El gasto en IA de Amazon y Google revela la crisis oculta de costes en la CX empresarial

Amazon elevó su plan de gasto de capital para 2026 a 220.000 millones de dólares, pese a registrar el crecimiento más rápido de AWS en 18 trimestres. La carrera de infraestructura entre Amazon y Google expone ahora una verdad incómoda para los equipos de experiencia del cliente empresarial. La demanda de IA se dispara, pero los sistemas que la atienden requieren más capital, hardware escaso y compromisos a más largo plazo.

Esto no demuestra que la IA empresarial haya fracasado. El negocio de nube de Amazon creció un 37 por ciento durante el segundo trimestre, mientras que sus negocios de IA y chips superaron cada uno una tasa de ejecución anual de 25.000 millones de dólares. Sin embargo, Amazon sigue esperando que su capacidad de infraestructura no alcance para cubrir la demanda durante 2026.

Google afronta la misma tensión a otra escala. Los ingresos de Google Cloud crecieron un 82 por ciento, mientras Alphabet elevó sus gastos de capital previstos para 2026 a entre 195.000 y 205.000 millones de dólares. Ambas compañías muestran que una mayor adopción de IA no produce automáticamente experiencias de cliente más baratas y sencillas.

Para las empresas, el problema va más allá de la factura de la nube. Los sistemas de experiencia del cliente basados en IA necesitan inferencia de modelos, recuperación de datos, controles de seguridad, evaluación, revisión humana e integraciones con plataformas existentes. Cada capa añade costes antes de que una organización pueda demostrar que la experiencia es mejor.

Las cifras del segundo trimestre de Amazon cambiaron el debate sobre los costes de IA

Los resultados de Amazon muestran que una fuerte demanda de IA y una intensa presión de costes pueden coexistir.

Amazon presentó sus resultados del segundo trimestre el 30 de julio de 2026. Las ventas de AWS crecieron un 37 por ciento durante el periodo de abril a junio, acelerándose desde el 28 por ciento del trimestre anterior. La compañía describió ese desempeño como el crecimiento más rápido de AWS en 18 trimestres.

Amazon también afirmó que su negocio de IA y su negocio de chips habían superado cada uno una tasa de ejecución anualizada de 25.000 millones de dólares. Estas cifras sugieren que los clientes están comprando infraestructura, en lugar de limitarse a probarla.

El gasto necesario para sostener ese crecimiento aumentó con la misma intensidad. El consejero delegado Andy Jassy elevó los gastos de capital previstos de Amazon para 2026 desde aproximadamente 200.000 millones de dólares hasta 220.000 millones. El total incluye inversiones en infraestructura de IA, semiconductores, robótica y satélites.

Según Jassy, los mayores costes de memoria fueron una razón importante del gasto adicional. La memoria es esencial para entrenar modelos y ejecutar inferencia, es decir, servir un modelo entrenado a los usuarios. Por tanto, el aumento del coste de los componentes afecta tanto a los sistemas experimentales como a las cargas de trabajo de producción ya consolidadas.

Los materiales de resultados del segundo trimestre de Amazon establecen el momento del anuncio. Informaciones posteriores mostraron por qué el aumento era relevante. La compañía había gastado alrededor de 128.000 millones de dólares durante el año anterior, lo que convierte al nuevo plan en un importante salto al alza.

El aumento del gasto no reflejaba únicamente una construcción ociosa. Jassy afirmó que Amazon seguiría sin disponer de capacidad suficiente para satisfacer toda la demanda prevista para 2026. También describió como llamativa la demanda ya visible para 2028.

Ese detalle cambia la interpretación del trimestre. Amazon no está construyendo infraestructura porque la demanda de IA siga siendo hipotética. Está gastando mucho mientras comunica a los inversores que la demanda de los clientes todavía supera la oferta disponible.

La limitación también complica una suposición habitual en las empresas. Los compradores suelen esperar que una mayor escala de nube reduzca el coste de cada nueva generación de automatización. La escala ayuda, pero no puede compensar por completo la escasez, los requisitos de electricidad, la construcción de centros de datos y la frecuente sustitución de hardware.

Para un equipo de experiencia del cliente, esto importa en el momento del despliegue. Un piloto podría gestionar varios miles de conversaciones con una velocidad y precisión aceptables. Un servicio de producción debe resistir picos estacionales, interrupciones, cambios de modelo y comportamientos impredecibles de los clientes.

