Los precios de Salesforce AI rompen la promesa de SaaS por usuario

Los precios de Salesforce AI ahora miden acciones, conversaciones o usuarios, lo que deja al descubierto un conflicto que las suscripciones de software previsibles antes mantenían oculto. Los agentes de IA pueden realizar trabajo sin aumentar la plantilla, mientras que cada llamada a un modelo genera un coste de computación variable. Esa combinación debilita la conexión entre el número de empleados del cliente, el valor del software y los ingresos del proveedor.

El cambio importa porque las suscripciones por usuario ofrecían a las empresas de software ingresos recurrentes inusualmente visibles. Los clientes podían prever el gasto a partir de la cantidad de empleados, mientras que los inversores podían modelar renovaciones y expansión. Los agentes de IA alteran ambos cálculos al aumentar la actividad útil y, potencialmente, reducir el número de usuarios humanos.

Salesforce no está abandonando las suscripciones, y la industria del software como servicio no está desapareciendo. En cambio, Salesforce, Microsoft, HubSpot, Intercom y otros proveedores están probando simultáneamente varios medidores de facturación. El mercado resultante es menos predecible, incluso cuando el software realiza más trabajo.

Los precios de Salesforce AI ahora siguen el trabajo

Los precios de Salesforce AI ya no presuponen que un usuario humano represente la unidad más clara de valor del software.

La empresa presenta actualmente opciones basadas en consumo junto con licencias por usuario para Agentforce. Su sistema de consumo utiliza Flex Credits, que convierten distintos prompts y acciones de agentes en una unidad de facturación compartida. Los acuerdos basados en conversaciones siguen disponibles para determinados casos de uso orientados al cliente.

Salesforce explica que un agente autónomo puede razonar, llamar herramientas, actualizar registros y completar flujos de trabajo de varios pasos. Cada operación puede generar una acción facturable bajo su modelo de Flex Credits. Las funciones integradas más sencillas, como redactar o resumir, pueden medirse en cambio mediante prompts.

Esta estructura refleja un problema práctico. Un agente de atención al cliente podría autenticar a un comprador, recuperar un pedido, comprobar datos de cumplimiento y preparar una respuesta. Por tanto, una conversación visible puede contener varias acciones, cada una con requisitos de infraestructura diferentes.

Una licencia por usuario humano condensa esas diferencias en un único cargo recurrente. Eso funciona cuando los empleados siguen siendo los principales operadores y los costes del software cambian lentamente. Se vuelve más difícil cuando los sistemas autónomos pueden funcionar de manera continua, ramificarse en pasos adicionales y llamar a varios modelos.

Salesforce no ha elegido un sustituto universal para los precios por usuario. Ofrece distintos medidores porque la asistencia a empleados, la atención al cliente y la ejecución autónoma crean relaciones diferentes entre actividad y valor. Esa variedad es evidencia de una transición aún sin resolver, no de una fórmula de precios ya consolidada.

La empresa también ofrece una cartera digital para seguir el consumo. Los clientes pueden supervisar el uso de créditos, revisar tendencias y configurar alertas antes de que la actividad supere las expectativas. Estos controles reconocen que la facturación variable requiere más atención operativa que un número fijo de usuarios.

La IA también cambia el lado de los costes. Los proveedores tradicionales de SaaS suelen atender a otro usuario con un gasto incremental de infraestructura relativamente bajo. La IA generativa introduce costes de inferencia cada vez que un modelo procesa contexto, genera una respuesta o selecciona otra herramienta.

Un agente puede repetir esas operaciones muchas veces al atender una sola solicitud. El proveedor de software debe absorber ese gasto variable o trasladar una parte al cliente. Una suscripción plana puede volverse poco atractiva cuando el uso difiere marcadamente entre cuentas por lo demás similares.

El cambio de precios del 11 de septiembre reportado por Axios es, por tanto, más amplio que un ajuste de empaquetado. Cambia cómo clientes, proveedores e inversores interpretan los ingresos recurrentes. El antiguo medidor contabilizaba el acceso, mientras que los medidores emergentes contabilizan la actividad o el trabajo completado.

El cambio no vuelve inútiles las licencias por usuario. Los usuarios humanos todavía necesitan paneles, aprobaciones, controles administrativos y funciones de colaboración. En consecuencia, muchas empresas mantendrán una suscripción base mientras añaden un componente variable para agentes.

Ese acuerdo híbrido ofrece al proveedor un suelo estable de ingresos. También vincula los ingresos incrementales con un mayor uso de IA. Sin embargo, para el cliente crea otro medidor que los equipos de compras y finanzas deben prever.

