Accenture presenta resultados de optimización de costes de Bedrock
Accenture informó reducciones en el gasto de tokens en cuatro proyectos de clientes en una publicación de AWS del 19 de noviembre de 2026, incluida una reducción del 85 % en una gran empresa. Los hallazgos sobre la optimización de costes de Bedrock cuestionan una suposición habitual de compra: que unos precios de tokens más bajos por sí solos mantendrán asequibles las cargas de trabajo de IA en expansión. Los tokens, las unidades que los modelos procesan y generan, representan solo una parte de ese cálculo.
El informe describe técnicas de optimización ya existentes, en lugar de un nuevo lanzamiento de Amazon Bedrock. Su argumento central se refiere a la secuencia: establecer responsabilidad y medición, aplicar cambios más sencillos y, después, considerar cambios de arquitectura e inversiones en entrenamiento. Las mayores reducciones comunicadas implicaron varias intervenciones combinadas, lo que hace imposible separar las contribuciones individuales.
Para los compradores empresariales, la presión recae en cómo las aplicaciones consumen inteligencia. Google Cloud también ofrece almacenamiento en caché para contexto repetido, lo que subraya que estas capacidades se están convirtiendo en infraestructura compartida. La cuestión más difícil es si los equipos pueden reducir el coste del trabajo realizado con éxito mientras preservan la calidad, los tiempos de respuesta y los controles adecuados.
La optimización de costes de Bedrock se prueba con cuatro clientes
La noticia es el relato de Accenture sobre resultados en producción, con límites importantes sobre lo que esos resultados demuestran.
Los hallazgos sobre optimización de tokens, elaborados conjuntamente, describen proyectos en telecomunicaciones, seguros, minería y una gran empresa. Accenture no reveló los nombres de los clientes por confidencialidad. La publicación presenta resultados específicos de cada carga de trabajo, sin una auditoría independiente ni suficiente detalle divulgado para reproducir cada resultado.
En la gran empresa, Accenture afirma que los costes mensuales de tokens cayeron un 85 % tras cambios en la selección de modelos, almacenamiento en caché de contexto repetido y procesamiento por lotes. Cerca del 15 % de las tareas seguía requiriendo el modelo más capaz. Dado que los cambios se introdujeron a la vez, el informe no aísla el ahorro individual de cada uno.
El proyecto de telecomunicaciones combinó enrutamiento de solicitudes, reutilización de respuestas y compresión de contexto. Accenture informa de una reducción del 70 % en los tokens de entrada y del 68 % en el gasto anual de tokens. Afirma que la calidad de salida se comprobó frente a los parámetros de rendimiento anteriores del operador.
Los otros proyectos utilizaron distintas capas de caché. La aseguradora reutilizó prefijos de prompts repetidos, mientras que el operador minero reutilizó respuestas almacenadas para solicitudes similares. El informe describe alrededor de un 40 % de ahorro combinado entre esos proyectos, sin establecer un resultado independiente del 40 % para cada cliente.
Estas diferencias importan cuando las empresas evalúan las cifras de titulares. Una organización que ya utiliza modelos más pequeños y almacenamiento en caché de contexto repetido parte de una posición distinta de otra que envía todo a su modelo más grande. Por tanto, la misma intervención tiene una oportunidad restante diferente.
Los hallazgos respaldan una conclusión más limitada que las promesas de ahorro universal. Algunas aplicaciones contienen repetición evitable, elecciones de modelos innecesariamente costosas y trabajo que no requiere ejecución inmediata. Los ejemplos de Accenture sugieren que estos patrones merecen investigación, en lugar de proporcionar una previsión para cada implementación.
También cambian la conversación de compra. Los compradores que comparan precios unitarios de modelos deben examinar la aplicación circundante. Un modelo más barato no produce automáticamente trabajo completado más barato si requiere más intentos, prompts más largos o revisión adicional.
Esto sitúa las decisiones de implementación junto a las decisiones de adquisición. La comparación relevante pasa a ser el flujo de trabajo existente frente a una alternativa que cumple los mismos requisitos empresariales. Sin esa referencia común, una gran reducción porcentual puede ocultar cambios en la carga de trabajo, la calidad aceptable o las expectativas de servicio.