Los sistemas de producción también necesitan capacidad de reserva. Un centro de contacto no puede simplemente dejar de responder cuando aumenta la demanda de inferencia en otro lugar. El proveedor debe mantener suficiente capacidad de hardware y red para cumplir los compromisos de servicio durante los periodos pico.

Esa fiabilidad tiene un coste real. Aparece mediante cargos por uso, capacidad reservada, tarifas de plataforma, trabajo de implementación o límites impuestos a la calidad del modelo y la longitud de las respuestas. Una empresa puede evitar poseer servidores y, aun así, pagar por la infraestructura que hay detrás de cada interacción.

Por tanto, el trimestre de Amazon expuso el conflicto central. La demanda valida la oportunidad de la IA, pero el coste de satisfacerla sigue aumentando. Los compradores de CX empresarial están en el extremo receptor de ese conflicto.

La carrera entre Amazon y Google traslada los costes a los compradores empresariales

La competencia entre Amazon y Google amplía la capacidad de IA, pero también presiona a los clientes para asumir compromisos mayores y más tempranos.

Google presentó sus resultados del segundo trimestre una semana antes que Amazon. Los ingresos de Google Cloud crecieron un 82 por ciento y su cartera de pedidos en la nube alcanzó los 514.000 millones de dólares. Alphabet también afirmó que casi el 90 por ciento de las Fortune 100 utilizaba Gemini Enterprise.

El crecimiento de Google aporta una comparación importante porque debilita la crítica más simple al gasto de Amazon. Amazon no actúa sola ni responde únicamente a una ineficiencia específica de la compañía. Varios proveedores de nube están aumentando sus inversiones mientras informan de una demanda sólida.

Alphabet espera gastos de capital para 2026 de entre 195.000 y 205.000 millones de dólares. Su previsión anterior oscilaba entre 180.000 y 190.000 millones. La mayor parte de ese gasto respalda infraestructura técnica, incluidos servidores y centros de datos utilizados para cargas de trabajo de IA.

Las declaraciones de resultados de Google también hacen hincapié en la gestión de costes y la gobernanza dentro de Gemini Enterprise. Ese posicionamiento reconoce una preocupación que ya está pasando de los departamentos financieros a las decisiones operativas de compra.

La rivalidad entre Amazon y Google ofrece a los compradores empresariales más opciones de infraestructura. AWS ofrece Amazon Bedrock, sus modelos Nova, modelos de Anthropic y chips Trainium personalizados. Google combina los modelos Gemini, su plataforma en la nube y unidades de procesamiento tensorial propietarias.

Los chips personalizados pueden reducir la dependencia de aceleradores externos y mejorar el rendimiento para determinadas cargas de trabajo. Sin embargo, también animan a los clientes a diseñar sistemas en torno a la arquitectura de un proveedor. Cambiar posteriormente puede exigir nuevas pruebas, trabajo de datos y modificaciones en las aplicaciones.

La elección de modelos crea una disyuntiva similar. Una compañía puede dirigir las solicitudes sencillas a modelos más pequeños y las difíciles a modelos más grandes. Ese enfoque puede reducir el uso de inferencia, pero añade trabajo de orquestación, supervisión y evaluación.

Por tanto, la competencia reduce algunos costes unitarios mientras aumenta la complejidad del sistema. Las empresas obtienen más opciones, pero deben desarrollar la experiencia necesaria para usar esas opciones de forma responsable. Una tarifa por token más baja aporta poco valor cuando los errores de enrutamiento aumentan las escalaciones o generan respuestas incorrectas.

Lo que está en juego es especialmente alto en la experiencia del cliente. Un asistente de programación puede pedir a un desarrollador que revise un resultado. Un agente orientado al cliente suele responder directamente a alguien que espera una respuesta correcta, una política clara y una resolución inmediata.

Una explicación incorrecta de facturación puede generar contactos repetidos. Un reembolso no autorizado puede causar pérdidas financieras. Una declaración de cuenta segura pero falsa puede desencadenar problemas legales, regulatorios y reputacionales.

Estos riesgos obligan a las empresas a rodear los modelos generativos de controles. La generación aumentada por recuperación conecta un modelo con información empresarial aprobada antes de que responda. Las barreras de seguridad restringen la salida, mientras los sistemas de evaluación prueban si las respuestas cumplen estándares definidos.