El hecho inmediato no es la muerte del SaaS. Es la pérdida de una relación clara: antes, más empleados significaban más usuarios, y más usuarios significaban más ingresos recurrentes. Ahora, un agente de IA puede ampliar la producción sin conservar esa ecuación.

Por qué la fijación de precios de SaaS por usuario está bajo presión

El modelo por usuario se debilita cuando el software realiza trabajo en lugar de limitarse a ayudar a los empleados a hacerlo.

Un usuario funciona como unidad de precio cuando el acceso sigue de cerca el valor. Un representante de ventas utiliza una plataforma de gestión de relaciones con clientes, un contable utiliza software financiero y un ingeniero utiliza herramientas de desarrollo. A medida que crece el equipo, el cliente compra cuentas adicionales.

Los agentes de IA crean un patrón diferente. Un empleado puede dirigir a varios agentes, mientras que un agente puede atender a todo un departamento. El cliente puede recibir más trabajo completado aunque el número de inicios de sesión humanos se mantenga estable o disminuya.

Esta es la inversión central a la que se enfrentan los proveedores de SaaS. Una automatización exitosa puede reducir precisamente el número de usuarios que históricamente respaldaba los ingresos por expansión. Un producto que ahorra trabajo debería crear valor para el cliente, pero un contrato basado en usuarios puede impedir que el proveedor comparta ese valor.

Los clientes también cuestionan con mayor firmeza las licencias sin usar cuando los agentes se ocupan de la actividad rutinaria. El shelfware es capacidad adquirida que los empleados rara vez utilizan. Una organización tiene menos motivos para tolerarlo cuando los flujos de trabajo automatizados pueden concentrar el trabajo entre menos operadores.

McKinsey examinó los modelos de precios de 150 proveedores globales y habló con más de 50 empresas que lanzaban productos de IA. Su estudio sobre proveedores concluyó que las empresas nativas de IA ya dependen menos de las suscripciones por usuario que los proveedores consolidados.

Entre las empresas estudiadas, las tarifas de plataforma eran el modelo de suscripción predominante para el 44 por ciento de los proveedores nativos de IA. Solo el 22 por ciento utilizaba principalmente suscripciones por usuario. Las empresas de software consolidadas mostraban el patrón opuesto: el 78 por ciento se centraba en precios por usuario.

Estas cifras no demuestran que todas las categorías de software abandonarán los usuarios. Las herramientas de colaboración siguen obteniendo valor de una amplia participación de los empleados. Los sistemas administrativos también necesitan usuarios identificados para la seguridad, la responsabilidad y la gestión de permisos.

Las cifras sí muestran que los medidores de acceso empresarial y consumo se están convirtiendo en alternativas creíbles. Separan los ingresos del número de personas que abren el producto. Esa separación adquiere valor cuando los agentes realizan trabajo a través de interfaces de programación de aplicaciones en lugar de interfaces gráficas.

Los inversores deben reconsiderar supuestos de valoración conocidos a medida que esto ocurre. Los contratos anuales todavía pueden generar ingresos recurrentes, pero el consumo introduce más variabilidad dentro de cada cuenta. La expansión depende del crecimiento de la carga de trabajo, no solo de la contratación o del despliegue por departamentos.

Los gastos de IA añaden otra incertidumbre. El uso de modelos, la recuperación de información, las llamadas a herramientas y el procesamiento de datos pueden elevar el coste de atender a clientes activos. Por tanto, los márgenes brutos pueden variar según la composición de la carga de trabajo, la elección de modelos y el comportamiento de los agentes.

Un proveedor puede obtener márgenes atractivos de tareas breves y repetibles. El mismo contrato puede volverse menos atractivo cuando los agentes procesan documentos extensos o reintentan flujos de trabajo difíciles. La economía media por usuario no puede revelar esa diferencia.

Los compradores afrontan la imagen especular de este problema. Obtienen un vínculo más estrecho entre gasto y actividad, pero pierden la simplicidad de contar empleados. Los equipos financieros deben modelar con qué frecuencia se ejecutan los agentes y cuán complejas se vuelven sus tareas.

Los equipos de compras también exigirán definiciones más claras. Un proveedor debe explicar qué se considera una acción, conversación, resolución o crédito. Los clientes necesitan saber si los intentos fallidos, reintentos, escaladas y actividad de pruebas consumen su asignación.

