La IA más barata está reduciendo el coste de la automatización empresarial, pero no su mayor cuello de botella

Google News destacó esta semana una afirmación llamativa: la IA se está abaratando, pese al enorme gasto detrás de los modelos de frontera y los centros de datos.

La tendencia subyacente es real, aunque el artículo original ofrece evidencia limitada a través de su publicación sindicada. Investigaciones independientes muestran que capacidades comparables de IA ahora cuestan mucho menos de ejecutar. Los modelos más pequeños también realizan tareas que antes estaban reservadas para sistemas mucho mayores.

Este cambio pone en entredicho una suposición empresarial conocida. Las empresas han tratado a menudo el gasto en modelos como la principal barrera para automatizar el trabajo rutinario basado en conocimiento. La caída de los costes de inferencia debilita ese argumento, pero no convierte la automatización fiable en algo automático.

La nueva competencia no es simplemente Google frente a OpenAI, Anthropic u otro proveedor de modelos. Es el acceso barato a modelos frente al costoso trabajo organizativo necesario para convertir los resultados de los modelos en acciones empresariales fiables.

Esta distinción importa para la atención al cliente, el procesamiento de documentos, la investigación, el desarrollo de software, las operaciones de ventas y la gestión interna del conocimiento. Una factura baja de modelos puede facilitar la experimentación. No puede resolver datos deficientes, responsabilidades poco claras, evaluaciones poco fiables o circuitos de aprobación mal diseñados.

Google News está destacando un cambio de costes medible

El cambio importante no es que todos los modelos de IA se hayan vuelto baratos. Niveles comparables de capacidad se han vuelto drásticamente más baratos de acceder.

El AI Index 2025 de Stanford midió el coste de inferencia en un umbral fijo de rendimiento. La inferencia es el trabajo computacional necesario cuando un modelo entrenado responde a una solicitud.

Sus datos sobre costes de inferencia hallaron una reducción superior a 280 veces entre noviembre de 2022 y octubre de 2024. La comparación utilizó sistemas que alcanzaban aproximadamente un rendimiento de nivel GPT-3.5 en el benchmark de conocimiento MMLU.

Ese método importa porque los precios brutos de los modelos pueden generar comparaciones engañosas. Un sistema más nuevo podría cobrar más por token y aun así resolver una tarea con menos tokens o menos reintentos.

Las comparaciones de rendimiento fijo plantean una pregunta empresarial más útil. ¿Cuánto debe gastar hoy una empresa para obtener un resultado similar a un nivel de capacidad anterior?

La respuesta ha caído rápidamente para varias tareas lingüísticas comunes. Stanford también informó descensos anuales de entre nueve y 900 veces, según el benchmark y la tarea.

Varias fuerzas están actuando a la vez. Los modelos más pequeños se han vuelto más capaces, el hardware ha mejorado y los proveedores han optimizado cómo los modelos entrenados procesan las solicitudes.

La arquitectura de los modelos también ha cambiado. Los sistemas de mezcla de expertos activan partes seleccionadas de un modelo para cada solicitud en lugar de usar todos los parámetros cada vez. La cuantización reduce la precisión numérica necesaria para muchos cálculos.

El almacenamiento en caché puede evitar que los sistemas procesen repetidamente el mismo contexto. La inferencia por lotes agrupa solicitudes para que los proveedores puedan utilizar la capacidad de cómputo de forma más eficiente.

Estos métodos no generan ahorros idénticos en todas las aplicaciones. Las tareas de razonamiento prolongado, la generación de imágenes, el procesamiento de vídeo y el análisis de contextos extensos pueden seguir siendo exigentes desde el punto de vista computacional.

Aun así, la dirección es difícil de descartar. Artificial Analysis realiza un seguimiento independiente de la calidad, la velocidad y los requisitos operativos de los modelos entre proveedores. Sus tendencias de eficiencia muestran reducciones continuas en el coste de alcanzar determinados niveles de inteligencia.

El rendimiento también está convergiendo en la parte alta. El AI Index 2026 de Stanford situó a modelos de Anthropic, xAI, Google, OpenAI, Alibaba y DeepSeek dentro de un rango relativamente estrecho.

Esa convergencia desplaza la competencia hacia la fiabilidad, la latencia, los controles de despliegue y el coste por tarea completada. Un proveedor ya no puede depender por completo de tener la puntuación más alta en un benchmark general.

Google News no creó esta tendencia. Expuso una pregunta que más líderes empresariales necesitan responder ahora.

Si la inteligencia utilizable se vuelve abundante, ¿qué procesos pasan a ser rentables de automatizar?