Cada control consume tiempo de ingeniería y recursos informáticos. Los sistemas de recuperación requieren datos indexados. Las evaluaciones requieren conversaciones de prueba, llamadas al modelo, revisores y mediciones repetidas cada vez que cambia un modelo o prompt.

Amazon y Google pueden repartir la inversión en infraestructura entre miles de clientes. Las empresas individuales no pueden repartir tan ampliamente los costes de integración y gobernanza. Su caso de negocio depende de un conjunto más reducido de flujos de trabajo y resultados medibles.

Aquí es donde se desplaza la carga de costes. Los hiperescaladores financian los centros de datos, pero los clientes financian la última milla entre un modelo capaz y una experiencia fiable. Esa última milla suele determinar si un programa de IA crea valor.

El resultado no es una simple inflación de precios. Es un problema de compromiso. Las empresas deben elegir proveedores, arquitecturas y modelos operativos antes de que los costes y la calidad a largo plazo sean plenamente visibles.

La economía de la CX empresarial se rompe después del piloto

La crisis oculta comienza cuando una demostración controlada se convierte en una operación de atención al cliente con responsabilidad real.

Un piloto suele probar si un modelo puede responder preguntas seleccionadas. Puede utilizar documentos limpios, empleados colaboradores y un conjunto limitado de conversaciones. La producción introduce datos incompletos, solicitudes inusuales, clientes emocionales y políticas contradictorias.

El modelo es solo una parte del coste de producción. Un sistema completo debe identificar al cliente, recuperar información de la cuenta, aplicar permisos, registrar decisiones y transferir los casos difíciles. También debe proteger los datos sensibles en cada paso.

La latencia crea otra capa de costes. Los clientes esperan que los sistemas conversacionales respondan rápidamente, incluso cuando una solicitud requiere varias llamadas al modelo. Un razonamiento más prolongado puede mejorar algunas respuestas, pero también consume más capacidad de cálculo y retrasa la conversación.

Las organizaciones pueden reducir la latencia con modelos más pequeños o respuestas en caché. Esas decisiones pueden reducir la calidad en casos complejos. Los equipos deben decidir dónde sigue siendo aceptable una respuesta más rápida y barata, y después demostrar esa elección mediante pruebas.

Los volúmenes de contacto también pueden cambiar tras el despliegue. Un canal digital más sencillo a veces atrae preguntas que los clientes antes abandonaban. La automatización puede reducir la atención de los agentes mientras aumenta el total de interacciones.

Por tanto, una compañía puede informar de una alta tasa de contención sin mejorar la economía general. La contención mide cuántas veces una conversación termina sin un agente humano. No revela si el cliente recibió una resolución correcta o duradera.

Los contactos repetidos importan más. Si un sistema de IA ofrece una respuesta incompleta, el cliente puede volver por chat, teléfono y correo electrónico. La primera interacción parece automatizada, mientras que el recorrido completo se vuelve más caro.

Las empresas necesitan métricas de resultados que conecten el comportamiento de la IA con los resultados de negocio. Estas incluyen tasas de contacto repetido, finalización satisfactoria de tareas, frecuencia de correcciones, calidad de la escalación y esfuerzo del cliente. El tiempo medio de gestión por sí solo no puede reflejar esos efectos.

La preparación de datos crea otro gasto importante. Las políticas de clientes suelen estar repartidas entre sitios web, plataformas de soporte, documentos internos y mensajes de empleados. Algunas fuentes están actualizadas, mientras que otras contienen instrucciones obsoletas o contradictorias.

Un modelo no puede resolver estos conflictos de forma fiable por sí solo. Los equipos necesitan reglas de propiedad, control de versiones, permisos y procesos de revisión. Una base de conocimiento de IA con capacidad de búsqueda puede respaldar la recuperación, pero la gobernanza del contenido sigue siendo una responsabilidad humana.

Los agentes de IA amplían el problema. Un agente puede seleccionar herramientas y ejecutar pasos hacia un objetivo, en lugar de limitarse a generar texto. Esa capacidad ayuda con cambios de pedidos, programación, resolución de problemas y actualizaciones de cuentas.

La acción también eleva el coste del error. Una respuesta débil puede frustrar a un cliente, mientras que una acción incorrecta puede modificar una cuenta o crear una obligación financiera. Las empresas deben añadir reglas de autorización, registros de auditoría y procedimientos de reversión.