Esto convierte la telemetría en parte del producto comercial. Los paneles de uso, los límites de gasto y los registros de auditoría ya no son extras administrativos opcionales. Determinan si los clientes confían en la factura y pueden defenderla internamente.

La presión va más allá de las compras. Los equipos de producto deben diseñar unidades medibles, los equipos de ingeniería deben registrarlas y los equipos de ventas deben explicarlas. Después, los departamentos financieros traducen el consumo cambiante en previsiones de ingresos.

La fijación de precios por usuario integraba estas funciones en un contrato sencillo. El uso de IA las separa. La industria necesita ahora medidores que sigan siendo comprensibles al tiempo que reflejan el trabajo, el valor y el gasto de computación.

Los precios basados en uso resuelven un problema y crean otro

Los precios basados en uso alinean los ingresos con la actividad, pero trasladan el riesgo de previsión del proveedor al comprador.

Un medidor de consumo parece justo porque una organización paga más cuando utiliza más. Ese principio encaja con agentes que realizan un número variable de tareas. También protege a los proveedores de absorber costes ilimitados de modelos e infraestructura.

La dificultad está en elegir qué contabilizar. Los tokens miden las unidades de texto que un modelo lee y produce. Se conectan estrechamente con el gasto de computación, pero tienen poco significado intuitivo para la mayoría de compradores empresariales.

Las acciones son más fáciles de vincular con la actividad del flujo de trabajo. Sin embargo, una acción puede actualizar un campo, mientras que otra busca en varios sistemas y genera una respuesta detallada. Una sola etiqueta puede ocultar grandes diferencias de esfuerzo y valor.

Los créditos ofrecen a los proveedores una capa contable común para varios servicios. Pueden asignar distintos pesos de crédito a prompts, operaciones de agentes, traducción o actividad de voz. Los clientes reciben un único saldo, aunque comprender cómo se agota todavía puede requerir un seguimiento detallado.

Microsoft ha adoptado este enfoque para varias experiencias con agentes. Su documentación describe Copilot Credits como la unidad de facturación basada en uso para las cargas de trabajo compatibles. Los administradores reciben presupuestos, políticas de gasto, informes de uso, alertas y límites estrictos mediante los controles de créditos de Copilot.

Esos controles revelan el requisito real del comprador. Las empresas no necesitan simplemente una unidad de facturación. Necesitan una gobernanza que conecte un agente, usuario, departamento y tarea con el consumo resultante.

Sin esa visibilidad, la experimentación puede generar una factura inesperada. Un despliegue exitoso puede aumentar la actividad mucho más rápido de lo que jamás lo hizo el número de empleados. Un flujo de trabajo autónomo también puede seguir utilizando recursos después de que una persona deje de supervisarlo.

Los límites estrictos reducen la exposición financiera, pero introducen riesgo operativo. Un agente de atención al cliente que alcanza su límite durante un aumento de la demanda puede detenerse cuando más lo necesitan los clientes. Un límite flexible protege la continuidad, pero debilita la certeza de costes.

El enrutamiento de modelos ofrece una respuesta. Las tareas más sencillas pueden usar modelos más pequeños, mientras que las solicitudes difíciles utilizan sistemas más capaces. Almacenar en caché el contexto repetido y reducir el historial de prompts innecesario también puede limitar el consumo.

Estas técnicas convierten la arquitectura de software en parte de la estrategia de precios. Dos proveedores pueden ofrecer interfaces similares mientras asumen gastos de inferencia muy distintos. Un proveedor con un enrutamiento eficiente puede ofrecer una capacidad más predecible o preservar márgenes más sólidos.

Los compradores rara vez tienen visibilidad completa sobre esas decisiones internas. Pueden ver cómo se descuentan créditos de una cartera sin saber qué modelo gestionó cada paso. Por ello, los registros transparentes de uso importan más que una lista pulida de funciones de IA.

Los precios híbridos intentan equilibrar necesidades contrapuestas. Una suscripción base ofrece acceso, soporte, seguridad e ingresos predecibles. Una capa de consumo captura la actividad de los agentes más allá de la capacidad incluida.

HubSpot describió públicamente esta dirección cuando amplió Breeze Customer Agent mediante créditos. Su estrategia de precios híbrida combina licencias por suscripción con capacidad incluida y consumo adicional de créditos. La empresa indicó que consideraría un tratamiento similar para otros agentes de IA una vez que el uso y los resultados fueran consistentes.

