El costo frena 3 veces más proyectos de IA que el cómputo

El 38% de las empresas retrasó, redujo o canceló un proyecto de IA en los últimos 12 meses porque costó más de lo previsto. Solo el 12% lo hizo por falta de capacidad de cómputo, según la encuesta VB Pulse de octubre que publica VentureBeat, realizada con 156 responsables de IA en organizaciones de más de 100 empleados.

Para un founder, el mensaje es incómodo: el cuello de botella dejó de ser conseguir GPUs. Ahora es justificar la factura.

¿Por qué el costo frena más proyectos que la falta de cómputo?

Durante años el relato del sector fue que faltaba hardware. La encuesta sugiere que el problema real es otro: la diferencia entre sobrecostos y escasez de cómputo es de más de tres a uno.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

La muestra no es gigante, pero sí representativa del segmento que más gasta: 156 encuestados calificados que trabajan en IA o asesoran a organizaciones de al menos 100 empleados.

El contraste con las expectativas es lo que debería preocupar. El 79% espera que el presupuesto de IA de su organización crezca en el próximo año. Es decir, las empresas van a gastar más aunque el gasto actual ya esté tumbando proyectos.

El problema de fondo: casi nadie puede defender el gasto ante finanzas

Solo el 26% de los encuestados dice que su organización evalúa el gasto en IA con un retorno financiero medible que podría defender ante su equipo de finanzas. Entre quienes esperan un aumento de presupuesto, la cifra es prácticamente idéntica: 27%.

El dato más duro está en el subgrupo que sí intenta medir. De los 91 encuestados cuyas organizaciones rastrean retornos de forma rigurosa o parcial, apenas el 34% tuvo un número de retorno revisado y aprobado por finanzas. Eso equivale a cerca del 20% del total de 156 encuestados.

El fenómeno no es aislado. TechCrunch reportó en junio de 2026 que Uber agotó todo su presupuesto de IA para coding de 2026 en abril, que Microsoft revocó las licencias de Claude Code de sus desarrolladores y que un empleado de Priceline vio cómo una renovación rutinaria de Cursor volvía entre 4 y 5 veces más cara. El mismo medio citó un estudio de Jellyfish según el cual los ingenieros que más tokens consumen son unas dos veces más productivos, pero gastan 10 veces más tokens para lograrlo, con un consumo por desarrollador que subió cerca de 18,6 veces en nueve meses.

J.R. Storment, director ejecutivo de la FinOps Foundation, lo resumió en TechTarget: los equipos maduros de FinOps pronostican el gasto de cloud con un margen del 1% al 3%, mientras que con IA el pronóstico se desborda por completo. La misma nota señala que las organizaciones ya ven presupuestos de IA excedidos entre dos y tres veces dentro de un mismo año.

¿Qué está haciendo la industria para medir el costo de la IA?

Storment lidera también la Tokenomics Foundation, un grupo de la Linux Foundation que desarrolla estándares abiertos para medir costos y retornos de IA. Su descripción es precisa: «Somos como el libro contable», dijo, marcando la diferencia con los proyectos que conectan agentes con herramientas y modelos.

La FinOps Foundation ya publica FOCUS, la especificación abierta de costo y uso, un formato común para datos de facturación. El trabajo en curso busca conectar costo y uso con telemetría, resultados y una clasificación de valor, para poder explicar qué logró un flujo de trabajo con el dinero gastado. En agosto de 2026, Revenium se sumó a la iniciativa, que la Linux Foundation anunció en junio de ese año, según reportó GlobeNewswire.

La escala explica por qué hace falta un estándar. Goldman Sachs proyecta que el uso global de tokens se multiplique por 24 entre 2026 y 2030, un dato citado por la propia Linux Foundation. Storment añadió en TechCrunch que rastrear costos de cloud es un problema de cientos de millones de filas por mes, mientras que rastrear tokens es un problema de billones de filas por mes.

