La advertencia de Bain sobre los costes de IA en telecom expone una trampa de opex

Bain ha emitido una advertencia sobre los costes de IA en telecom con un giro contundente: el gasto en automatización puede aumentar los gastos operativos incluso después de que desaparezcan puestos y tareas. La firma estima que los agentes de IA, los tokens y los servicios de datos relacionados podrían llegar a representar entre el 20 % y el 30 % de la base de costes de un operador.

La advertencia cuestiona una suposición habitual detrás de los programas de IA en telecomunicaciones. Los modelos más baratos y menos tareas manuales no garantizan un presupuesto operativo menor. Si los operadores conservan sus sistemas, contratos, aprobaciones y flujos de trabajo humanos actuales, la IA se convierte en otro gasto superpuesto a la estructura anterior.

El conflicto importa porque los operadores ya aplican IA en atención al cliente, operaciones de red, ingeniería de software y sistemas de soporte empresarial. AT&T está experimentando con el enrutamiento de modelos y modelos abiertos, mientras que Microsoft impulsa agentes especializados para redes. El argumento de Bain es que estas herramientas solo generan ahorros cuando los operadores rediseñan el trabajo a su alrededor.

La advertencia de Bain sobre los costes de IA en telecom cambia la ecuación del ahorro

El mensaje central de Bain es que las telecos pueden sustituir parte de su base de costes por IA, o añadir gasto en IA sin eliminar los costes que debía reemplazar.

La firma publicó su análisis de telecomunicaciones el 10 de septiembre de 2026. Describe un probable cambio en las estructuras operativas de las telecomunicaciones durante los próximos tres a cinco años. Los agentes de IA realizarán o respaldarán más trabajo, mientras las personas conservarán la responsabilidad de las decisiones críticas.

Bain presenta un posible modelo operativo en el que los gastos tradicionales representan entre el 70 % y el 80 % de los costes totales. Los agentes de IA, el consumo de tokens y los servicios relacionados conforman el 20 % al 30 % restante.

Ese modelo no es en sí mismo una previsión de ahorro. Describe un cambio en aquello por lo que pagan los operadores y en cómo se comportan esos gastos.

En el escenario favorable, los costes de IA sustituyen una proporción comparable del gasto heredado. Los operadores eliminan trabajo redundante, simplifican procesos, reducen software innecesario y modifican sus necesidades de personal. Los costes totales podrían mantenerse en términos generales estables mientras mejoran la velocidad, la capacidad o la calidad del servicio.

El escenario peligroso comienza cuando un operador añade los mismos gastos de IA sin retirar buena parte de la base existente. Los empleados siguen procesos establecidos. Las suscripciones de software continúan activas. Los acuerdos de externalización se mantienen. Los asistentes de IA resuelven pasos aislados, pero no eliminan traspasos ni sistemas duplicados.

Los gastos operativos totales aumentan entonces en la misma medida que la nueva capa de IA. La productividad, la experiencia del cliente o los ingresos deben mejorar lo suficiente para justificar ese aumento. De lo contrario, el operador habrá financiado una organización más compleja, no una más eficiente.

La distinción es importante porque el gasto operativo, comúnmente abreviado como opex, se repite a medida que funciona el negocio. Un proyecto de capital fallido puede dejar un activo visible y una depreciación definida. En cambio, el uso de tokens, la inferencia en la nube, la monitorización y la revisión humana pueden generar costes mensuales variables distribuidos entre departamentos.

Los agentes de IA también generan gasto por algo más que el acceso al modelo. Llaman a herramientas de software, recuperan información almacenada, evalúan resultados, mantienen contexto y, en ocasiones, repiten pasos que no han tenido éxito. Los operadores deben pagar por la infraestructura y los controles que rodean esas acciones.

Por ello, Bain rechaza el coste por token como medida principal. Un token barato no revela si un flujo de trabajo automatizado resolvió un problema. La unidad útil es el coste de resolver una incidencia de cliente, gestionar un incidente de red, elaborar una propuesta o completar una versión de software.