Esa secuencia ofrece una lección útil. Los proveedores necesitan evidencia sobre el comportamiento real antes de fijar una unidad de medición duradera. Establecer precios demasiado pronto puede vincular los ingresos a una medida técnica que los clientes posteriormente rechacen.

También puede desalentar la adopción del producto. Los empleados experimentan menos cuando cada prompt parece reducir un saldo visible. Los departamentos pueden reservar los agentes para tareas limitadas, lo que impide al proveedor descubrir dónde aporta valor el producto.

El acceso ilimitado fomenta la exploración, pero expone al proveedor a un uso intensivo. La facturación por uso protege al proveedor, pero puede generar ansiedad en los clientes. Ninguna unidad de medición elimina esta disyuntiva.

Los precios de IA de Salesforce ilustran el compromiso. La empresa admite licencias de usuario para un acceso predecible de los empleados y opciones de consumo para el trabajo variable de los agentes. Esa flexibilidad puede ayudar a distintos clientes, pero también complica las comparaciones y las compras.

El resultado se parece más a la compra de infraestructura en la nube que al SaaS clásico. Los clientes deben estimar cargas de trabajo, vigilar la utilización y gestionar límites. Los compradores de software necesitan cada vez más capacidades que antes pertenecían principalmente a los equipos de operaciones en la nube.

Esto no significa que la facturación por tokens se convierta en la cara pública de todos los productos de IA. Las unidades técnicas de recursos suelen estar demasiado alejadas del valor empresarial. Los proveedores seguirán traduciéndolas en acciones, créditos, tareas o paquetes de capacidad.

Los modelos duraderos harán legible esa traducción. Los clientes deben entender qué comportamiento genera gasto, y los proveedores deben recuperar sus costes variables. Una unidad de precio que satisfaga solo a una de las partes no se mantendrá estable.

Los precios de IA basados en resultados tienen un problema de medición

Cobrar por resultados parece lo más cercano al valor, pero cada contrato debe definir a quién corresponde el mérito del resultado.

Los precios basados en resultados piden a los clientes pagar cuando el software completa una tarea valiosa. Un agente de soporte podría medirse por conversaciones resueltas. Un agente de ventas podría medirse por clientes potenciales cualificados o investigaciones completadas.

Esta estructura mejora la propuesta comercial. Los clientes no pagan simplemente porque una IA haya intentado algo. Los proveedores obtienen ingresos cuando el sistema alcanza un resultado acordado.

Intercom utiliza este enfoque para su Fin AI Agent. Sus reglas de resultados publicadas distinguen entre resoluciones exitosas y transferencias configuradas, por un lado, y procedimientos fallidos o escalaciones directas, por otro. La empresa afirma que cobra como máximo una vez dentro de una conversación.

Eso suena más claro que el consumo de tokens. Un responsable de soporte entiende un caso resuelto con mayor facilidad que un recuento de prompts. La unidad también está más cerca del valor empresarial que buscaba el cliente.

Sin embargo, la aparente simplicidad depende de una definición detallada. ¿La IA resolvió el problema o el cliente simplemente dejó de responder? ¿Debería contar una transferencia cuando el agente recopiló información, pero una persona completó el trabajo?

La respuesta afecta tanto a la factura como a la métrica del producto. Los proveedores tienen un incentivo para clasificar más interacciones como exitosas. Los clientes tienen un incentivo para cuestionar los casos que produjeron respuestas incompletas o de baja calidad.

Los flujos de trabajo complejos generan disputas de atribución más difíciles. Un agente de ventas puede identificar a un prospecto, enriquecer datos de contacto, redactar comunicaciones y programar una reunión. La transacción final también puede depender del reconocimiento de marca, los precios, la negociación humana y las condiciones del mercado.

Cobrar por la venta completada se alinearía con el valor final, pero el software no controla todos los factores que contribuyen. Cobrar por la comunicación es más fácil de medir, aunque recompensa la actividad en lugar de la calidad. Cobrar por un cliente potencial cualificado se sitúa entre esos extremos.

McKinsey informó de un ejemplo revelador en su investigación sectorial. Un proveedor de ventas nativo de IA ofrecía acuerdos tanto basados en actividad como en resultados. El noventa por ciento de los clientes eligió precios basados en actividad porque la previsión del gasto y las definiciones de cualificación se complicaban durante las negociaciones.

Ese resultado cuestiona una suposición popular. Los compradores no siempre eligen la métrica más cercana al valor económico. Pueden preferir una unidad menos perfecta cuando crea un presupuesto más claro y menos disputas contractuales.