La IA más barata cambia el umbral de automatización

Los menores costes de inferencia amplían el conjunto de tareas que merece la pena probar, especialmente las que se repiten con frecuencia en grandes organizaciones.

Toda propuesta de automatización tiene un umbral económico. Los ahorros esperados en mano de obra, velocidad, calidad e ingresos deben superar los costes de desarrollo, operación, revisión y fallos.

El uso de modelos representa solo una parte de ese cálculo. Sin embargo, puede volverse considerable cuando un flujo de trabajo gestiona millones de documentos, mensajes, llamadas o transacciones.

Un menor gasto en modelos mejora la economía de las tareas de gran volumen. También da a los equipos más margen para realizar evaluaciones, comparar resultados y reintentar pasos fallidos.

Pensemos en una aseguradora que clasifica documentos entrantes. Un sistema podría identificar tipos de documentos, extraer campos y derivar los casos inciertos a empleados.

El modelo no necesita resolver siniestros de forma autónoma. Solo necesita reducir el trabajo de clasificación sin ocultar casos inusuales.

Un minorista podría aplicar el mismo patrón a descripciones de productos, mensajes de clientes o registros de proveedores. Un equipo de software podría clasificar informes de errores antes de asignarlos al repositorio correcto.

Los equipos de operaciones de ventas podrían resumir la actividad de cuentas y redactar notas de seguimiento. Los equipos jurídicos podrían localizar cláusulas en colecciones de documentos aprobados, manteniendo la interpretación en manos de revisores cualificados.

Esto ya era técnicamente posible antes de las últimas reducciones de costes. Una inferencia más barata cambia cuántos registros puede procesar una empresa y con qué frecuencia puede volver a comprobar los resultados.

También permite el enrutamiento de modelos. Un sistema de enrutamiento envía las solicitudes simples a un modelo más pequeño y reserva sistemas más capaces para los casos difíciles.

Ese diseño se parece a cómo las organizaciones distribuyen el trabajo entre personal junior, especialistas y directivos. La diferencia es que las reglas de enrutamiento deben probarse frente a patrones de error reales.

Los menores costes también pueden respaldar la verificación en paralelo. Dos modelos pueden procesar la misma solicitud sensible, mientras otro componente compara sus conclusiones.

Este enfoque añade trabajo computacional. Aun así, puede seguir siendo rentable cuando las llamadas individuales se vuelven económicas.

Los candidatos iniciales más sólidos comparten varias características. Tienen entradas medibles, se repiten con frecuencia, admiten una revisión estructurada y generan errores recuperables.

Las tareas que implican decisiones irreversibles requieren un estándar distinto. Las acciones laborales, las decisiones crediticias, los juicios médicos y los compromisos legales necesitan una gobernanza más sólida que la clasificación rutinaria.

La adopción empresarial ya se está ampliando. Los hallazgos sobre adopción corporativa de Stanford indican que el 88 por ciento de las organizaciones encuestadas utilizó IA durante 2025.

La misma investigación señala que el 70 por ciento utilizó IA generativa en al menos una función empresarial. Sin embargo, el despliegue de agentes se mantuvo en cifras de un solo dígito en casi todas las funciones.

Esa brecha es la verdadera historia detrás de la IA más barata. Las empresas utilizan modelos ampliamente, pero pocas les confían una acción sostenida e independiente.

Por tanto, la siguiente etapa de la automatización depende de cerrar la distancia entre generar contenido y completar trabajo controlado.

Los modelos baratos se enfrentan a flujos de trabajo caros

El acceso a modelos se está convirtiendo en una mercancía, mientras que el diseño de flujos de trabajo sigue siendo específico, intensivo en mano de obra y difícil de replicar.

Un modelo puede resumir un contrato sin entender quién puede aprobar sus recomendaciones. Puede redactar una respuesta a un cliente sin saber qué reembolso requiere una escalada.

Esas reglas viven dentro de políticas, bases de datos, hábitos de los equipos y excepciones no documentadas. Rara vez llegan en un formato limpio y apto para la automatización.

Un flujo de trabajo fiable debe conectar varias capas. Necesita los datos, permisos, prompts, herramientas, reglas de validación, registros y rutas de recuperación correctos.

Cada capa introduce modos de fallo. Un modelo podría recuperar una política obsoleta, llamar a la herramienta equivocada, interpretar mal una solicitud ambigua o devolver texto válido en una estructura no válida.

La organización debe decidir qué ocurre después. ¿Debe el sistema reintentar, pedir aclaración, escalar o detenerse?

Esa decisión no puede derivarse de un benchmark de modelos general. Depende del proceso empresarial y de las consecuencias de equivocarse.