La cobertura original recogió la implicación más contundente. Ninguna de las dos trayectorias ilustradas por Bain reduce automáticamente los costes totales. Una sustituye gasto tradicional por gasto en IA, mientras que la otra incrementa la factura combinada.

Eso es lo que ha cambiado. La conversación sobre IA en telecomunicaciones ya no gira únicamente en torno a si los modelos pueden automatizar trabajo. Se está convirtiendo en una prueba financiera sobre si los operadores pueden retirar los procesos, contratos y capas organizativas que la automatización vuelve innecesarios.

Los modelos más baratos aún pueden generar facturas mayores

La caída de los precios de los modelos importa menos cuando el uso, la complejidad de los flujos de trabajo y la demanda crecen más rápido que el descenso del coste por token.

Bain afirma que los precios de los modelos han caído aproximadamente diez veces cada año. Esto parece una vía directa para reducir el gasto en IA. Sin embargo, unos costes unitarios más bajos suelen fomentar un uso más amplio, prompts más extensos, razonamientos más complejos y agentes que funcionan durante más tiempo.

Un empleado que antes usaba IA para resumir un documento puede después pedirle que revise todo el historial de un caso. Un equipo de red puede pasar de generar notas de incidentes a coordinar el diagnóstico, la corrección, la validación y la escalada. Cada mejora amplía la cantidad de contexto, razonamiento y uso de herramientas implicados.

La IA agéntica amplifica ese efecto. Un agente de IA es software capaz de planificar y ejecutar una secuencia de acciones, en lugar de responder a un único prompt. Puede consultar varios sistemas, reconsiderar un resultado fallido y llamar a otro modelo antes de completar una tarea.

Esos ciclos pueden consumir tokens sin producir un resultado aceptable. El contexto repetido puede enviarse con cada llamada al modelo. Múltiples salvaguardas pueden inspeccionar la misma salida. Dos agentes pueden realizar comprobaciones solapadas porque equipos separados los diseñaron de forma independiente.

La factura del modelo también recoge solo una parte del gasto. Un flujo de trabajo de producción puede requerir software de orquestación, almacenamiento, observabilidad, evaluación, controles de ciberseguridad y supervisión humana. Los operadores pueden optimizar la inferencia y pasar por alto el sistema más amplio que la rodea.

La demanda crea otra fuente de presión. Una vez que los empleados descubren aplicaciones útiles, la adopción se extiende por las unidades de negocio. Las operaciones de red y la atención al cliente están especialmente expuestas porque contienen flujos de trabajo de gran volumen con amplias cantidades de contexto operativo.

Los equipos también pueden recurrir por defecto a modelos de razonamiento más recientes para trabajos rutinarios. Estos modelos pueden ofrecer un mejor análisis, pero sus cadenas de razonamiento más largas consumen más tokens. Pagar menos por cada token no ayuda cuando una tarea utiliza muchos más.

Este patrón se parece al efecto rebote observado en otras tecnologías. La eficiencia reduce el coste de una actividad individual, lo que anima a las personas a realizar más de ella. El consumo total puede aumentar aunque cada unidad se abarate.

Los operadores de telecomunicaciones afrontan una complicación adicional porque sus cargas de trabajo son persistentes. Las solicitudes de clientes, alarmas, tickets, cambios de configuración y comprobaciones de fraude continúan las veinticuatro horas. Un pequeño aumento en el coste de cada evento automatizado puede volverse significativo a escala de red.

Por tanto, la comparación correcta no es un modelo frente a otro. Los operadores deben comparar un flujo de trabajo habilitado por IA con el coste total y el resultado del proceso al que sustituye.

Ese cálculo debe incluir tasas de finalización, reintentos, escaladas, errores, supervisión, infraestructura y correcciones posteriores. También debe reconocer valor que no aparece como ahorro laboral inmediato, como una restauración más rápida o una menor pérdida de clientes.