Los precios por resultados también modifican el riesgo del proveedor. Este asume el coste de los intentos fallidos cuando solo los resultados completados generan ingresos. Eso puede fomentar mejores productos, pero los entornos difíciles de los clientes pueden producir comparaciones injustas.

Datos deficientes, integraciones incompletas o políticas restrictivas pueden reducir la tasa de éxito de un agente. El proveedor puede asumir el gasto incluso cuando la configuración del cliente causó el fallo. Entonces, los contratos necesitan reglas sobre requisitos previos, excepciones y responsabilidad compartida.

La calidad introduce otro problema. Una resolución puede estar técnicamente completa y, aun así, dejar insatisfecho al cliente. Un cliente potencial puede cumplir los criterios formales, pero tener escaso potencial comercial. Los eventos de facturación binarios no pueden capturar todas las dimensiones del valor.

Por ello, las empresas necesitan evidencia auditable. Los clientes deberían poder inspeccionar la interacción, las acciones del agente, el estado final y cualquier intervención humana. Deben existir procedimientos de disputa antes de que la automatización alcance grandes volúmenes.

Por eso, los precios por resultados requieren más que cambiar una página de pago. Los proveedores necesitan sistemas de evaluación, telemetría orientada al cliente, herramientas internas de revisión y definiciones coherentes. Los equipos de ventas y legales deben explicar esas definiciones antes de la implementación.

Los agentes también pueden cambiar su comportamiento en respuesta a la métrica. Un sistema optimizado para la tasa de resolución podría evitar escalaciones apropiadas. Un agente de ventas recompensado por clientes potenciales cualificados podría favorecer estándares de cualificación demasiado permisivos.

Las organizaciones humanas ya afrontan este problema con los objetivos de rendimiento. La IA facilita escalar rápidamente ese comportamiento. Por tanto, unos incentivos deficientes pueden generar miles de resultados de baja calidad antes de que alguien revise la regla.

La facturación por resultados sigue siendo atractiva para flujos de trabajo delimitados. La atención al cliente, el procesamiento de documentos y la verificación estandarizada pueden producir estados de finalización observables. La investigación abierta o el trabajo estratégico ofrecen menos puntos de cierre claros.

La conclusión escéptica no es que los precios por resultados fracasarán. Es que el modelo funciona solo cuando el éxito es oportuno, atribuible y verificable automáticamente. Muchas tareas empresariales aún no cumplen las tres condiciones.

En consecuencia, los precios basados en uso y en resultados coexistirán. El uso se adapta al trabajo informático variable que los proveedores pueden medir de forma consistente. Los resultados se adaptan a tareas estandarizadas en las que clientes y proveedores pueden acordar qué significa el éxito.

Los contratos por licencia seguirán coexistiendo con ellos para el acceso y la colaboración humanos. El mercado a corto plazo contendrá más unidades de medición, no un único sucesor universal. Esa complejidad es el precio de adaptarse a distintas formas de trabajo con IA.

Lo que deben demostrar los próximos ciclos de resultados de SaaS

El modelo ganador conectará la adopción de IA con ingresos duraderos sin hacer imposible predecir los presupuestos de los clientes ni los márgenes de los proveedores.

La primera señal que hay que vigilar es el consumo de IA divulgado en los principales informes de resultados de las empresas de software. Los proveedores deben demostrar si los clientes pasan de las pruebas a cargas de trabajo de producción recurrentes. Los anuncios de contratos por sí solos no pueden establecer ese patrón.

Los inversores deberían buscar evidencia de que el consumo crece tras la implementación sin generar una fuerte volatilidad de ingresos. También deberían comparar el crecimiento de los ingresos de IA con el gasto en infraestructura. El aumento del uso importa menos cuando el coste de atenderlo aumenta con la misma rapidez.

Los comentarios sobre el margen bruto merecen una atención especial. Los agentes de IA realizan más inferencia y uso de herramientas que las funciones convencionales de software. Los proveedores deben demostrar que el enrutamiento, la selección de modelos, la caché y los precios compensan esos gastos con el tiempo.

La segunda señal es la simplificación de los precios. Salesforce, Microsoft y sus competidores ofrecen actualmente licencias, créditos, acciones, capacidad y unidades de resultados superpuestos. Los clientes revelarán qué unidades perduran a través de su comportamiento de renovación.

Un modelo estable debería ser más fácil de explicar después de varios ciclos contractuales. Las definiciones deberían converger, la supervisión debería mejorar y las excepciones deberían disminuir. Una complejidad persistente sugeriría que los proveedores aún no han encontrado una medida de valor fiable.