La preparación de datos suele convertirse en el primer cuello de botella costoso. La información de la empresa está dispersa entre documentos, sistemas de chat, herramientas de tickets, archivos locales y la memoria de los empleados.

Los documentos duplicados generan respuestas contradictorias. La falta de responsables deja poco claro qué fuente debe regir una decisión.

Por eso la gestión del conocimiento sigue estrechamente vinculada a la automatización. Un agente fiable necesita acceso a información actualizada, pero también límites en torno a ese acceso.

Herramientas como una base de conocimiento personal pueden mejorar la recuperación de información para la investigación y los flujos de trabajo individuales. La automatización empresarial requiere controles adicionales de permisos, retención y auditoría.

La evaluación crea otro centro de costes. Los equipos no pueden juzgar un sistema de producción usando unas pocas demostraciones impresionantes.

Necesitan casos de prueba representativos, incluidas entradas poco frecuentes y solicitudes adversariales. También necesitan una definición clara de comportamiento aceptable.

La precisión por sí sola puede no captar el riesgo operativo. Un agente de soporte que responde correctamente a la mayoría de las preguntas podría seguir emitiendo promesas no autorizadas en un pequeño número de casos.

Ese error poco frecuente puede superar miles de respuestas exitosas. Por tanto, las empresas deben medir la gravedad, no solo la frecuencia.

La revisión humana también tiene un coste de diseño. Exigir aprobación para cada resultado puede eliminar la eficiencia obtenida con la automatización.

Eliminar por completo la aprobación puede exponer a la empresa a errores inaceptables. Los sistemas eficaces sitúan la revisión en torno a la incertidumbre, las consecuencias materiales y la actividad inusual.

El trabajo de integración añade más gasto. Muchos sistemas empresariales se diseñaron para software predecible, no para agentes probabilísticos.

El software tradicional sigue reglas explícitas. Los modelos generativos producen respuestas con redacción y vías de razonamiento variables, incluso cuando las entradas parecen similares.

Los desarrolladores deben convertir esas salidas en acciones controladas. Los esquemas estructurados, los permisos de herramientas restringidos y las comprobaciones deterministas de políticas ayudan a reducir la incertidumbre.

La supervisión debe continuar después del lanzamiento. Los proveedores de modelos actualizan los sistemas, los datos internos cambian y el comportamiento de los usuarios se desplaza.

Un flujo de trabajo que funcionó bien durante las pruebas puede degradarse cuando aparecen nuevos nombres de productos o políticas. La caída de los costes de inferencia no elimina esta carga de mantenimiento.

Incluso puede aumentarla al fomentar más experimentos. Una empresa podría acumular rápidamente decenas de asistentes desconectados sin una propiedad o evaluación coherentes.

Las organizaciones ganadoras no serán las que realicen más llamadas a modelos. Construirán métodos repetibles para convertir llamadas económicas en resultados gobernados.

La automatización empresarial pasa de la asistencia a la acción

El cambio más trascendental comienza cuando la IA pasa de redactar una respuesta a modificar un sistema de registro.

Muchos despliegues actuales ayudan a los empleados sin actuar de forma independiente. Resumen reuniones, redactan correos electrónicos, sugieren código o recuperan documentos.

Estos usos crean valor mientras mantienen a una persona entre el modelo y la decisión final. Los errores son visibles antes de llegar a los clientes o a los sistemas operativos.

Los flujos de trabajo agénticos cruzan esa frontera. Un agente de IA es un software que selecciona y ejecuta pasos para alcanzar un objetivo, a menudo mediante el uso de herramientas externas.

Un agente de atención podría recuperar un pedido, comprobar una política, ofrecer una solución autorizada y actualizar el ticket de soporte. Un agente de compras podría comparar solicitudes con las normas de adquisición.

La inferencia más barata respalda estos flujos de trabajo porque un agente suele necesitar varias llamadas al modelo para completar una tarea. Puede planificar, recuperar información, validar detalles e inspeccionar su propio resultado.

La métrica relevante ya no es el coste por token. Es el coste por tarea completada con éxito tras reintentos, revisión y corrección.

Un modelo aparentemente económico puede resultar costoso cuando falla repetidamente. Un modelo más capaz puede ser rentable si finaliza de forma fiable con menos pasos.

Por tanto, las empresas deberían evaluar flujos de trabajo completos en lugar de prompts aislados. Deben medir la finalización, las tasas de excepción, el tiempo de revisión, la latencia y los errores posteriores.

La comparación entre modelos pequeños y de frontera también pasa a depender de la tarea. Un modelo compacto puede manejar bien la clasificación, pero tener dificultades con solicitudes ambiguas de varios pasos.

