Guillem Alsina Gonzàlez
Durante los últimos dos años, el debate sobre la implantación de la inteligencia artificial en el entorno corporativo se ha centrado en las perspectivas de automatización de procesos, el incremento de la productividad, y la reducción de los gastos. Sin embargo, a medida que las compañías comienzan a desplegar estas herramientas a gran escala, surge un desafío económico derivado del consumo de tokens. El uso masivo de agentes inteligentes está generando facturas mensuales superiores a las estimadas, condicionando la viabilidad de su despliegue a gran escala.
Desde TIMIA, firma especializada en inteligencia artificial, datos y analítica avanzada, señalan que el enfoque inicial del sector priorizó el desarrollo de sistemas capaces de ejecutar tareas complejas, relegando a un segundo plano el impacto financiero y la sostenibilidad a largo plazo. El responsable de la firma en España, Alesander Gómez, indica que el interés de las empresas ha transitado desde la mera incorporación de estas herramientas hacia la preocupación por los gastos de mantenimiento una vez que el uso de las mismas crece de manera generalizada. Aunque el precio unitario por token tiende a disminuir gracias a la evolución de los modelos de lenguaje, el volumen global de su consumo mantiene una trayectoria ascendente.
Este incremento se explica por el propio funcionamiento de las actuales arquitecturas, dado que un proceso automatizado rara vez requiere una única consulta, puesto que un agente interpreta instrucciones, cruza diversas fuentes de información, genera pasos intermedios de razonamiento y verifica los resultados antes de emitir una respuesta definitiva. Cada una de las interacciones necesarias para completar una tarea computa como un gasto adicional de tokens, lo que multiplica el coste operativo.
Ante este escenario, el sector constata que la automatización no equivale necesariamente a un ahorro financiero si carece de un diseño y un gobierno adecuados. Desde la dirección española de TIMIA se advierte que el problema radica en carecer de una estrategia de optimización, como ocurre cuando se emplea el modelo de lenguaje de mayor tamaño para cualquier tarea, independientemente de su complejidad. En muchas ocasiones, la resolución técnica de un problema mediante agentes muy sofisticados conlleva unos gastos de operación que dificultan la justificación del retorno de la inversión. Frente a ello, la aplicación de técnicas de aprendizaje automático tradicionales podría resolver tareas sencillas de una manera mucho más económica.
En consecuencia, y según afirman desde TIMIA, el debate corporativo se está reorientando hacia la evaluación del valor generado por cada proceso para determinar si este compensa el gasto continuado. Las empresas están empezando a aplicar métricas financieras para medir el coste de cada interacción y asegurar el retorno de la automatización, un enfoque que replica la curva de aprendizaje que el tejido empresarial experimentó hace años con la optimización de las infraestructuras en la nube, tratando ahora a los modelos computacionales como un nuevo recurso estratégico que debe ser administrado.
La evolución del mercado a corto y medio plazo estará definida por esta búsqueda de la eficiencia arquitectónica y financiera. Aquellas entidades que logren equilibrar el rendimiento y la calidad con el gasto asociado, obtendrán una posición favorable y sostenible en sus respectivos sectores.
La implantación de estas tecnologías dependerá de garantizar que cada operación ejecutada por la inteligencia artificial reporte a la organización un valor claramente superior al coste que genera, consolidando así un uso rentable del sistema.