La supervisión humana no desaparece en este modelo. Cambia de lugar. Los empleados pasan de gestionar cada solicitud a revisar excepciones, mantener el conocimiento, investigar fallos y mejorar el sistema.

Ese trabajo es difícil de estimar durante la contratación. Los proveedores pueden demostrar el rendimiento del modelo, pero no pueden predecir por completo el estado de los datos de una empresa. Tampoco pueden determinar cuánto riesgo aceptará la organización.

La carrera de infraestructura entre Amazon y Google intensifica este desafío al acelerar los lanzamientos de modelos y plataformas. Los lanzamientos más rápidos aportan nuevas capacidades, pero cada cambio puede afectar a la calidad de las respuestas, la latencia y el coste. Los equipos de producción deben decidir cuándo vale la pena volver a realizar pruebas pese a la disrupción.

Una plataforma de experiencia del cliente también puede depender de varios proveedores. Un proveedor suministra el centro de contacto, otro aloja los datos y un tercero proporciona el modelo. La observabilidad y la responsabilidad quedan divididas entre distintos contratos.

Cuando una respuesta se ralentiza o falla, la empresa debe identificar qué capa causó el problema. Esa investigación requiere tiempo y personal especializado. Los clientes experimentan el sistema combinado, no los límites entre proveedores.

Por tanto, la cuestión económica es más amplia que determinar si la IA cuesta menos que un minuto de atención de un agente. Los directivos deben comparar recorridos completos, incluida la automatización fallida, los contactos repetidos, la gobernanza, las integraciones y el uso de infraestructura.

Una implementación exitosa aún puede generar ahorros significativos. Las solicitudes rutinarias con políticas claras siguen siendo buenas candidatas. El riesgo surge al asumir que el éxito en un flujo de trabajo limitado establece la economía de todas las interacciones con clientes.

Un crecimiento más rápido de la nube no demuestra una mejor experiencia del cliente

Amazon y Google han demostrado que existe demanda de infraestructura de IA, pero no han demostrado que cada implementación empresarial produzca una mejor CX.

El crecimiento de AWS de Amazon y la aceleración de Google Cloud aportan evidencia del gasto de los clientes. No revelan qué parte de ese gasto respalda experimentos, entrenamiento, migraciones o sistemas de producción rentables.

Los ingresos de la nube también miden el resultado del proveedor, no el retorno del comprador. Un proveedor se beneficia cada vez que un cliente consume más capacidad de cómputo. El cliente solo se beneficia cuando ese consumo genera menores costes, mayores ingresos, menor riesgo o una mejor experiencia.

Esta diferencia crea una brecha de incentivos. Los proveedores quieren que las cargas de trabajo se expandan. Los líderes empresariales deben decidir qué cargas merecen ampliarse y cuáles deben seguir siendo deterministas, estar lideradas por humanos o no recibir soporte.

Los resultados de Alphabet ilustran ambas caras. El crecimiento de la nube alcanzó el 82 %, aunque la compañía también elevó su previsión de gasto de capital. La cobertura del trimestre señaló que los inversores cuestionaron si el aumento de la inversión en infraestructura presionaría la generación de efectivo.

La rápida expansión de Google no invalida su estrategia. La fuerte demanda de nube y una gran cartera de pedidos demuestran que los clientes valoran su capacidad. La incertidumbre se refiere al calendario y la sostenibilidad de los retornos.

Amazon afronta la misma prueba. Según la cobertura de resultados, el flujo de caja libre anual pasó a ser negativo a medida que se aceleraba el gasto. La empresa sostiene que la construcción actual respalda la futura demanda contratada.

Esta explicación es plausible porque los centros de datos tardan años en planificarse y construirse. Los servidores llegan más cerca de la puesta en marcha, mientras que los edificios pueden albergar varias generaciones de hardware. Amazon puede ajustar algunos pedidos de equipos si la demanda se debilita.

Sin embargo, no todos los costes siguen siendo flexibles. El terreno, los acuerdos de suministro eléctrico, la capacidad de red y la construcción representan compromisos de larga duración. La escasez de memoria y aceleradores también puede elevar los costes una vez que los planes de capacidad ya están en marcha.