La caída de los precios de tokens deja expuestos a los responsables de flujos de trabajo
Los responsables de aplicaciones afrontan presión para explicar qué produce el gasto en IA, en lugar de limitarse a indicar qué modelo lo recibe.
Un agente de IA, software que selecciona acciones e invoca herramientas para alcanzar un objetivo, puede realizar varias solicitudes a modelos durante una sola tarea. Cada paso adicional puede incluir instrucciones, documentos, historial de conversación y resultados intermedios. Los precios de procesamiento más bajos no eliminan el coste de repetir ese material.
Esto genera un problema de gestión antes de convertirse en un problema de selección de modelos. Finanzas necesita categorías de gasto con responsables, mientras que los equipos de producto necesitan comprender los resultados exitosos. Ingeniería necesita suficiente detalle por solicitud para conectar ambos aspectos sin tratar cada invocación como un producto independiente.
Considere un hipotético flujo de soporte que busca documentos de políticas, redacta una respuesta, comprueba sus afirmaciones y escala los casos inciertos. Su coste incluye todo el recorrido. Medir solo la solicitud de redacción deja fuera la recuperación, la verificación, los reintentos y los intentos fallidos que igualmente consumen recursos.
Por tanto, un descuento por solicitud puede coexistir con un coste por transacción sin cambios. Si un modelo más pequeño genera más correcciones, el ahorro aparente puede desaparecer aguas abajo. Si la reutilización de respuestas evita trabajo innecesario sin aumentar los errores, la mejora llega más directamente a la transacción completada.
Accenture plantea este problema de medición en torno al Cost per Business Transaction, que agrega la actividad de IA que contribuye a un resultado empresarial exitoso. Esto incluye reintentos, llamadas a herramientas y transferencias entre agentes. La implicación útil es sencilla: medir todo el proceso antes de celebrar un componente más barato.
La atribución financiera sigue necesitando una base técnica. AWS documenta los perfiles de inferencia de aplicaciones, que adjuntan etiquetas de propiedad a las solicitudes de modelos compatibles. Esas etiquetas se integran en las herramientas de facturación, permitiendo a los equipos analizar el gasto por aplicación, equipo o carga de trabajo.
Los perfiles tienen límites relevantes para la implementación. Admiten las interfaces InvokeModel y Converse, en lugar de todas las interfaces de solicitud de Bedrock. También proporcionan costes facturados agregados, por lo que los equipos necesitan registros de solicitudes para el análisis detallado de tokens y el seguimiento de transacciones.
Aquí es donde la responsabilidad se vuelve concreta. Un equipo de plataforma puede exponer datos de facturación, pero un responsable de producto debe definir un resultado aceptable. Un equipo financiero puede rastrear el gasto, pero los especialistas de dominio deben determinar si la calidad sigue siendo adecuada después de un cambio.
Para aplicaciones intensivas en conocimiento, también importa la capa de evidencia. Los equipos que documentan el comportamiento de recuperación pueden utilizar una base de conocimiento con búsqueda para mantener accesibles las decisiones técnicas y los hallazgos de evaluación. Una documentación mejor respalda la comparación entre cambios, aunque por sí misma no establece ahorros financieros.
La presión inmediata recae sobre las organizaciones que amplían el uso de la IA sin mediciones comparables de resultados. Una factura creciente puede reflejar una adopción exitosa, actividad innecesaria o ambas cosas. Hasta que los equipos distingan entre esas explicaciones, un objetivo de optimización corre el riesgo de convertirse en un recorte arbitrario del gasto.
La presión a largo plazo se refiere a las decisiones de inversión. Los líderes necesitan saber qué flujos de trabajo justifican un uso adicional y cuáles requieren rediseño. Una definición coherente de transacción les ofrece una base más útil que un total combinado de tokens de aplicaciones no relacionadas.
Seis palancas modifican distintas partes de la factura
Las seis palancas abordan distintas fuentes de consumo, por lo que sus ahorros no pueden simplemente sumarse.
La secuencia propuesta avanza desde cambios de configuración hasta arquitectura de aplicaciones y, posteriormente, inversión en infraestructura o entrenamiento. Ese orden ayuda a explicar la relevancia del informe. Trata la optimización como una serie de decisiones medibles, cada una con su propio coste, carga operativa e implicaciones de calidad.