El resultado puede favorecer a la IA incluso cuando aumenta el gasto directo. Un agente de red que acorta una interrupción grave puede generar un valor empresarial sustancial. Un chatbot que crea interacciones más largas sin resolver más solicitudes puede producir el efecto contrario.

Por eso el análisis de Bain sobre los costes de IA en telecom se centra en el coste por tarea completada. Obliga a los operadores a conectar el gasto con un resultado medible, en lugar de celebrar tarifas de tokens más bajas o una mayor adopción.

La verdadera trampa de opex es el modelo operativo dual

La IA se convierte en una trampa de opex cuando realiza trabajo nuevo en los márgenes mientras la organización heredada continúa operando sin cambios.

Las empresas de telecomunicaciones rara vez parten de sistemas limpios. Muchas operan redes de múltiples proveedores, plataformas de soporte empresarial personalizadas, acuerdos de externalización a largo plazo y software acumulado durante años de expansión y adquisiciones.

Añadir un asistente a ese entorno puede acelerar un paso. No elimina automáticamente los pasos restantes.

Pensemos en un agente de atención al cliente que usa IA para resumir una llamada. El resumen puede ahorrar tiempo, pero el empleado todavía gestiona la autenticación, busca en varios sistemas, solicita aprobaciones, actualiza registros y resuelve la incidencia del cliente. El operador sigue pagando por cada plataforma subyacente y cada traspaso organizativo.

Un asistente de operaciones de red crea el mismo riesgo. Puede clasificar una alarma o recomendar una respuesta, mientras los ingenieros continúan utilizando el proceso establecido de monitorización, gestión de tickets y escalada. La salida de la IA se convierte en otro artefacto que los empleados deben revisar.

Bain denomina a esto un modelo operativo dual. El flujo de trabajo liderado por personas permanece intacto, mientras la IA realiza fragmentos a su alrededor. Las licencias, los costes de externalización, las capas de gestión y los controles manuales sobreviven porque el proceso subyacente nunca cambia.

El rediseño de extremo a extremo produce un resultado diferente. Un operador comienza con el resultado, traza cada paso necesario para alcanzarlo y decide qué pasos deben desaparecer. La IA participa entonces en un proceso más simple, en lugar de adherirse a una complejidad heredada.

Bain cita como ejemplo el trabajo de Vivo en operaciones de red de bucle cerrado. Según la consultora, el operador rediseñó un proceso completo desde la detección hasta la resolución. La IA puede detectar anomalías, identificar causas probables, realizar acciones correctivas, validar resultados y escalar excepciones.

Esa estructura aborda todo el incidente, no un único paso analítico. La atención humana se desplaza hacia casos que requieren criterio o intervención. El flujo de trabajo puede generar valor incluso si el gasto en IA sigue siendo considerable, porque menos traspasos manuales retrasan la resolución.

Sin embargo, los operadores deben tratar los contratos con proveedores como parte del rediseño. Si los agentes asumen trabajo que antes se realizaba mediante licencias de software, proveedores de servicios externos o equipos subcontratados, esos compromisos deben reconsiderarse. De lo contrario, la automatización genera ahorros técnicos sin ahorros financieros.

La planificación de la plantilla exige la misma atención. Eliminar empleados con experiencia antes de que funcione el nuevo proceso puede debilitar la calidad del servicio y el conocimiento institucional. Mantener todos los puestos sin cambios después de que madure la automatización puede conservar costes duplicados.

Gartner añadió una advertencia más amplia el 9 de septiembre. Su previsión sobre el futuro del trabajo predice que el 30 % de los empleados despedidos debido a la sustitución por IA deberá ser recontratado para 2029. La firma espera que muchas contrataciones de regreso cuesten más, porque los canales de talento y el conocimiento institucional se habrán debilitado.

Esa predicción abarca sectores más allá de las telecomunicaciones, pero refuerza directamente la prueba de presión de Bain. Una reducción apresurada puede hacer que el caso de negocio inicial parezca atractivo y, posteriormente, generar costes de contratación, formación, servicio y remediación.

