El gasto en IA de Ramp cayó en las principales empresas, poniendo en duda la apuesta de crecimiento de los hyperscalers
El gasto en IA de Ramp entre los usuarios empresariales más intensivos cayó un 9,7 % en agosto, pese a años de rápida expansión en el consumo empresarial de IA. El descenso redujo el gasto mensual por empleado del 1 % superior de empresas usuarias de IA, de 7.976 dólares a 7.205 dólares. Una desaceleración estival ofrece una explicación. La caída de los costes de los tokens y la creciente preferencia por modelos más baratos sugieren otra de mayor calado.
Los mismos datos mostraron que la adopción empresarial seguía aumentando, aunque apenas. Ramp descubrió que el 56 % de sus clientes compró productos de IA durante agosto, solo 0,4 puntos porcentuales por encima de julio. Esa combinación —adopción más lenta y menor gasto entre los mayores clientes— cuestiona los supuestos que sustentan el auge de la infraestructura.
OpenAI, Anthropic y sus socios hyperscaler necesitan que el uso se expanda para superar la caída de los precios unitarios. Los compradores empresariales quieren cada vez más el modelo menos costoso que complete cada tarea de forma fiable. Esa diferencia entre vender más inteligencia y ofrecer resultados más baratos ocupa ahora el centro de la economía de la IA.
El gasto en IA de Ramp perdió impulso en agosto
El descenso de agosto importa porque apareció entre los clientes que se espera que impulsen una parte desproporcionada de los futuros ingresos de la IA.
Ramp basó su último análisis en datos anonimizados de transacciones de más de 70.000 empresas. La plataforma financiera rastrea pagos de suscripciones de IA y uso de tokens, ofreciendo una visión directa de las compras corporativas.
El Índice de IA de septiembre concluyó que la adopción siguió creciendo durante agosto. Sin embargo, el ritmo se desaceleró lo suficiente como para plantear dudas sobre la demanda tras varios meses de intensa expansión.
Anthropic alcanzó una adopción del 43,8 % entre las empresas medidas por Ramp. Eso representó un aumento mensual de 0,34 puntos porcentuales. OpenAI subió solo 0,09 puntos porcentuales, hasta el 39,8 %.
Esos porcentajes miden las empresas que pagan a cada proveedor, no una cuota de mercado exclusiva. Las compañías pueden adquirir productos de varios proveedores de IA simultáneamente. Ramp había descubierto previamente que el 52 % de los clientes que utilizaban OpenAI o Anthropic usaba ambos.
El cambio más sorprendente apareció en la intensidad del gasto. El gasto mensual en IA por empleado entre el 1 % superior de adoptantes cayó de una cifra revisada de julio de 7.976 dólares a 7.205 dólares.
Ramp advierte que este grupo contiene relativamente pocas empresas. Por ello, su estimación es más volátil que las cifras de la empresa mediana o del 10 % superior. Las transacciones tardías también llevaron a Ramp a revisar al alza el resultado de julio.
Esa advertencia metodológica evita que un movimiento mensual se convierta en prueba de una retirada duradera. No hace que el descenso sea irrelevante. El 1 % superior aporta una proporción desmesurada de los ingresos disponibles para los proveedores de modelos.
Estos grandes adoptantes difieren drásticamente de la empresa típica. Los datos de gasto del verano de Ramp situaron el gasto mensual mediano en IA en 11,95 dólares por empleado en julio. El 10 % superior gastó alrededor de 650 dólares, mientras que el 1 % superior superó los 7.400 dólares.
La brecha muestra por qué la adopción agregada puede inducir a error. Añadir otro cliente con un compromiso limitado no compensa la reducción del gasto de una empresa que ejecuta agentes, sistemas de programación y flujos de trabajo automatizados en toda su operación.
Agosto también tiene un historial de actividad débil. Ramp observó poco crecimiento de la adopción entre agosto y octubre de 2025, seguido de una renovada expansión hacia el final del año. Los equipos de ingeniería suelen tomar vacaciones durante el verano, reduciendo el uso interactivo y automatizado.
Por tanto, la estacionalidad sigue siendo una explicación creíble. Sin embargo, el descenso del gasto llegó junto con cambios estructurales que no desaparecen cuando los empleados regresan. Los tokens se están abaratando, las empresas están estableciendo modelos predeterminados y los compradores están examinando los retornos.
Es mejor tratar la desaceleración como una señal temprana que como un veredicto definitivo. Muestra que los ingresos de la IA empresarial ya no aumentan automáticamente cada vez que crece la adopción.