Las empresas afrontan una versión menor de ese desajuste temporal. Pagan por la integración y la gobernanza antes de que la adopción sea predecible. Los beneficios llegan solo después de que los clientes utilicen el sistema con éxito y los equipos operativos rediseñen su trabajo.

Esto hace que los cálculos de retorno sean sensibles a las hipótesis. Un pequeño cambio en las tasas de escalamiento puede alterar las necesidades de personal. Una pequeña caída de calidad puede generar más contactos repetidos de los que elimina la automatización.

Los parámetros de referencia de los proveedores rara vez resuelven esa cuestión. Las pruebas estándar miden las capacidades de los modelos en condiciones definidas. La CX empresarial depende de datos privados, políticas locales, comportamiento de los clientes y la calidad de los sistemas conectados.

La visión escéptica también cuestiona la expresión «crisis de costes de la IA». El gasto en infraestructura por sí solo no demuestra que la CX empresarial se esté volviendo inasequible. El crecimiento de la nube sugiere que muchos clientes perciben suficiente valor como para seguir comprando.

La eficiencia puede mejorar rápidamente a medida que maduran los modelos, los chips y el software. Los modelos más pequeños ya gestionan tareas que antes requerían sistemas mayores. El silicio personalizado de Amazon y Google puede reducir costes para las cargas de trabajo adecuadas para esos chips.

La conclusión adecuada es más limitada. Las empresas no pueden tratar la reducción de los costes de los modelos como una garantía de menores costes totales. Las mejoras en la capa del modelo pueden verse compensadas por un mayor uso, un alcance más amplio, controles más estrictos y una mayor complejidad de integración.

Microsoft ofrece una comparación útil. Sus gastos de capital trimestrales aumentaron un 70 %, hasta los 41.000 millones de dólares, mientras que aproximadamente dos tercios respaldaron activos de vida más corta, como procesadores y chips gráficos. El ciclo de sustitución de activos muestra la rapidez con la que puede envejecer la infraestructura.

Ese ciclo afecta a los contratos de los clientes incluso cuando los proveedores absorben la compra inicial. Los proveedores deben recuperar eventualmente el capital mediante la utilización, los precios o servicios de mayor valor. La competencia limita su libertad, pero no elimina el gasto subyacente.

Los líderes de CX deben someter a prueba tanto las afirmaciones optimistas como las pesimistas. No deben asumir que cada conversación automatizada genera ahorros. Tampoco deben asumir que el elevado gasto de los hyperscalers significa que la adopción de IA carece de un retorno viable.

La evidencia decisiva proviene de resultados estables en producción. Un sistema debe mantener la calidad durante los picos, las actualizaciones de modelos, los cambios de políticas y las solicitudes inusuales. También debe generar beneficios después de contabilizar todo el trabajo de apoyo.

Qué deben vigilar ahora los compradores empresariales de IA

Tres señales mostrarán si el ciclo actual de gasto reduce los costes de CX empresarial o simplemente los traslada a nuevas categorías.

La primera señal es la conversión por parte de Amazon de capacidad en crecimiento sostenido de AWS y generación positiva de efectivo. Su argumento actual depende de que la infraestructura entre en servicio y atienda la demanda comprometida. El fuerte crecimiento debe superar finalmente la carga de efectivo creada por la construcción y el hardware.

El crecimiento de AWS alcanzó el 37 % en el segundo trimestre. La empresa también aumentó el gasto porque la memoria se encareció. Los próximos trimestres deberán mostrar si esa inversión adicional respalda ingresos duraderos sin debilitar permanentemente la generación de efectivo.

Un regreso al flujo de caja libre positivo junto con una aceleración continua de AWS reforzaría el caso de Amazon. Un crecimiento más lento de la nube con otro aumento del gasto lo debilitaría. Los compradores de CX deben vigilar ambas cifras en lugar de considerar el crecimiento de los ingresos como evidencia suficiente.

La segunda señal es la capacidad de Google Cloud para mantener un crecimiento excepcional mientras gestiona su mayor plan de capital. Google informó de un crecimiento de la nube del 82 % y una cartera de pedidos de 514.000 millones de dólares. Estas cifras establecen una comparación exigente para los próximos trimestres.

Google también afirma que casi el 90 % de las empresas del Fortune 100 utiliza Gemini Enterprise. La siguiente cuestión se refiere a la profundidad, no al número de logotipos. Los compradores necesitan evidencia de que las empresas están pasando del acceso y los pilotos a cargas de trabajo de producción recurrentes.