El almacenamiento en caché de prompts reduce el procesamiento repetido de entradas
El almacenamiento en caché de prompts reutiliza partes ya procesadas de la entrada del modelo, como instrucciones estables o material de referencia. Resulta adecuado para aplicaciones que envían repetidamente un contexto compartido considerable. No significa devolver una respuesta anterior a cada pregunta similar.
AWS explica que el almacenamiento en caché de prompts depende de modelos compatibles, interfaces de solicitud y contenido repetido elegible. Una solicitud elegible no garantiza un acierto de caché. Los equipos deben inspeccionar los campos de uso reales en lugar de asumir que la repetición produce ahorros automáticamente.
El mecanismo económico es el procesamiento de entrada evitado. Su valor depende de la frecuencia con que aparezca contenido reutilizable, de cuánto permanezca sin cambios en cada solicitud y de si la reutilización ocurre antes de la expiración. Los prompts que cambian con frecuencia debilitan esa oportunidad.
Las escrituras y lecturas de caché también requieren una contabilidad separada. Según el modelo, escribir contenido reutilizable puede tener un cargo distinto de leerlo. Una alta tasa de reutilización importa más que simplemente activar la función.
La inferencia por lotes cambia cuándo se ejecuta el trabajo
La inferencia por lotes procesa solicitudes agrupadas de forma asíncrona, lo que significa que los resultados llegan después del envío, en vez de durante una interacción inmediata. Se adapta a cargas de trabajo con ventanas de finalización flexibles. Un conjunto pendiente de documentos o una ejecución de evaluación sin conexión tienen requisitos de tiempo distintos de una conversación en vivo con un cliente.
El flujo de trabajo de inferencia por lotes de Bedrock utiliza archivos de entrada y escribe resultados en almacenamiento Amazon S3. La compatibilidad de modelos e interfaces sigue requiriendo comprobación. Trasladar el trabajo a un lote cambia el envío y la gestión de resultados, incluso cuando la tarea subyacente sigue siendo la misma.
La decisión empresarial se refiere a los plazos. Un cargo de procesamiento menor solo ayuda si el trabajo completado llega cuando sigue siendo útil. Los equipos deben incluir la programación, los registros fallidos y la recopilación de resultados al evaluar el efecto operativo.
El almacenamiento en caché y el procesamiento por lotes también pertenecen a rutas de ejecución distintas. La documentación de AWS indica que el almacenamiento en caché de prompts no es compatible a través de la interfaz de inferencia por lotes. Las aplicaciones pueden usar ambos en cargas de trabajo separadas, pero no deberían asumir que ambos descuentos se aplican a la misma solicitud.
El enrutamiento de modelos ajusta las solicitudes a la capacidad
El enrutamiento de modelos selecciona un modelo para cada solicitud en lugar de enviar todo al mismo valor predeterminado. La clasificación sencilla y el razonamiento difícil no tienen por qué recibir recursos idénticos. El reto es identificar qué solicitudes pueden usar de forma segura la ruta menos costosa.
El enrutamiento inteligente de prompts de Bedrock opera dentro de familias de modelos compatibles. AWS documenta limitaciones, incluida una optimización centrada en inglés y la incapacidad de adaptar decisiones usando datos de rendimiento específicos de la aplicación. Estos límites hacen esencial la evaluación de la carga de trabajo.
Los patrones de enrutamiento más amplios de Accenture no deberían tratarse como idénticos a cada configuración nativa de enrutador. Una implementación de consultoría puede involucrar lógica de aplicación y decisiones específicas del dominio. Los compradores deben distinguir la técnica general de las capacidades precisas de su servicio seleccionado.
El enrutamiento también cambia el análisis de fallos. Un promedio de calidad de todo el sistema puede ocultar problemas concentrados en una categoría concreta de solicitudes. Los equipos necesitan visibilidad sobre qué modelo gestionó cada caso y si las solicitudes difíciles siguieron una ruta adecuada.
La optimización de la recuperación limita el contexto innecesario
La generación aumentada por recuperación, o RAG, proporciona a un modelo material fuente seleccionado antes de que genere una respuesta. La optimización de la recuperación mejora esa selección para que los pasajes irrelevantes no inflen el prompt. Su objetivo es contar con evidencia suficiente con menos material innecesario.
