El consumo de los modelos de IA equivale a cerca del 0,3 por ciento del costo de entregar un trabajo terminado en el modelo que usa NYXN para presupuestar su área de ingeniería. El tiempo de las personas concentra alrededor del 92 por ciento. La brecha, explicada a MILENIO por David Casillas, CTO de la compañía, es la advertencia central para cualquier empresa que esté automatizando con agentes: recortar la factura de licencias y tokens no abarata el proceso completo.
¿Por qué el costo de un agente de IA no termina en el token?
A diferencia de un asistente que responde una instrucción y termina, un agente ejecuta una secuencia: lee información, decide dentro de sus parámetros, usa aplicaciones, revisa el resultado y vuelve a actuar hasta completar el encargo. Cada vuelta genera consumo nuevo, y una sola instrucción puede convertirse en decenas o cientos de ciclos de ejecución.
La evidencia externa confirma que la diferencia no es marginal. Un análisis de EY citado por TechTimes calculó que un flujo lineal de IA, el típico de 2023, costaba unos US$0,04 por interacción, mientras que un sistema agéntico moderno con llamadas a herramientas y bucles de razonamiento ronda los US$1,20 por interacción, unas 30 veces más. Gartner ya había estimado en marzo de 2026 que las cargas agénticas consumen entre 5 y 30 veces más tokens por tarea que una consulta de chatbot estándar.
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 díasEl detalle que suele sorprender a los equipos financieros: según el Stanford Digital Economy Lab, el contexto que se reenvía en cada llamada (prompts de sistema, definiciones de herramientas e historial de sesión) explica cerca del 62 por ciento del costo total de inferencia de un agente. El usuario ve una tarea completada; el sistema de facturación ve un medidor que se compone sin techo natural.
Las seis partidas que tu presupuesto de IA debería separar
Casillas identifica seis rubros que las empresas deberían desglosar en lugar de agrupar todo bajo la etiqueta de IA:
- Consumo de modelos
- Plataforma tecnológica
- Capacitación
- Gobierno de la IA
- Revisión humana
- Retrabajo
La última es la más subestimada: son las horas dedicadas a corregir o reconstruir entregables que no cumplen los criterios establecidos. El problema se agrava cuando la organización intenta ahorrar usando modelos más baratos en tareas que exigen precisión. "Una propuesta mal hecha se come más horas de revisión humana de las que ahorró en tokens", resume el directivo.
El riesgo presupuestario es concreto. Casillas cita a MILENIO una medición de Gartner en la que el gasto en IA de un área de servicio creció 38 por ciento, mientras el presupuesto total de esa área subió apenas 2 por ciento. La categoría se come espacio de otras actividades sin que nadie lo note en la revisión trimestral.
El mercado se mueve en esa dirección. Gartner proyecta que el gasto mundial en IA alcance US$2,67 billones en 2026, un 49,5 por ciento más que en 2025, y que el segmento de agentes y asistentes pase de US$16.480 millones en 2025 a US$29.220 millones en 2026, según la cobertura de DQ India. Para un founder, eso significa que la conversación con su CFO ya no es cuánto cuesta la licencia, sino cuánto cuesta el trabajo aceptado.
¿Qué está haciendo tu agente? Identidad, registro y presupuesto
Cuando varias herramientas operan a la vez, la empresa necesita saber qué sistemas consultan, qué instrucciones reciben, qué acciones ejecutan y cuánto consumen. Casillas resume la observabilidad en tres elementos: identidad (credenciales propias para cada agente, en lugar de operar con el usuario y la contraseña de una persona), registro de actividad (qué información recibió, qué herramienta usó, cuánto tardó, cuánto costó y si el trabajo superó las pruebas) y presupuesto (límites de gasto por sesión y por proyecto, con alertas ante consumos inusuales o tareas que se rechazan repetidamente).
La gobernanza no puede depender solo de las instrucciones escritas en una conversación. Ante riesgos como la inyección de instrucciones maliciosas (prompt injection), mediante la cual un agente encuentra órdenes ocultas en documentos o correos, NYXN sostiene que los límites relevantes deben imponerse en la arquitectura y en los permisos del sistema, no únicamente en el prompt.