Los tokens más baratos están cambiando el significado del crecimiento
Los menores costes de los tokens benefician a los clientes, pero obligan a los proveedores de modelos a generar más uso solo para mantener los mismos ingresos.
El índice de precios efectivos de Ramp cayó a 0,68 dólares por millón de tokens a principios de septiembre. Eso fue un 41 % inferior al máximo de 2026, de 1,15 dólares, registrado en marzo. La competencia y las reducciones de precios de los proveedores ayudaron a impulsar el cambio.
Un token es una pequeña unidad de texto procesada o generada por un modelo de lenguaje. Los proveedores suelen facturar a los clientes de API según el número de tokens de entrada y salida consumidos.
Los menores costes unitarios no indican necesariamente una menor actividad de IA. Una empresa podría procesar más documentos, generar más código u operar agentes adicionales mientras paga menos. El gasto puede caer incluso cuando aumenta la producción útil.
Esa distinción convierte el gasto en IA de Ramp en un indicador imperfecto de la intensidad de adopción. Los registros de transacciones muestran dinero que se mueve hacia los proveedores. No revelan directamente las tareas completadas, los tokens generados, el tiempo de los empleados ahorrado ni el valor empresarial.
Aun así, los ingresos importan en última instancia a los desarrolladores de modelos y proveedores de infraestructura. Si los precios caen más rápido de lo que aumenta el volumen, un mayor uso técnico produce un crecimiento comercial más débil.
Esta es la reversión central de los datos de agosto. Los servicios de IA se están volviendo más accesibles, tal como se suponía que la competencia fomentaría. Ese éxito debilita la conexión entre adopción e ingresos.
La combinación de modelos agrava la presión. Ramp afirmó que las empresas usan cada vez más modelos estándar como GPT-5.6 Terra y la familia Sonnet de Anthropic. Las compañías dijeron a Ramp que estos sistemas seguían siendo capaces mientras costaban menos que las alternativas de frontera.
Los modelos de frontera, incluidos Opus, Fable y Sol, representaron el 45 % del volumen de tokens medido. Su participación había alcanzado previamente el 53 % durante agosto antes de retroceder, según el relato de Ramp.
Las etiquetas y cuotas exactas de los modelos seguirán cambiando. El comportamiento de los clientes que las sustenta es más duradero. Las empresas están aprendiendo que la redacción de correos, la clasificación, la extracción y la programación rutinaria rara vez requieren el modelo más capaz.
El enrutamiento de modelos formaliza esa decisión. Un enrutador evalúa una solicitud y la dirige hacia un sistema que ofrece un equilibrio aceptable entre capacidad, latencia y coste.
El cambio hacia el enrutamiento empresarial ya era visible antes de que Ramp publicara sus cifras de agosto. Jue Wang, consultor de Bain, describió cómo las empresas reservaban los sistemas caros para tareas que realmente los requieren.
Este enfoque cambia la unidad de competencia. Los proveedores ya no compiten únicamente por un contrato para toda la empresa o por la posición de chatbot preferido. Compiten por cada categoría de trabajo dentro de la capa de enrutamiento del cliente.
Un laboratorio de frontera puede ganar solicitudes complejas de investigación y programación mientras pierde resúmenes, clasificaciones y consultas rutinarias frente a sistemas más baratos. Ese cliente puede seguir siendo una cuenta activa mientras genera menos ingresos.
Esta es una eficiencia bienvenida para los compradores empresariales. Se parece a la optimización en la nube, donde los equipos adaptan las cargas de trabajo a recursos de computación adecuados en lugar de elegir la instancia más grande para cada tarea.
La transición también puede dejar al descubierto proyectos de IA débiles. Una inferencia barata no puede rescatar un flujo de trabajo que produce resultados poco fiables, requiere una revisión exhaustiva o resuelve un problema sin importancia.
Por ello, las empresas deben medir resultados, no totales de tokens. Una base de conocimiento de IA con capacidad de búsqueda crea valor cuando los empleados recuperan información útil más rápido. Su consumo de tokens por sí solo dice poco sobre ese resultado.
La caída de los precios puede expandir la demanda con el tiempo. Sin embargo, la lectura de Ramp de agosto sugiere que esa expansión todavía no había compensado plenamente a los proveedores por los precios efectivos más bajos.