El objetivo no es proteger cada actividad existente. Es evitar tratar la reducción de plantilla como prueba de que el sistema rediseñado funciona.

Los operadores deben establecer primero si la IA puede completar el flujo de trabajo objetivo con una calidad y un riesgo aceptables. Después pueden cambiar funciones, contratos, aprobaciones y sistemas en torno a un rendimiento comprobado. Esa secuencia conecta el cambio organizativo con evidencia operativa.

La trampa de los gastos operativos no consiste, por tanto, simplemente en una inferencia costosa. Es la supervivencia de la base de costes de ayer bajo la capa de automatización del mañana.

AT&T muestra cómo funciona la economía de tokens en la práctica

La respuesta de AT&T ilustra la alternativa: ajustar la capacidad del modelo a cada tarea y diseñar la orquestación en torno al coste total del flujo de trabajo.

Bain afirma que AT&T analizó cómo procesar miles de millones de tokens cada día de forma más eficiente. El operador rediseñó su orquestación para que grandes agentes de coordinación pudieran delegar trabajo en modelos más pequeños y especializados.

Según el relato de AT&T citado por Bain, ese enfoque redujo los costes hasta en un 90% y triplicó el rendimiento. Las cifras representan una afirmación de la empresa, no una referencia sectorial auditada de forma independiente. Aun así, muestran qué intenta optimizar una estrategia seria de control de costes.

AT&T denomina tokenomics a su enfoque. En este contexto, tokenomics significa gestionar el consumo de modelos como un recurso operativo, tomando decisiones según la complejidad de la tarea, el rendimiento y el coste.

El operador ha explorado modelos abiertos porque proporcionan mayor control sobre el despliegue y la optimización. Su estrategia de tokenomics no depende de enviar cada solicitud al mayor modelo disponible.

Una tarea rutinaria de clasificación puede requerir un modelo pequeño. Un diagnóstico complejo de red puede justificar un sistema de razonamiento más capaz. Un agente coordinador puede dirigir el trabajo entre ellos en vez de utilizar un modelo caro en cada paso.

Esta estrategia importa porque la selección de modelos suele producirse de forma invisible. Los empleados eligen una herramienta conocida, o los desarrolladores fijan un modelo predeterminado para una aplicación. La diferencia de coste parece pequeña durante una prueba piloto, pero aumenta cuando el uso alcanza volumen de producción.

El enrutamiento crea sus propios costes y riesgos. El operador debe evaluar qué modelo puede gestionar cada tarea de forma fiable. Necesita reglas de respaldo, supervisión del rendimiento, controles de seguridad y límites claros para la revisión humana.

Aun así, esos mecanismos respaldan una mejor pregunta financiera. El operador puede preguntar qué combinación de modelos, herramientas y personas resuelve la tarea con el nivel de servicio requerido.

La experiencia de Microsoft ofrece una comparación útil. Su CTO para la industria de telecomunicaciones afirmó que los grandes modelos de detección de anomalías añadían una complejidad considerable y ofrecían una mejora limitada frente a los métodos estadísticos tradicionales. La empresa trasladó su atención de predecir cada fallo de red a responder rápidamente cuando ocurre uno.

Esa admisión es valiosa porque separa un caso de uso técnicamente interesante de uno financieramente útil. Un modelo más sofisticado no crea valor cuando métodos más simples rinden casi igual de bien.

Microsoft sigue viendo potencial en las operaciones de red y los sistemas de soporte empresarial. Su marco Network Operations Agent utiliza agentes especializados para funciones como telemetría, gestión de tickets, resolución de problemas y coordinación sobre el terreno.

Far EasTone Telecom ha utilizado ese marco en su centro de operaciones de red. Según el relato de despliegue de Microsoft, casi el 60% de las actividades del centro de operaciones de red del operador cuentan con asistencia de IA.