El enrutamiento puede combinar ambos enfoques. Los casos sencillos pueden utilizar un sistema más pequeño, mientras que los casos inusuales pasan a un modelo más potente o a un empleado.

Esta estructura hace que la automatización sea gradual. Las empresas no tienen que elegir entre el trabajo manual y la autonomía total.

Pueden empezar con sugerencias y luego permitir acciones restringidas. Una autoridad más amplia solo debería llegar después de que el rendimiento medido la justifique.

La ingeniería de software ofrece un ejemplo útil. Los modelos ya redactan código, explican repositorios, generan pruebas e investigan errores.

Permitir que un agente modifique infraestructura de producción implica un riesgo mucho mayor. El flujo de trabajo necesita entornos aislados, pruebas, límites de acceso y mecanismos de reversión.

La atención al cliente sigue la misma progresión. Redactar una respuesta no es lo mismo que emitir un reembolso, cancelar una cuenta o modificar un contrato.

El trabajo de conocimiento también contiene dependencias ocultas. Una tarea de investigación podría requerir distinguir entre evidencia aprobada y especulación.

Una IA más barata hace que la búsqueda y síntesis repetidas resulten económicas. No garantiza que un sistema identifique la fuente autorizada.

Esta distinción genera presión para los proveedores de modelos y los proveedores de software empresarial. Los proveedores deben demostrar que sus sistemas ofrecen resultados fiables, no solo puntuaciones atractivas en benchmarks.

Los proveedores de software deben explicar cómo funcionan los permisos, la observabilidad y la escalada a humanos. Una interfaz conversacional por sí sola no constituye automatización empresarial.

Los empleados también afrontarán expectativas cambiantes. La redacción rutinaria pierde valor cuando los modelos pueden producir rápidamente primeras versiones aceptables.

El criterio, la gestión de excepciones, la verificación de fuentes y la responsabilidad sobre los procesos se vuelven más importantes. Estas habilidades determinan cuándo debe avanzar la automatización y cuándo debe detenerse.

La frontera de la automatización avanzará de forma desigual. El trabajo administrativo estructurado suele avanzar primero, mientras que las decisiones ambiguas y de alta responsabilidad mantienen un control humano más firme.

Lo que no muestran los costes decrecientes

Una inferencia más barata reduce un gasto, pero puede aumentar el uso, la exposición y la demanda de infraestructura en toda la organización.

La primera incertidumbre se refiere a la medición. Una caída drástica en un umbral de benchmark no significa que todas las cargas de trabajo modernas se hayan abaratado en la misma proporción.

MMLU mide conocimientos académicos amplios mediante preguntas de opción múltiple. No evalúa directamente el uso de herramientas, la investigación prolongada, el cumplimiento de políticas ni la fiabilidad en producción.

Los modelos de razonamiento pueden consumir muchos tokens antes de producir una respuesta. Los flujos de trabajo agénticos pueden generar largas cadenas de llamadas e interacciones con herramientas.

Por tanto, un menor coste unitario puede coexistir con una factura total más alta. Esto se parece al efecto rebote observado cuando la eficiencia facilita el consumo de un recurso.

La demanda puede crecer más rápido de lo que mejora la eficiencia. Más empleados utilizan el sistema, más productos lo incorporan y los flujos de trabajo se ejecutan de forma continua en vez de ocasional.

Los requisitos de infraestructura siguen siendo considerables. La Agencia Internacional de la Energía espera que la demanda de centros de datos se más que duplique para 2030.

La agencia identifica a la IA como el impulsor más importante de ese crecimiento. Las limitaciones de las redes eléctricas locales aún pueden retrasar la capacidad, incluso si las llamadas individuales al modelo se vuelven más eficientes.

Los costes de riesgo también pueden aumentar con el volumen de automatización. Un sistema que comete un error grave en una de cada mil acciones se vuelve más peligroso cuando ejecuta millones de acciones.

Los sistemas generativos pueden producir afirmaciones falsas, exponer información sensible o seguir instrucciones maliciosas ocultas en contenido recuperado.

La inyección de prompts es un ejemplo. Un atacante coloca instrucciones dentro de datos que un sistema de IA lee posteriormente, intentando anular el flujo de trabajo previsto.

Las herramientas restringidas y las comprobaciones deterministas pueden limitar los daños. Ninguna defensa por sí sola elimina la necesidad de supervisión y respuesta ante incidentes.

El perfil de IA generativa de NIST ofrece un útil contrapunto a las discusiones centradas en costes. Hace hincapié en la gobernanza, la medición y la gestión de riesgos durante todo el ciclo de vida de la IA.