La delimitación del contexto restringe la información a lo que necesita un paso concreto del flujo de trabajo. La compresión de contexto acorta el material antes de que lo reciba el modelo principal. Estos patrones complementan los cambios en la recuperación, pero pueden introducir sus propios requisitos de procesamiento y evaluación.
La contrapartida es la evidencia que falta. Un prompt más corto resulta útil cuando elimina repeticiones o pasajes irrelevantes. Se vuelve perjudicial cuando omite una excepción, una salvedad o un detalle de la fuente necesario para una respuesta correcta.
Esto hace que la calidad de la respuesta sea más importante que la longitud del prompt por sí sola. Un cambio en la recuperación que ahorra tokens, pero aumenta las respuestas sin respaldo, ha debilitado la aplicación. La evaluación debe comprobar tanto lo que el sistema incluye como lo que su proceso de selección deja fuera.
La caché semántica evita respuestas repetidas
La caché semántica almacena respuestas y las reutiliza cuando una nueva solicitud tiene un significado similar. A diferencia de la caché de prompts, puede evitar por completo una invocación del modelo. Esto crea una oportunidad económica distinta y un riesgo de corrección diferente.
Una redacción similar no garantiza respuestas intercambiables. Los permisos de cuenta, las versiones de documentos, la ubicación y las políticas cambiantes pueden afectar a lo que debe recibir un usuario. Una implementación útil necesita límites de reutilización que reflejen esas diferencias.
Las respuestas almacenadas también se desactualizan. Las reglas de expiración y la invalidación, es decir, la eliminación de entradas tras cambios relevantes, pasan a formar parte de la corrección de la aplicación. Una respuesta económica que refleje información sustituida puede generar trabajo adicional de revisión y corrección.
La destilación intercambia inversión de entrenamiento por eficiencia repetida
La destilación de modelos entrena un modelo más pequeño utilizando conocimiento o resultados de un modelo docente más grande. Desplaza el esfuerzo hacia la preparación de un modelo especializado para tareas repetidas. Esto hace que su economía sea distinta de habilitar una funcionalidad a nivel de solicitud.
La inversión incluye datos de entrenamiento, evaluación, despliegue y mantenimiento continuo. Una carga de trabajo estable con volumen sostenido ofrece una oportunidad más clara de recuperar ese esfuerzo. Las tareas que cambian rápidamente dificultan la comparación, porque la especialización de ayer puede convertirse en la limitación de mañana.
Por tanto, la secuencia tiene una lógica práctica. Los equipos primero examinan el procesamiento repetido y los plazos flexibles, y después mejoran la asignación y el contexto. Las inversiones más exigentes llegan cuando las características medidas de la carga de trabajo las justifican.
Los mayores ahorros dejan preguntas de atribución
Los casos de estudio identifican oportunidades, pero no establecen una tasa de ahorro transferible ni un retorno de la inversión completo.
La primera limitación es el anonimato. Sin clientes identificados y descripciones detalladas de las cargas de trabajo, los lectores externos no pueden evaluar de forma independiente cuán representativos son los ejemplos. La confidencialidad es comprensible, pero limita la verificación y la comparación.
La segunda limitación se refiere a las intervenciones combinadas. Cuando la selección de modelos, la caché y la programación cambian a la vez, el resultado global no puede revelar la contribución de cada componente. Tampoco puede mostrar si una secuencia diferente habría producido el mismo resultado con menos esfuerzo de ingeniería.
La tercera limitación es la evidencia de calidad. El ejemplo de telecomunicaciones hace referencia a benchmarks existentes del cliente, pero el informe público no revela suficiente detalle de evaluación para una reproducción independiente. Los lectores carecen de un desglose completo de la cobertura de pruebas, los casos difíciles y el rendimiento específico por categoría.
Esta carencia importa porque la calidad media puede ocultar daños concentrados. Un sistema podría gestionar bien las solicitudes habituales mientras pasa por alto excepciones poco frecuentes. La aceptación empresarial depende a menudo de esas excepciones, especialmente cuando un resultado incorrecto genera trabajo posterior costoso.
