapacidad de financiar la deuda fija de la IA ($9,8 T)
Como señalan los economistas de Wharton Brett Hemenway Falk y Gerry Tsoukalas en su investigación The AI Layoff Trap, las empresas que despiden a gran escala para financiar tecnología terminan erosionando la base de clientes de la que dependen sus propios ingresos.
Además, existe un peligroso desacople temporal: la deuda, el arrendamiento de centros de datos y la depreciación de las GPUs se cobran en vencimientos mensuales estrictos e ineludibles; en cambio, la recolocación laboral de millones de profesionales cualificados en nuevas industrias toma años o décadas. Financiar la IA destruyendo empleo es económicamente insostenible a largo plazo.
5. La Frontera de Retorno: El crecimiento como única salida
Para ilustrar este desafío, EY introduce el concepto de la Frontera de Retorno (The Payback Frontier): la curva de combinaciones posibles entre reducción de costes y crecimiento del volumen de negocio necesarias para amortizar la IA.
El modelo demuestra que una empresa estándar solo puede recortar aproximadamente un 6,5% de su masa laboral mediante la congelación natural de contrataciones y rotación voluntaria. Superar ese porcentaje exige despidos forzosos traumáticos. Por tanto, para saldar la factura de la IA, las empresas se ven forzadas a obtener al menos 10 puntos porcentuales a través del crecimiento de nuevos ingresos.
Reducir costes achica el pastel económico; generar nuevos productos y servicios lo agranda. El verdadero retorno de la IA radica en expandir la capacidad operativa de la empresa hacia territorios que antes eran inviables por falta de recursos.
6. Hoja de ruta estratégica para CEOs y directores de tecnología
Para evitar caer en la trampa del coste, EY propone a los líderes empresariales gobernar la IA con la misma disciplina reservada para la asignación de capital financiero:
1. Priorizar corrientes de valor (Value Streams) sobre casos de uso
Basta de financiar listas interminables de pruebas de concepto aisladas (un bot para resumir PDFs, un plugin de transcripción). La IA debe aplicarse a resolver cuellos de botella transversales: acelerar el tiempo de lanzamiento al mercado de productos complejos, abrir nuevas líneas de negocio o hiperpersonalizar servicios para aumentar el valor de vida del cliente (LTV).
2. Distinguir entre productividad creada, capturada y monetizada
El tiempo liberado por un algoritmo es únicamente valor potencial. No se convierte en valor económico hasta que el modelo operativo de la empresa lo transforma en mayor producción vendida o en facturación adicional. Si un equipo ahorra dos horas al día pero las consume en reuniones internas o navegación pasiva, la empresa ha incurrido en un coste de cómputo sin capturar retorno.
3. Gestionar un portafolio vivo de agentes (Agentic FinOps)
Cada despliegue debe evaluarse de forma continua: escalar aquellos cuyo grupo de valor absorba con holgura el triple coste del sistema, pausar los marginales y cerrar sin titubeos los que fallen. La creación de una Oficina de Realización de Valor de IA (AI Value Realization Office) con un único responsable ejecutivo sobre la economía del agente es ya una necesidad corporativa.
La perspectiva para Data & Co
Las revelaciones del informe de EY consolidan la visión que impulsamos desde Data & Co: en un mercado donde la tecnología encarece sus capas de gobernanza y cómputo, la calidad, la estructuración y la utilidad de los datos marcan la diferencia entre un gasto ruinoso y un activo rentable.
Alimentar modelos con datos duplicados, registros obsoletos o procesos sin trazabilidad multiplica innecesariamente el consumo de tokens y los costes de infraestructura, elevando el riesgo de fallo. Por el contrario, contar con una arquitectura de información depurada, verificada y orientada al valor de negocio permite desplegar agentes más pequeños, precisos y eficientes.
La Inteligencia Artificial no se pagará a sí misma sustituyendo personas por algoritmos en una carrera hacia el fondo; se pagará dotando a las organizaciones de la capacidad de hacer más, vender mejor y construir relaciones comerciales duraderas basadas en la confianza y el crecimiento mutuo.
Autores del estudio EY
- Shawn Smith. EY Americas Strategy, Innovation and Client Service Managing Partner
- Steve Wanner. EY Americas Commercial Industries Vice Chair
- Dan Diasio. EY Global Consulting AI Leader
- Andrew Phillips. EY Americas Quantitative Economics & Statistics (QUEST) Leader
- Hyong Kim. EY Global TMT Leader and EY Americas TMT Vice Chair
- Greg Daco. EY-Parthenon Chief Economist, Strategy and Transactions
- Sachin Lulla. EY Americas Industrials & Energy Vice Chair
Comentarios recientes