Google destacó casi 70 millones de descargas de su Agent Development Kit, un marco para crear agentes de IA empresariales. Las descargas indican interés de los desarrolladores, pero no miden implementaciones activas ni resultados para los clientes. El uso en producción proporcionará una señal de adopción más sólida.

Si Google sostiene el crecimiento de la nube mientras la intensidad de capital se estabiliza, la carrera entre Amazon y Google podría reducir los costes unitarios mediante escala y silicio personalizado. Si el gasto sigue creciendo más rápido que la monetización, los clientes deberían esperar una gestión de uso más estricta y mayor presión para comprometerse.

La tercera señal es un rendimiento de CX medible dentro de las empresas. Los compradores deben pedir a los proveedores y equipos internos métricas de recorridos completos, no precisión de demostración. Esas mediciones deben incluir la finalización de tareas, contactos repetidos, escalaciones, correcciones y esfuerzo del cliente.

El coste por interacción automatizada sigue siendo útil, pero solo dentro de ese conjunto más amplio. Una respuesta barata que genera otro contacto no es barata. Una respuesta más cara que completa una tarea difícil puede producir una mejor economía.

Las empresas también deben rastrear con qué frecuencia los sistemas requieren intervención humana después de la implementación. Esa cifra incluye las escalaciones visibles y el trabajo de mantenimiento invisible. Las actualizaciones de conocimiento, los cambios de prompts, las revisiones de incidentes y las comprobaciones de cumplimiento consumen mano de obra.

Los equipos de contratación pueden mejorar sus decisiones separando tres categorías de costes. La infraestructura cubre las llamadas al modelo, el almacenamiento, las redes y la capacidad reservada. La implementación cubre las integraciones, la preparación de datos, las pruebas y el diseño de flujos de trabajo.

Las operaciones cubren la supervisión, la evaluación, la propiedad de contenido, las revisiones de seguridad y la gestión de excepciones. Una propuesta de proveedor que combine estas categorías puede ocultar dónde aparecerán los aumentos futuros.

Los compradores también deben exigir portabilidad cuando aporte valor práctico. El enrutamiento de modelos y las interfaces comunes pueden reducir la dependencia de un único proveedor. La portabilidad completa sigue siendo difícil porque las nubes difieren en identidad, datos, monitorización y herramientas para agentes.

El objetivo no debe ser la independencia teórica. Debe ser suficiente flexibilidad para trasladar cargas de trabajo seleccionadas cuando cambien el coste, la calidad o el riesgo. Esta posición otorga capacidad de negociación a las empresas sin obligarlas a mantener sistemas idénticos en todas partes.

Los equipos deben comenzar con flujos de trabajo cuyo resultado deseado sea observable. El estado de los pedidos, los cambios de citas y las rutas de resolución de problemas aprobadas tienen señales de finalización más claras. El asesoramiento abierto y las decisiones sensibles sobre cuentas requieren mayor cautela.

Después deben medir todo el recorrido antes de ampliarlo. Un piloto exitoso solo adquiere significado después de resistir tráfico real y cambios de políticas. La expansión debe seguir la evidencia, no la disponibilidad de un modelo más reciente.

La competencia entre Amazon y Google seguirá produciendo modelos más rápidos y mayor capacidad de nube. No resolverá la calidad de los datos, la rendición de cuentas ni el diseño de flujos de trabajo de cada empresa. Estos siguen siendo problemas operativos locales.

Los líderes de experiencia del cliente ahora enfrentan una elección directa. Pueden tratar la IA como una reserva creciente de inteligencia barata o gestionarla como un costoso sistema de producción. La segunda visión genera mejores preguntas sobre calidad, propiedad y retorno.

Antes de aprobar la próxima expansión de IA, identifique el resultado empresarial que debe mejorar y cada coste necesario para lograrlo. Después mida el rendimiento una vez incluidas las escalaciones, los contactos repetidos y la supervisión humana. Si el sistema sigue creando valor, amplíelo con confianza. Si el caso de negocio depende de ignorar esos costes, un modelo más grande o un mayor compromiso con la nube no lo repararán. La carrera de gasto entre Amazon y Google pone más capacidad a disposición, pero las empresas deben decidir dónde esa capacidad se gana su lugar.