McKinsey: agentes de IA, 20% del costo laboral

¿Cuánto cuesta realmente operar agentes de IA en un banco?

El 20% de los costos laborales totales de la banca. Esa es la cifra que McKinsey pone sobre la mesa en su Global Banking Annual Review: el gasto en tokens que alimentan las operaciones de los agentes de IA podría llegar a ese nivel. Para un founder que hoy paga su factura de API sin mirarla demasiado, la señal es clara: operar IA dejó de ser un detalle de ingeniería y se convirtió en una línea del P&L.

Según el informe, citado por Reuters, los bancos globales ya empezaron a moverse para contener ese gasto. El control del desembolso en IA pasó a manos de equipos dedicados que en algunas entidades se llaman AI FinOps. No es un comité de innovación ni un laboratorio: es una función financiera con la misma lógica que el FinOps de la nube, pero aplicada a tokens.

El dato importa porque rompe una intuición muy extendida. Durante dos años el relato dominante fue que el precio por token caía y que, por lo tanto, la IA se volvería más barata sola. La realidad que describe McKinsey es la contraria: el costo total sube aunque el precio unitario baje, porque los agentes consumen muchísimos más tokens que un chat tradicional.

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 →

¿Por qué el enrutamiento de modelos dejó de funcionar?

La primera estrategia de los bancos fue de sentido común: dirigir cada consulta al modelo más barato que pudiera resolverla. Preguntas simples a modelos económicos, preguntas complejas a modelos premium. Un sistema de triaje por complejidad.

Ese enfoque se volvió insuficiente cuando entraron en juego los agentes. La razón la explicó Vik Sohoni, socio senior de McKinsey y coautor del informe, a Reuters: «Esos modelos son ineficaces cuando los agentes de IA están en funcionamiento porque se comunican entre sí y el uso de tokens se acumula rápidamente».

El problema es estructural, no de configuración. Un agente que delega en otro agente, que a su vez consulta una herramienta, multiplica las llamadas sin que nadie haya escrito una pregunta adicional. El consumo deja de estar atado a la intención de una persona y pasa a depender de la topología del sistema que construiste. Ahí el triaje por complejidad se queda corto: no hay una consulta que clasificar, hay un árbol de decisiones ejecutándose solo.

La consecuencia práctica que reporta McKinsey es que los bancos se están volviendo más selectivos: en lugar de desplegar agentes en todas las áreas, priorizan los casos donde el retorno esperado es mayor. El ahorro por productividad es relativamente fácil de medir. El crecimiento de ingresos atribuible a la IA es mucho más difícil, y sin embargo es lo que ahora usan para justificar el gasto adicional.

¿Qué es AI FinOps y por qué tu startup lo va a necesitar?

El caso más concreto que se conoce fuera del informe es el de BNY, el banco custodio estadounidense. Su CFO, Dermot McDonogh, contó a Bloomberg Television —recogido por The Next Web— que la entidad construyó herramientas de telemetría para rastrear cuánto gasta en tokens y para enviar cada tarea al modelo más adecuado. La frase que resume la política: «No usamos modelos caros para consultas baratas».

BNY opera alrededor de 400 agentes de IA y maneja un presupuesto tecnológico anual de US$4.000 millones, del cual la IA es solo una parte. El detalle revelador es el cambio de postura: según The Next Web, en julio McDonogh había declarado a Fortune que el banco no medía el uso de tokens y que se enfocaba en resultados. Meses después, la telemetría es una prioridad.

Ese giro no es aislado. El mismo artículo de The Next Web recuerda que el CEO de Commonwealth Bank of Australia advirtió sobre facturas crecientes, y que Atlassian puso a sus ingenieros bajo presupuestos mensuales de IA. La presión no distingue entre banca y software.

El contexto de mercado lo confirma. Gartner proyecta que el gasto empresarial en IA más que se duplicará hasta US$5,6 billones en 2030, según recoge Forbes. Y los datos de Flexera citados por Forbes muestran que solo el 31% de los líderes cree tener visibilidad precisa de su gasto en software de IA, mientras que el 59% reportó un aumento interanual del gasto desperdiciado. El FinOps Foundation, en su informe State of FinOps 2026, identifica la gestión de costos de IA como la principal habilidad que los equipos necesitan desarrollar.

¿Qué esperan los clientes de un agente bancario?

McKinsey encuestó a 46.000 clientes de banca minorista en varios países, y el resultado tiene una lectura directa para cualquiera que diseñe productos con agentes. La mayoría ya usó IA para comparar servicios bancarios, buscar cuentas de ahorro con mejor rendimiento y refinanciar o consolidar deudas.

Entre los usuarios de IA, el 72% dijo estar dispuesto a autorizar a un agente bancario a realizar una tarea financiera. Pero cuando se trata de aprobar transacciones automatizadas, pusieron un techo: US$500 como máximo.

Ese número es el más útil de todo el informe para un founder. La confianza en los agentes no es binaria: la gente acepta delegar la búsqueda, la comparación y la preparación, pero reserva la ejecución con impacto patrimonial. Diseñar un producto que asuma lo contrario es diseñar para un usuario que no existe.

McKinsey estima además que los agentes de IA se usarán ampliamente en los próximos tres años, frente a los cinco a diez años que tardó el internet móvil en alcanzar adopción masiva. Como señal de velocidad, el informe menciona que el agente Muse de Meta se descargó cinco millones de veces en Estados Unidos en sus primeros 22 días.

¿Qué significa esto para tu startup?

Aunque el informe hable de banca, la dinámica de costos es idéntica en cualquier empresa que use agentes. Estas son las acciones que puedes implementar esta semana:

Instrumenta antes de optimizar. Si no sabes qué equipo, qué flujo y qué modelo consumen tus tokens, cualquier recorte es a ciegas. Empieza por registrar consumo por caso de uso, no solo por cuenta de proveedor. Flexera reporta que el 59% de los líderes vio crecer su gasto desperdiciado en IA: la mayoría de ese desperdicio es invisible hasta que lo mides.
Define una política de selección de modelo por caso de uso. La lección de BNY es simple y aplicable: no uses el modelo más caro para la tarea más barata. Escribe la regla, no la dejes al criterio de cada desarrollador.
Presupuesta por agente, no por equipo. Los agentes generan consumo sin que una persona inicie cada interacción. Un límite mensual por ingeniero no captura ese patrón; un límite por agente sí.
Mide el valor, no el volumen. El objetivo no es minimizar tokens ni maximizarlos. Un flujo con alto consumo puede ser excelente si acelera una acción crítica, y una función barata puede ser puro desperdicio si nadie la usa.
Diseña la confianza por tramos. El techo de US$500 que pusieron los encuestados de McKinsey sugiere el patrón: deja que el agente prepare y recomiende, y pide confirmación humana en el momento en que se mueve dinero.

Conclusión

La noticia no es que la IA cueste. La noticia es que el costo dejó de ser predecible y que las organizaciones más grandes del mundo ya crearon una función específica para gobernarlo. Cuando un banco con 400 agentes en producción pasa de «no medimos tokens» a construir telemetría propia en pocos meses, el mensaje para el resto del ecosistema es que la ventana para improvisar se está cerrando.

Para un founder hispanohablante con equipos pequeños, esto es una ventaja potencial: instalar disciplina de costos con 10 agentes es infinitamente más fácil que con 400. La condición es hacerlo antes de que la factura obligue.