Las empresas también deben considerar la dependencia de proveedores. Los bajos costes iniciales pueden atraer cargas de trabajo que después resultan difíciles de trasladar.

Los modelos difieren en formatos de salida, interfaces de herramientas, comportamiento de seguridad y manejo del contexto. Cambiar de proveedor puede requerir nuevas evaluaciones y modificaciones de los flujos de trabajo.

Los modelos de pesos abiertos ofrecen otra vía. Las empresas pueden desplegarlos mediante servicios en la nube o infraestructura controlada, con mayor flexibilidad sobre el tratamiento de datos y la personalización.

Esa flexibilidad transfiere la responsabilidad operativa a la empresa. Los equipos deben gestionar el alojamiento, las actualizaciones, la seguridad y el rendimiento.

El impacto laboral también sigue siendo incierto. Una automatización más barata no se traduce directamente en reducciones proporcionales de empleo.

Las empresas suelen reorganizar las tareas antes de modificar las plantillas. Los empleados pueden dedicar menos tiempo a redactar y más a revisar, coordinar o gestionar excepciones.

Una automatización mal diseñada incluso puede crear trabajo adicional. El personal puede necesitar corregir errores plausibles que son más difíciles de detectar que los fallos evidentes.

Los líderes deberían considerar los menores costes de los modelos como una autorización para probar con más cuidado, no como permiso para eliminar controles. La oportunidad económica es real, pero también lo es la brecha de verificación.

Tres señales mostrarán qué automatizarán las empresas a continuación

La siguiente fase será visible a través de las tasas de finalización de flujos de trabajo, los controles del software empresarial y la evidencia de valor operativo sostenido.

La primera señal es el rendimiento a nivel de tarea en producción. Observe si las empresas informan de resultados completados en lugar de adopción de modelos o acceso de empleados.

Las medidas útiles incluyen la resolución satisfactoria de casos, la frecuencia de excepciones, el tiempo de revisión, las tasas de reversión y las correcciones de clientes.

Un número creciente de finalizaciones fiables reforzaría la tesis de que una IA más barata amplía la automatización. Las tasas persistentes de escalada la debilitarían.

La segunda señal es cómo las plataformas empresariales empaquetan los controles para agentes. Los proveedores ofrecen cada vez más permisos de herramientas, sistemas de evaluación, registros de auditoría y pasos de aprobación humana.

Estas funciones importan más que otra interfaz conversacional. Determinan si las empresas pueden otorgar a los modelos una autoridad limitada sin perder la rendición de cuentas.

Los controles estandarizados reducirían el trabajo de despliegue en muchos casos de uso. Los controles fragmentados mantendrían cada proyecto caro y lento.

La tercera señal es la evidencia de valor financiero duradero. Las empresas deberían vincular la automatización con el tiempo de ciclo, la calidad del servicio, los ingresos o ahorros operativos medibles.

El uso de modelos por sí solo no es evidencia de valor. Tampoco lo son las demostraciones basadas en ejemplos inusualmente limpios.

Las mejoras sostenidas durante varios trimestres demostrarían que las organizaciones han resuelto algo más que la economía de la inferencia. Indicarían avances en el rediseño de procesos, la calidad de los datos y la adopción.

Las mejoras débiles o inconsistentes sugerirían que los modelos baratos principalmente aumentaron la experimentación. Ese resultado seguiría beneficiando a los proveedores, pero no confirmaría una automatización autónoma generalizada.

Google News seguirá mostrando historias sobre la caída de los costes de los modelos porque las cifras son llamativas. Los líderes empresariales deberían interpretar esas cifras como el comienzo del análisis.

La pregunta decisiva no es si una solicitud de IA se volvió más barata. Es si el flujo de trabajo completo se volvió lo bastante fiable como para ejecutarse repetidamente.

Los equipos pueden actuar ahora sin conceder una autonomía amplia. Pueden seleccionar un proceso frecuente, definir sus límites de fallo y medir cada traspaso.

Pueden comparar tamaños de modelo utilizando resultados de tareas completadas. También pueden identificar qué decisiones deben seguir siendo deterministas o requerir aprobación humana.

Las empresas que hagan este trabajo obtendrán más de la reducción de costes que quienes persigan el modelo más barato. Sabrán dónde la inteligencia de bajo coste genera ventaja.

¿Qué proceso de su organización tiene suficiente volumen, evidencia y reversibilidad como para justificar una prueba de automatización controlada? Empiece por ahí, mida el resultado completo y amplíe solo cuando la evidencia lo respalde.