El gasto en tokens también difiere del coste operativo total. El almacenamiento, la recuperación, la monitorización, la evaluación, la ingeniería y la revisión humana pueden afectar a la economía final. Las reducciones publicadas no deben interpretarse como reducciones equivalentes en todos los costes asociados a ejecutar la aplicación.
El esfuerzo de implementación también modifica el caso de inversión. Un cambio de configuración y un proyecto de entrenamiento especializado requieren recursos distintos. Compararlos solo mediante el gasto recurrente en tokens ignora cuánto esfuerzo debe comprometer cada organización antes de que aparezcan los ahorros.
La comparación del sector refuerza esa distinción. Google Cloud describe la caché de contexto, que también reutiliza entradas procesadas. Su enfoque de caché explícita incluye consideraciones sobre la duración del almacenamiento, lo que ilustra por qué etiquetas de funcionalidades similares no garantizan una economía operativa idéntica.
Esto no demuestra que una plataforma gane en todas las cargas de trabajo. Muestra que las empresas deben comparar patrones reales de uso, modelos compatibles, comportamiento de retención y requisitos operativos. Una lista de funcionalidades no puede responder por sí sola a esas preguntas.
También existe una diferencia entre eficiencia y crecimiento empresarial. Un menor gasto en tokens puede liberar presupuesto, pero no demuestra un aumento de los ingresos, una mejor retención de clientes ni decisiones mejoradas. Esos resultados requieren mediciones independientes conectadas con el propósito del flujo de trabajo.
La interpretación más defendible es condicional. Las aplicaciones con repetición considerable y un uso de modelos poco diferenciado merecen pruebas cuidadosas. Las organizaciones que ya abordaron esos patrones deberían esperar una oportunidad distinta, sin asumir que el mayor porcentaje comunicado siga estando disponible.
Esto convierte la optimización de costes de Bedrock en una investigación de la carga de trabajo, en lugar de un atajo de adquisición. El informe ofrece motivos para examinar el comportamiento de la aplicación. No elimina la necesidad de establecer una línea de base local, definir una calidad aceptable y contabilizar el esfuerzo de implementación.
La secuencia convierte la medición en la primera intervención
Una secuencia de optimización creíble preserva la capacidad de explicar cada resultado y revertir cambios que debiliten la aplicación.
El punto de partida es un resultado empresarial acordado. Una extracción de documentos completada, una respuesta de soporte aceptada y un análisis revisado representan resultados diferentes. Combinarlos en un único denominador de gasto puede ocultar tanto una ampliación exitosa como un desperdicio persistente.
Los equipos necesitan después una línea de base que conecte consumo, finalización, calidad y tiempo. Sin muestras comparables de carga de trabajo, las diferencias de gasto antes y después siguen siendo ambiguas. Una mezcla de tráfico más ligera puede hacer que un cambio parezca exitoso incluso cuando el proceso subyacente no ha mejorado.
Los cambios más sencillos merecen atención temprana porque prueban fuentes concretas de desperdicio. Un contexto estable y repetido sugiere un experimento de caché. El trabajo con plazos flexibles sugiere una comparación de procesamiento por lotes, siempre que el momento de finalización y la gestión de fallos sigan siendo aceptables.
Esos experimentos deben mantenerse lo bastante separados como para poder interpretarlos. Si la composición de las solicitudes y la elección de modelo cambian a la vez, los equipos pierden la capacidad de identificar la causa. Eso aún podría producir una mejora operativa útil, pero genera evidencia más débil para la siguiente decisión.
Los cambios de arquitectura siguen cuando la línea de base revela su objetivo. El enrutamiento aborda capacidades de modelo desajustadas. Los cambios en la recuperación abordan el contexto innecesario o mal seleccionado, mientras que la caché semántica aborda solicitudes repetidas que pueden compartir respuestas de forma segura.
Cada intervención necesita un umbral de aceptación antes de su despliegue. El equipo debe saber qué descenso de calidad, retraso de finalización o aumento de escalaciones desencadenaría una reversión. Establecer esos límites después invita a una interpretación selectiva del resultado.