La apuesta de los hyperscalers necesita que el volumen supere a la eficiencia
La expansión de infraestructura supone que una inteligencia más barata generará suficiente trabajo adicional para compensar la caída de ingresos por cada unidad de computación.
OpenAI, Anthropic y otras empresas de modelos gastan cuantiosamente en entrenar y servir sistemas cada vez más capaces. Los socios de nube construyen centros de datos, aseguran electricidad y compran aceleradores basándose en expectativas de demanda sostenida.
Ese argumento de inversión no exige que todas las empresas gasten como el 1 % superior de Ramp. Sí exige un crecimiento sostenido entre suficientes clientes, flujos de trabajo y agentes automatizados para respaldar la capacidad instalada.
Los datos de agosto presionan esa expectativa desde ambas direcciones. El crecimiento de la adopción se desaceleró, mientras que el gasto por empleado cayó entre los usuarios más comprometidos. Ningún cambio por sí solo invalida la tesis.
Juntos, revelan una vulnerabilidad. El mercado espera que los grandes adoptantes sigan descubriendo cargas de trabajo valiosas más rápido de lo que los proveedores reducen los precios.
La relación se parece a un negocio de volumen con una eficiencia de producción que mejora rápidamente. Los costes más bajos pueden atraer clientes y estimular el consumo. También pueden comprimir los ingresos cuando los clientes capturan la mayor parte de los ahorros.
Las empresas de IA quieren que predomine el primer efecto. Los equipos financieros empresariales quieren el segundo. La competencia decide cómo se divide el beneficio.
OpenAI ha respondido animando a los clientes a medir el valor en lugar de los costes brutos de los tokens. Su concepto propuesto, inteligencia útil por dólar, pregunta si la IA completa un trabajo significativo de manera precisa y económica.
Ese marco tiene mérito. El modelo más barato no es la mejor elección cuando los fallos repetidos, las correcciones humanas o las escaladas eliminan sus aparentes ahorros.
Sin embargo, el marco también sirve a los intereses comerciales de los proveedores de frontera. Necesitan que los compradores consideren el éxito de las tareas, no que simplemente comparen los precios de los tokens entre modelos.
Muchas empresas parecen aceptar el argumento basado en resultados mientras rechazan la idea de que un único modelo prémium deba encargarse de todo. Enrutan el trabajo fácil de forma económica y reservan los sistemas de frontera para solicitudes complejas.
La investigación sobre la economía de los agentes respalda esa cautela. Un análisis de economía de flujos de trabajo concluyó que la selección de modelos, el diseño de flujos de trabajo, los reintentos y la supervisión humana pueden alterar radicalmente los costes totales.
Los agentes amplifican estas variables porque completan tareas de varios pasos. Una solicitud de usuario puede activar planificación, llamadas a herramientas, búsquedas, validación e interacciones repetidas con modelos.
Esto crea una vía plausible de regreso al crecimiento. Incluso si cada token se abarata, los flujos de trabajo autónomos pueden consumir muchos más tokens que una instrucción conversacional. Por tanto, más agentes podrían restaurar el crecimiento del volumen.
Sin embargo, un mayor consumo no garantiza un valor proporcional. Un agente mal diseñado puede inspeccionar repetidamente el mismo material, llamar a herramientas innecesarias o reintentar un paso fallido sin mejorar su resultado.
Las empresas están empezando a distinguir la automatización productiva de la actividad de tokens. Ese cambio amenaza las estrategias empresariales basadas en el uso como métrica de éxito.
Las implicaciones van más allá de los laboratorios de modelos. Los hyperscalers ganan dinero con la computación, el almacenamiento, las redes y los servicios gestionados que sustentan las aplicaciones de IA. También invierten directamente en desarrolladores de frontera y reservan capacidad para la demanda esperada.
Si los clientes obtienen el mismo resultado con modelos más pequeños, mejor almacenamiento en caché y un enrutamiento más selectivo, la demanda de infraestructura puede seguir siendo elevada mientras crece por debajo de las ambiciosas previsiones.
La distinción entre uso y gasto se vuelve esencial aquí. Más tokens no siempre requieren proporcionalmente más capacidad de cómputo. La cuantización, la inferencia optimizada y el hardware especializado pueden reducir los recursos necesarios para cada respuesta.
Los proveedores pueden responder lanzando modelos más potentes, mejorando las herramientas para desarrolladores o creando aplicaciones que lleguen a trabajadores no técnicos. Cada estrategia busca nueva demanda más allá del uso inicial en ingeniería.