Asistido no significa autónomo. Microsoft mantiene supervisión humana para los cambios en su propia red, incluso cuando los agentes respaldan flujos operativos avanzados. Esa distinción limita el riesgo operativo, pero también conserva parte del coste humano.

Este es el equilibrio central en la gestión de costes de IA para telecomunicaciones de Bain. Los operadores quieren una mayor automatización, pero los requisitos de fiabilidad exigen evaluación, aprobaciones y rendición de cuentas. Eliminar la supervisión demasiado pronto puede provocar interrupciones o acciones incorrectas. Mantener una supervisión excesiva puede eliminar el beneficio económico.

El enfoque de AT&T no elimina esa tensión. La hace medible. El enrutamiento de modelos, los presupuestos específicos y la contabilidad por tarea permiten a los líderes ver dónde una mayor autonomía mejora el resultado y dónde solo aumenta el consumo.

La lección práctica no es que todas las telecos deban copiar una arquitectura. Es que el gasto en IA necesita un sistema de control diseñado antes de que la adopción alcance miles de millones de tokens diarios.

Lo que la narrativa de ahorro de costes todavía no demuestra

Bain ofrece un modelo operativo útil, pero sus porcentajes son escenarios, no ahorros o pérdidas verificados en todo el sector de las telecomunicaciones.

La estructura 70-30 es una estimación de cómo podrían evolucionar los costes. Bain señala que su ilustración no incorpora cambios absolutos en el gasto. No debe interpretarse como una predicción de que todos los operadores destinarán la misma proporción a la IA.

Los operadores tienen diferentes huellas de red, estructuras laborales, acuerdos de externalización, regulaciones y estrategias de nube. Un modelo que encaja en una empresa puede ser inapropiado para otra.

El coste de una tarea completada también depende del resultado elegido. Una interacción con clientes puede medirse por tiempo de gestión, resolución, satisfacción, retención o ingresos. Un programa de automatización puede parecer exitoso bajo una métrica y débil bajo otra.

Los incidentes de red plantean un problema similar. Un diagnóstico más rápido ayuda, pero el resultado solo importa si la recomendación es precisa y la reparación tiene éxito. Un agente que genera respuestas rápidas pero poco fiables puede aumentar el trabajo de revisión y corrección.

El argumento de Bain también presupone que los operadores pueden identificar y eliminar costes heredados. A menudo, ese es un desafío contractual y organizativo más que técnico. Un acuerdo de software puede durar años. Un control regulado puede seguir siendo obligatorio. Una función externalizada puede abarcar actividades que la IA solo gestiona parcialmente.

La incertidumbre sobre la demanda complica aún más la previsión. El consumo de tokens puede acelerarse a medida que los empleados encuentran más usos. También puede estabilizarse cuando mejora la gobernanza, maduran los modelos pequeños o la automatización convencional sustituye llamadas de IA innecesarias.

Los beneficios pueden aparecer fuera de la línea de gastos operativos. Una mayor fiabilidad de red puede reducir la pérdida de clientes. Una generación más rápida de propuestas puede mejorar la capacidad comercial. Los quioscos rurales automatizados pueden atender mercados que no sostendrían una tienda con personal.

Bain señala una prueba piloto de Telia con quioscos de autoservicio habilitados por IA en comunidades rurales. El ejemplo cambia la cuestión económica: pasa de reducir trabajo existente a atender una demanda que antes no era rentable.

Se trata de un caso de crecimiento, no de un simple caso de reducción de costes. Puede justificar un nuevo gasto en IA si el servicio genera ingresos o valor para el cliente suficientes. Tratar cada proyecto como un programa de reducción de gastos operativos pasaría por alto esa distinción.

También existe el riesgo de que las empresas utilicen la advertencia para frenar despliegues valiosos. Los gastos de IA son reales, pero también lo son los retrasos, las interrupciones, el trabajo repetitivo y la frustración de los clientes. Evitar todo coste variable preservaría las ineficiencias que los operadores quieren abordar.