Las renovaciones proporcionarán mejor evidencia que las nuevas ventas. Un cliente puede aceptar términos desconocidos durante un piloto limitado. La exigencia aumenta después de observar patrones reales de consumo y comparar las facturas con los resultados empresariales.

Hay que observar si los compradores amplían sus compromisos, imponen límites más estrictos o vuelven a licencias predecibles. La expansión reforzaría el argumento a favor de los precios por consumo. Un retroceso hacia el acceso fijo demostraría que la certeza presupuestaria sigue pesando más que una alineación precisa con el uso.

La tercera señal es la calidad de la verificación de resultados. Las plataformas de soporte ofrecen un terreno inicial de prueba porque las conversaciones producen estados observables. Sus tasas de disputa, patrones de escalación y retención de clientes pueden mostrar si las medidas automatizadas de éxito siguen siendo creíbles.

Los proveedores deben divulgar suficiente información para que los clientes puedan auditar los resultados. Una etiqueta de resolución de caja negra no respaldará la confianza a largo plazo. El registro subyacente debería mostrar qué hizo el agente, por qué se detuvo y si intervino una persona.

Los estándares de resultados también pueden volverse más detallados. Los clientes podrían exigir medidas separadas para finalización, precisión, satisfacción y trabajo humano evitado. Mejores definiciones reforzarían los precios por resultados, aunque harían los contratos más complejos.

Estas señales importan tanto a los compradores como a los inversores. Una empresa que evalúa un producto de IA debería modelar el flujo de trabajo antes de comparar unidades de facturación. Necesita volumen esperado, complejidad de las tareas, rutas de fallo y el coste de la revisión humana.

Los equipos también deberían establecer responsables del gasto en IA. Compras puede negociar el contrato, pero los responsables de producto entienden el volumen del flujo de trabajo. Ingeniería observa el comportamiento de los modelos, mientras que finanzas sigue la exposición presupuestaria.

Un sistema de conocimiento compartido puede ayudar a esos grupos a conservar supuestos, informes de uso, resultados de evaluación y decisiones de renovación. Los equipos que ya organizan el trabajo interno de IA pueden beneficiarse de una base de conocimiento de IA con función de búsqueda, en lugar de hojas de cálculo de precios dispersas.

Los compradores deberían evitar considerar automáticamente preferible la unidad que parece más barata. Un crédito puede ocultar varias operaciones, mientras que una resolución puede ocultar una calidad cuestionada. La pregunta relevante es si la unidad de medición refleja un resultado que la organización puede observar y gobernar.

Los proveedores afrontan una prueba relacionada. Deben resistir la tentación de inventar un vocabulario de facturación para cada nueva función. Demasiadas unidades incompatibles dificultan los presupuestos entre productos y debilitan la confianza de los clientes.

Los precios de IA de Salesforce hacen visible la transición del sector porque sitúan varias opciones una junto a otra. Esa amplitud aporta flexibilidad hoy. También muestra que el mercado aún no se ha decidido por un sustituto duradero para el modelo por usuario.

El destino probable es un contrato por capas. Una tarifa de plataforma cubre el acceso, la gobernanza y las capacidades básicas. Los cargos variables se aplican después según la actividad de los agentes, la capacidad o los resultados verificados.

Estos contratos conservarán parte de los ingresos recurrentes y permitirán a las empresas de software participar en el valor de la automatización. También exigirán una supervisión mejor que la de las licencias tradicionales. La previsibilidad procederá de los controles y del historial de uso, no solo del número de empleados.

Para los desarrolladores, el medidor de precios influirá en la arquitectura. Cada reintento, ventana de contexto larga, llamada a herramientas y elección de modelo puede afectar al rendimiento comercial. El diseño consciente de los costes pasará a formar parte de la calidad del producto.

Para los trabajadores del conocimiento, el cambio determinará si los agentes siguen estando ampliamente disponibles o si se racionan de forma estricta. Un acceso predecible fomenta el uso habitual. Los controles agresivos sobre el consumo pueden llevar a los empleados a reservar los agentes para tareas con retornos evidentes.

Para los compradores empresariales, el siguiente paso es concreto. Seleccionen un flujo de trabajo en producción, midan su volumen y sus rutas de fallo, y después comparen los modelos por usuario, por consumo y por resultados utilizando la misma evidencia. ¿Qué métrica sigue siendo comprensible tras el uso real, y qué parte asume el riesgo cuando la IA realiza más trabajo del previsto?