Eso ayuda a explicar el creciente enfoque en espacios de trabajo con IA, asistentes de investigación y agentes colaborativos. Los equipos técnicos adoptaron la IA pronto. El siguiente mercado de ingresos debe incluir operaciones, finanzas, marketing, trabajo legal y otras funciones intensivas en conocimiento.
La apuesta ahora depende de un uso repetido y valioso en todos esos roles. Una suscripción adquirida que los empleados rara vez abren respalda las estadísticas de adopción, pero aporta poco a los ingresos por expansión.
Lo que las cifras de Ramp no pueden demostrar
Un mes volátil no puede distinguir una pausa estacional de un cambio duradero en la demanda empresarial.
El conjunto de datos de Ramp ofrece evidencia inusualmente directa porque observa pagos reales. Aun así, representa a clientes de Ramp, cuya combinación de sectores y preferencias tecnológicas difiere de la economía en general.
Los sectores técnicos, como información, finanzas y servicios profesionales, lideran la adopción dentro de la muestra. Esa orientación puede convertir al índice en un indicador temprano, pero también puede sobreestimar la adopción entre las empresas estadounidenses.
La encuesta sobre adopción empresarial de la Oficina del Censo de EE. UU. proporciona un contrapunto útil. TechCrunch informó que una actualización de agosto situó el uso declarado de IA cerca del 22% de las empresas, muy por debajo del 56% de Ramp.
Las encuestas miden poblaciones y comportamientos diferentes. Ramp detecta compras clasificadas como gasto en IA. La Oficina del Censo pregunta a las empresas sobre el uso de IA para producir bienes y servicios.
Ninguna medida captura el mercado completo. Los empleados pueden utilizar herramientas gratuitas o suscripciones compradas personalmente fuera de los sistemas corporativos. Las empresas también pueden pagar por productos de IA que reciben poco uso significativo.
La estimación de Ramp sobre el 1% superior merece especial cautela. Un pequeño número de empresas, fechas de facturación, contratos anuales o transacciones retrasadas puede modificar la mediana mensual de ese grupo.
Ramp revisó el gasto de julio de aproximadamente 7.400 dólares a casi 8.000 dólares tras recibir transacciones adicionales. Los resultados de agosto siguen sujetos a cambios similares.
Los patrones de vacaciones introducen otra fuente de ruido. Si los ingenieros generaron menos tokens durante agosto, el gasto podría repuntar cuando se reinicien los proyectos. Las recuperaciones observadas al cierre de años anteriores respaldan esa posibilidad.
Incluso un repunte no eliminaría el desafío de los precios. Los empleados que regresen de vacaciones encontrarán modelos más baratos y configuraciones predeterminadas más conscientes de los costes que las que tenían a principios de 2026.
Los datos disponibles tampoco pueden establecer si la caída refleja una menor producción. Una empresa que paga menos podría estar realizando el mismo trabajo de forma más eficiente. Ese resultado representa una adopción exitosa, no una retirada.
Por el contrario, una empresa con un gasto elevado podría generar grandes volúmenes de resultados de poco valor. Los totales de tokens no pueden diferenciar la automatización productiva del desperdicio.
Esta brecha de medición importa para los compradores. Los equipos financieros necesitan datos de gasto por flujo de trabajo, equipo, modelo y resultado completado. Los líderes de producto necesitan calidad, tiempo de ciclo, tasas de corrección y retención de usuarios.
Los desarrolladores necesitan una visión igualmente completa. Un modelo barato que falla repetidamente puede costar más tras los reintentos y la depuración. Un modelo caro puede resultar económico cuando completa correctamente una tarea difícil.
Para los proveedores de modelos, la ambigüedad ofrece tanto tranquilidad como riesgo. La caída del gasto podría indicar una economía más saludable para los clientes que más adelante acelere el despliegue. También podría revelar un límite en la disposición a pagar.
Los modelos de pesos abiertos aún no explican el cambio generalizado. Ramp descubrió que solo el 6,4% de las empresas que gastan en IA utilizó plataformas de servicio de modelos o inferencia durante agosto.
Esa cifra es una estimación máxima del uso de modelos abiertos, porque las plataformas de enrutamiento también pueden ofrecer modelos cerrados. Ramp situó la adopción entre todas las empresas en el 3,6%.
Por tanto, los modelos abiertos siguen siendo contexto complementario, no el principal rival en esta historia. La competencia inmediata proviene de ofertas estándar más baratas vendidas por los mismos grandes proveedores.