La mejor respuesta es una experimentación disciplinada vinculada a resultados empresariales. Una prueba piloto debe establecer calidad, coste de finalización, adopción y riesgo operativo. También debe identificar exactamente qué gasto antiguo puede desaparecer si la prueba se escala.

Aquí es donde suelen fallar las pruebas de concepto. Una demostración puede mostrar que un modelo realiza una tarea. Rara vez demuestra que una organización pueda eliminar un flujo de trabajo, renegociar un contrato o cambiar la rendición de cuentas en torno a esa capacidad.

Por tanto, una lectura escéptica de la advertencia de Bain debe ser equilibrada. Su análisis no establece que la IA vaya a aumentar los costes totales de todos los operadores. Muestra por qué unos precios de modelos más bajos y pruebas piloto impresionantes son evidencia insuficiente de ahorro.

La carga recae ahora en los operadores. Deben publicar o validar internamente la economía a nivel de tarea, no simplemente cifras de adopción, volúmenes de tokens o anuncios de plantilla.

Tres señales mostrarán si las telecos escapan de la trampa

La próxima prueba será si los operadores conectan el consumo de IA con resultados completados, retiran costes duplicados y amplían flujos de trabajo comprobados sin debilitar el servicio.

La primera señal son los informes a nivel de tarea. Los operadores deberían seguir el coste completo de los casos de clientes resueltos, incidentes de red, lanzamientos de software y propuestas comerciales. Estas cifras deben incluir modelos, infraestructura, evaluaciones, reintentos, herramientas y revisión humana.

Si los costes por tarea bajan mientras la calidad de finalización se mantiene estable, la trayectoria favorable de Bain gana respaldo. Si las tarifas de tokens disminuyen pero el coste total por resultado aumenta, la trampa de los gastos operativos está tomando forma.

La segunda señal es la retirada visible de gastos heredados. Los operadores deberían demostrar que una automatización exitosa conduce a menos aplicaciones redundantes, cadenas de procesos más cortas, contratos de externalización revisados o funciones rediseñadas.

Las reducciones de plantilla por sí solas no bastan. La previsión de recontratación de Gartner pone de relieve el riesgo de eliminar personas antes de que la automatización, la formación y la gobernanza estén listas. Los ahorros sostenibles requieren que cambie el propio proceso.

La evidencia de que los operadores están reduciendo software duplicado y transferencias manuales reforzaría la tesis de Bain sobre el rediseño de flujos de trabajo. El crecimiento continuado tanto del gasto en IA como de los contratos heredados respaldaría su escenario de aumento gradual de costes.

La tercera señal es una expansión controlada desde pruebas piloto hacia flujos de trabajo de producción de alto valor. Bain recomienda seleccionar tres procesos costosos y difíciles para un rediseño integral. Atención al cliente, operaciones de red y entrega de software son candidatos evidentes.

Una expansión exitosa debería producir más que una demostración. Debería establecer propiedad, tasas de error aceptables, reglas de escalado a humanos y responsabilidad financiera. Cada agente debería tener un propietario identificado y un resultado medible.

Observe cómo los operadores hablan de estos programas en actualizaciones financieras y sesiones operativas. Las afirmaciones sobre el número de agentes o tokens consumidos revelan actividad, no valor. Las métricas vinculadas a resolución, restauración, retención, rendimiento y coste total revelan si el modelo operativo cambió.

Los próximos meses no resolverán la economía a largo plazo de la IA en telecomunicaciones. Pueden revelar si los ejecutivos han aceptado el desafío contable inmediato.

La investigación de Bain sobre costes de IA en telecomunicaciones deja a los operadores ante una elección concreta. Pueden seguir añadiendo asistentes a flujos de trabajo antiguos o reconstruir flujos seleccionados en torno a resultados medibles. Compradores y empleados deberían preguntar qué costes desaparecen cuando llega cada nuevo agente. Si los líderes no pueden responder a esa pregunta, la eficiencia prometida sigue siendo una previsión de gasto, no un resultado empresarial.