Uber y Red Hat: dos casos con números concretos

Uber mostró el camino más citado. Uday Kiran Medisetty, VP y Distinguished Engineer de la compañía, describió en el Agentic Infrastructure Stack Summit de VentureBeat que Uber compara agentes gestionados contra tareas reales y revisa indicadores de calidad como reversiones e incidentes. Para limpieza de feature flags reportó una reducción del 90% en el costo por limpieza tras evaluar y elegir el modelo adecuado. El resultado es específico de esa tarea, pero el método es replicable.

Red Hat aportó el otro extremo del trade-off. Stephen Watt, distinguished engineer y VP de la Office of the CTO, describió un piloto interno que combinó inferencia open-weight autoalojada, un gateway y presupuestos por desarrollador. Según la cuenta publicada por Red Hat, el despliegue redujo el gasto efectivo en tokens entre 40% y 70% frente a precios previos de modelos comerciales, dependiendo de caché y enrutamiento. El detalle importante: esos ahorros vinieron con trabajo operativo nuevo. Alguien tiene que operar el servicio, aplicar políticas y lograr adopción interna.

La rotación de infraestructura sigue siendo alta: el 56% de los encuestados planea adoptar una plataforma de cómputo de IA nueva, adicional o de reemplazo en los próximos 12 meses. El 17% corre modelos open-weight en producción y el 33% solo en trabajo interno o experimental. Apenas el 7% de quienes nombraron una plataforma usa un stack open source autoalojado en producción, y solo el 2% del total lo señala como su plataforma principal.

¿Qué significa esto para tu startup?

El mensaje central es que el costo de IA ya no se controla negociando el precio por token. Se controla midiendo costo por resultado.

Elige un flujo de trabajo concreto y define el éxito con su dueño. Antes de comparar modelos, acuerda con la persona responsable del proceso qué resultado cuenta como éxito y cuánta intervención humana es aceptable. Sin esa línea base, cualquier ahorro es una ilusión contable.
Cambia un componente a la vez, con la calidad fija. Prueba otro modelo, otra configuración de serving o otro enfoque de recuperación manteniendo constante el estándar de calidad. Incluye en la comparación el esfuerzo de integración, el soporte y la revisión humana: un precio por request más bajo no ahorra nada si el resultado exige más retrabajo.
Pregunta por los límites antes de firmar. Para modelos open-weight, revisa licencia, compatibilidad y soporte por separado: pesos públicos no equivalen a licencia open source ni garantizan un costo menor para tu tarea. Y con cualquier proveedor, pide que te muestren qué interfaces son estables, qué mejoras van upstream y dónde empieza el soporte comercial.
Suma a finanzas desde el principio. Cerca del 74% de las organizaciones no tiene un número de retorno defendible. Involucrar a finanzas en la línea base es la diferencia entre renovar el presupuesto el año que viene o explicar por qué no.

Conclusión

El cuello de botella de la IA corporativa dejó de ser el hardware. Con el 79% de las empresas planeando aumentar su presupuesto de IA y solo un cuarto midiendo retorno defendible, la brecha entre gasto y evidencia es el riesgo real. Cerrarla no requiere un equipo nuevo: requiere elegir un workflow, medirlo con rigor y cambiar una pieza a la vez. Los casos de Uber y Red Hat muestran que hay ahorros grandes disponibles, pero también que vienen con trabajo operativo que hay que presupuestar.

Mientras tanto, el mercado de capitales ya está mirando esta tensión: el 5 de noviembre las acciones tecnológicas cayeron con fuerza ante el temor de que los resultados de las elecciones de medio término frenen la construcción de data centers de IA, según Fortune. Y Microsoft recortó su previsión de capex para 2026 a US$170.000 millones desde US$175.000 millones, citando retrasos en contratos de GPU-as-a-Service, según Business Insider. Si el dinero se vuelve más selectivo, la pregunta que cada founder tendrá que responder es la misma: ¿cuánto valor produjo cada dólar invertido en IA?