Los datos respaldan la urgencia. Gartner advirtió en mayo de 2026 que para 2027 el 40 por ciento de las empresas reducirá el nivel de autonomía o dará de baja agentes de IA autónomos debido a deficiencias de gobernanza detectadas únicamente después de incidentes en producción. Un informe de Forrester Consulting encargado por Boomi en julio de 2026 encontró que el 86 por ciento de los líderes ya superó la etapa de pilotos con agentes, pero solo el 34 por ciento confía en las acciones que ejecutan sus sistemas; quienes implementaron agentes antes de estar preparados reportaron un costo adicional promedio de US$2,1 millones.
El caso del core bancario: 12 personas y 47 agentes
NYXN aplica estos principios en un proyecto de modernización de un core bancario. El equipo está integrado por 12 personas y 47 agentes de IA, con una estimación de reducir de tres años a 11 meses el tiempo de ejecución. Es una proyección, no un resultado alcanzado: depende de que el banco revise y acepte los cambios que producen los agentes.
La tarea es difícil porque las reglas de negocio de un sistema bancario pueden estar distribuidas en miles de procedimientos acumulados durante décadas. Los agentes ayudan a inventariar esos procedimientos, identificar sus relaciones, proponer equivalencias para la nueva arquitectura y preparar pruebas. Las personas, en cambio, deben reconstruir la intención detrás de cada regla: por qué existen ciertas validaciones, cuáles siguen siendo necesarias y qué cambios podrían afectar las obligaciones del banco.
Para revisar ese volumen de forma sistemática, NYXN utiliza un banco de pruebas independiente (harness) que compara el comportamiento del sistema anterior con el de la nueva versión. Sin esa verificación, ampliar el número de agentes es perder capacidad de control. Y el cuello de botella se mueve: si los agentes producen más cambios de los que el equipo humano puede aceptar, el retraso se traslada de la construcción a la revisión.
La compañía reporta que, durante dos años comparando proyectos desarrollados con agentes contra proyectos con metodologías ágiles convencionales, observó mejoras de entre 50 y 70 por ciento en los tiempos de ejecución. Casillas aclara que la cifra corresponde a su experiencia y que parte de la mejora puede relacionarse con medir más el trabajo y reutilizar especificaciones, pruebas y criterios de aceptación entre proyectos.
¿Qué significa esto para tu startup?
- Separa la partida de IA y mide costo por trabajo entregado y aceptado. No por tokens consumidos ni por número de tareas generadas. Si tu equipo produce más de lo que puede revisar, estás acumulando trabajo pendiente de aprobación, no productividad.
- Da identidad propia a cada agente y ponle tope de gasto. Credenciales individuales, límites por sesión y por proyecto, y alertas ante consumos inusuales. Así una auditoría puede decir qué agente ejecutó una operación y con qué autorización.
- Define hoy la lista de operaciones que siempre escalan a una persona. Pagos, tratamiento de datos personales, incidentes de seguridad y cambios que eliminan información son los candidatos obvios para detener y escalar.
- Ajusta la autonomía a la capacidad de revisión del equipo, no al revés. Un equipo con menos experiencia puede aceptar resultados que un especialista identificaría como incorrectos. La autonomía debe crecer al ritmo de la capacidad de verificación, no de la velocidad de implementación.
- Capacita antes de escalar. La supervisión puede concentrarse en las excepciones, pero solo si existen reglas claras, registros suficientes y mecanismos para detener las operaciones que representen un riesgo.
Conclusión
El modelo que NYXN llama Human on the Loop no exige que un empleado apruebe cada movimiento: los agentes operan de forma autónoma dentro de parámetros definidos y las personas intervienen cuando es necesario. Pero la responsabilidad final permanece en las personas y en la organización. Ante un cliente o un regulador, la empresa debe poder explicar qué regla autorizó una operación, quién aprobó esa regla y qué evidencia demuestra que el sistema actuó conforme a ella.
En México, y en cualquier mercado con regulación de datos personales, usar inteligencia artificial no elimina las responsabilidades de la empresa sobre la información que procesa ni sobre las decisiones que toma con ella. El reto no es contar con modelos más capaces: es cambiar la forma de organizar el trabajo para poder medir los costos, supervisar la ejecución y comprobar los resultados.
Fuentes
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