El material de evaluación debe reflejar el trabajo real de la aplicación. Las solicitudes habituales establecen el comportamiento típico, mientras que los casos difíciles y excepcionales ponen a prueba los límites. Un conjunto reservado, ejemplos excluidos de las decisiones de ajuste, ayuda a revelar si las mejoras se extienden más allá del material de prueba conocido.
La medición continua importa porque la producción cambia. Los documentos se actualizan, los patrones de solicitudes se desplazan y los modelos evolucionan. Una optimización que funcionó durante una comparación inicial puede perder valor o dejar de ser fiable tras esos cambios de condiciones.
La destilación corresponde a una etapa posterior porque compromete más recursos con una distribución concreta de tareas. Antes de asumir ese compromiso, los equipos necesitan evidencia de que la carga de trabajo es estable y suficientemente repetida. También necesitan un plan para detectar cuándo el modelo especializado ya no encaja.
Esta secuencia cambia el incentivo organizativo. En lugar de recompensar el mayor descuento aislado, recompensa mejoras explicables en el trabajo completado. Esto ofrece a los responsables de ingeniería, finanzas y producto una base compartida para decidir qué ampliar.
También aclara cuándo detenerse. Una factura menor no es automáticamente mejor si la siguiente reducción aumenta la revisión o retrasa trabajo valioso. El punto final adecuado es un equilibrio aceptable entre coste, calidad, riesgo y utilidad empresarial.
Qué vigilar hasta principios de 2027
La siguiente prueba es si los ahorros de tokens comunicados se traducen en mejoras duraderas y reproducibles del trabajo empresarial completado.
La primera señal es una evidencia de clientes más detallada. Despliegues identificados, métodos de evaluación divulgados y mediciones comparables de transacciones reforzarían la confianza en el enfoque. Repetir porcentajes destacados sin detalles sobre la carga de trabajo dejaría sin resolver la cuestión de la transferibilidad.
Las divulgaciones útiles distinguirían la optimización existente de las nuevas intervenciones. También separarían los efectos operativos recurrentes del esfuerzo de implementación. Esto ayudaría a los compradores a entender si un resultado refleja un patrón ampliamente relevante o una configuración inicial inusualmente ineficiente.
La segunda señal es la simplificación a nivel de servicio. Los cambios que faciliten conectar la atribución de propiedad, la contabilidad de caché, las decisiones de enrutamiento y la evaluación reducirían la fricción de implementación. Los compradores deben vigilar las interfaces compatibles y la visibilidad operativa, en lugar de asumir que cada nuevo modelo admite automáticamente cada optimización.
Esto se aplica a todas las plataformas cloud. Una mejor documentación sobre caché o enrutamiento ayuda a los equipos a comprender los mecanismos disponibles, pero la evidencia a nivel de transacción sigue siendo la comparación más sólida. Una configuración más sencilla importa más cuando las organizaciones pueden verificar su efecto en su propio trabajo.
La tercera señal es una calidad sostenida bajo tráfico cambiante. Tasas de aceptación estables, escalaciones adecuadas y una gestión fiable de solicitudes inusuales reforzarían el argumento a favor de un despliegue más amplio. Los ahorros que desaparezcan tras actualizaciones de documentos o cambios en la carga de trabajo debilitarían las afirmaciones de durabilidad.
Estos son puntos de observación, no anuncios programados. El informe no establece ningún plazo para la reproducción independiente ni para nuevas divulgaciones de clientes. Durante los próximos meses, el seguimiento más sólido conectaría las reducciones de gasto con resultados consistentes en una carga de trabajo de producción cambiante.
Para los equipos que evalúan la optimización de costes de Bedrock, elijan un flujo de trabajo acotado con una propiedad clara y un estándar observable de finalización. Comparen su comportamiento actual con un único cambio específico, utilizando solicitudes representativas y requisitos explícitos de calidad. Incluyan reintentos, revisión, tiempo de espera y servicios de apoyo al interpretar el resultado.
Mantén las evidencias accesibles para quienes aprueban la próxima inversión. Una reducción del gasto resulta más útil cuando otro equipo puede comprender sus causas y límites. Antes de ampliar el experimento, pregúntate si hizo más barato el trabajo exitoso, si esa mejora se sostuvo en condiciones realistas y si la oportunidad restante justifica otro cambio.