Esta dinámica puede reducir los ingresos medios sin obligar a los clientes a cambiar de proveedor. Un cliente de Anthropic puede trasladar trabajo de Opus a Sonnet. Un cliente de OpenAI puede seleccionar un modelo menos costoso para tareas rutinarias.
La adopción de proveedores puede aumentar mientras la calidad de los ingresos se debilita. Precisamente por eso merece atención la combinación de agosto, incluso antes de que alguien la llame tendencia.
Tres señales decidirán si esto fue una advertencia
La próxima prueba es si el gasto se recupera mientras los clientes continúan dirigiendo más trabajo hacia modelos económicos.
La primera señal es el gasto de septiembre y octubre entre el 1% superior de Ramp. Un fuerte repunte hacia el nivel de julio reforzaría la explicación estacional.
Esa recuperación debe evaluarse junto con las revisiones de transacciones. Un aumento o descenso preliminar puede cambiar cuando Ramp recibe pagos adicionales. Varios meses ofrecerán una tendencia más sólida que una sola observación.
Un descenso continuado reforzaría la interpretación estructural. Sugeriría que los tokens más baratos y una selección de modelos más estricta están reduciendo los ingresos más rápido de lo que las nuevas cargas de trabajo los expanden.
La segunda señal es la cuota de volumen de tokens de los modelos de frontera. Ramp situó esa cuota en el 45% tras un máximo anterior de agosto del 53%.
Una recuperación sostenida mostraría que las empresas aún encuentran suficientes tareas difíciles para justificar sistemas premium. Eso respaldaría las afirmaciones de los proveedores de que una mayor capacidad crea mejores condiciones económicas.
Otro descenso mostraría que los modelos estándar están captando más trabajo cotidiano. Presionaría a los laboratorios de frontera para mejorar la diferenciación, bajar precios o integrar capacidades avanzadas en productos más amplios.
La cuota bruta por modelo aún requiere contexto. Un modelo de frontera puede generar ingresos sustanciales con menos tokens si su precio sigue siendo más alto. Los proveedores también podrían cambiar los paquetes, descuentos o estructuras de suscripción.
La tercera señal es la adopción fuera de los equipos técnicos. Los laboratorios de IA se dirigen cada vez más al trabajo colaborativo realizado por analistas, directivos, profesionales del marketing y otros trabajadores del conocimiento.
Un uso repetido sólido entre estos grupos ampliaría la base de clientes más allá de los primeros adoptantes de ingeniería. También crearía flujos de trabajo menos vinculados a los ciclos de lanzamiento de software y al tamaño de las plantillas de desarrolladores.
Las compras por sí solas no resolverán la cuestión. Las empresas deben demostrar que los usuarios no técnicos regresan, completan tareas significativas y amplían su uso tras las pruebas iniciales.
Los lectores deberían observar la retención de productos, el volumen de flujos de trabajo y los resultados de tareas comunicados. Esos indicadores revelan más que los anuncios de lanzamiento o el número de cuentas.
Los compradores empresariales también deberían examinar de dónde proceden sus propios ahorros. Un menor gasto causado por un mejor enrutamiento es saludable. Un menor gasto provocado por proyectos abandonados indica un despliegue fallido.
Los equipos pueden respaldar esa distinción conectando la actividad de IA con decisiones almacenadas, registros de proyectos y trabajo completado. Un segundo cerebro bien mantenido puede preservar el contexto necesario para evaluar esos resultados con el tiempo.
El mercado en general no necesita que el gasto por empleado aumente para siempre. Las empresas se benefician cuando las capacidades mejoran y los costes disminuyen. Una adopción eficiente puede generar más valor con menos gasto.
Los desarrolladores de modelos y los hyperscalers afrontan una ecuación diferente. Sus planes de inversión requieren ingresos que, en última instancia, justifiquen enormes compromisos de infraestructura.
El gasto en IA de Ramp ha expuesto el conflicto entre esos resultados. Lo que ayuda a los clientes puede presionar a los proveedores, incluso cuando más personas utilizan IA.
Agosto aún podría resultar ser una pausa impulsada por las vacaciones. Las próximas lecturas mostrarán si los grandes usuarios reanudaron el gasto o aprendieron de forma permanente a hacer más con modelos más baratos.
Para desarrolladores y líderes empresariales, la cuestión práctica ya está clara: ¿el gasto en IA está produciendo trabajo completado y valioso, o simplemente acumulando tokens? Mida esa respuesta antes del próximo ciclo presupuestario.
