Agentes de IA cuestan 10 veces más que los chatbots

Los agentes de IA consumen hasta 10 veces más tokens que un chatbot

Para 2029 habrá más de 1.000 millones de agentes de IA operando en todo el mundo, y IDC proyecta que esa cifra será unas 40 veces mayor que la de 2025. Esos agentes consumirán 3,7 billones de tokens y llamadas a la API al día, según el análisis publicado por Forbes España.

Cada una de esas llamadas tiene un precio, y ese precio decide si una empresa puede permitirse que un agente gestione millones de acciones. La advertencia más concreta viene de Marc Bolitho, CEO de Tensordyne: los agentes consumen entre cinco y diez veces más tokens que los chatbots, a veces incluso más.

Si ya tienes un asistente conversacional en producción, ese dato te toca directamente: la factura de tu chatbot no es una referencia válida para presupuestar tu primer agente. Son dos productos distintos con dos estructuras de coste distintas.

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 un agente cuesta más si el precio por token baja?

Una caída en el precio del procesamiento de IA no garantiza un menor coste de IA. A medida que un agente da más pasos, investiga excepciones y verifica su propio trabajo, su uso total puede crecer más rápido de lo que bajan los precios.

Pensemos en una tienda que quiere automatizar devoluciones. En una demo, el flujo parece trivial: el agente encuentra el pedido, verifica la política, aprueba el reembolso y envía la etiqueta de envío.

La decisión de inversión se complica cuando aparece un recibo faltante, una compra disputada o una excepción a la política. Cada verificación adicional exige más cómputo, y cada error o caso sin resolver devuelve a un empleado al circuito. Ese es el punto ciego: el coste no escala con el número de devoluciones, sino con la variedad de casos que el agente debe resolver.

El tiempo de respuesta también entra en el presupuesto. Un cliente que espera la autorización de un reembolso necesita respuesta inmediata; un informe interno urgente tolera más espera. Los responsables deberían pedir a los proveedores que fijen el precio según la velocidad que exige la carga de trabajo y comprobar después si la rentabilidad se sostiene cuando crecen el volumen y la complejidad.

Entrenamiento e inferencia: dos gastos que no se parecen en nada

El entrenamiento es una inversión inicial que se repite cada vez que se actualizan los modelos. La inferencia ocurre cada vez que se usa el modelo entrenado, y es la que genera la factura recurrente. Entrenar es la educación; inferir es el trabajo.

Una empresa que compra un servicio de IA puede que nunca entrene su propio modelo, pero su uso genera costes de inferencia que el proveedor recupera a través del precio. Eso conecta el presupuesto de IA de cualquier compañía con la competencia entre los fabricantes de chips.

Chips más eficientes podrían hacer rentables más flujos de trabajo; chips ineficientes pueden anular los ahorros que la empresa esperaba. Y esa distinción plantea una decisión de compra que muchos equipos pasan por alto: el hardware que sirvió para entrenar un modelo no es automáticamente la mejor plataforma para ejecutarlo.

La apuesta logarítmica de Tensordyne: matemáticas para bajar el coste por token

Bolitho sostiene que la ventaja competitiva de Nvidia es mayor en el entrenamiento que en la ejecución, y que la inferencia deja más margen a competidores especializados en coste y velocidad. Nvidia y AMD ya combinan sus chips con software diseñado para ejecutar modelos de forma eficiente, así que la carrera está en marcha.

Tensordyne juega con un enfoque distinto. Su procesador Napier usa logaritmos para convertir ciertas multiplicaciones en sumas. Como los modelos de IA se apoyan principalmente en la multiplicación, sustituirla por suma reduce energía y área de chip, liberando recursos para memoria y otras funciones.

Según The Next Platform, la compañía levantó 176 millones de dólares en tres rondas, tiene más de 120 empleados y su complejo Napier suma 138.000 millones de transistores en un proceso de 3 nanómetros de TSMC. El mismo medio señala que el chip consume 300 vatios, frente a los 1.200 vatios de una GPU Blackwell B300 de Nvidia.

Conviene leer la letra pequeña. Los multiplicadores de 17 veces más tokens por vatio y 13 veces más rendimiento frente a Blackwell son proyecciones de la propia empresa, no resultados verificados de forma independiente ni reducciones equivalentes en la factura del cliente. TweakTown reporta además que Tensordyne habla de más de 200 millones de dólares en demanda proyectada de sistemas, con acceso a la nube previsto para finales de 2026 y envíos a partir del segundo trimestre de 2027.

Bolitho afirma que Tensordyne es la primera empresa en comercializar por completo un sistema numérico logarítmico para inferencia de IA. El matiz importa: el científico jefe de Nvidia, Bill Dally, ya había mencionado el potencial de la computación logarítmica. La diferencia está en la comercialización, no en la idea.

Cómo medir el coste real de un agente

Dividir la factura del modelo entre el número de devoluciones intentadas deja fuera casi todo el coste operativo. El cálculo debe incluir integración, mantenimiento, supervisión, intentos fallidos y a los empleados que corrigen errores o cierran casos pendientes.

La métrica más útil es otra: coste operativo total dividido por el número de tareas resueltas según el estándar que exige el negocio. Conviene además medir con qué frecuencia el cliente vuelve a contactar a soporte, porque una interacción barata se convierte en una solución carísima si hay que repetirla.

La misma disciplina aplica al tiempo ahorrado. Si un agente libera a tu equipo de las tareas rutinarias, identifica qué harán esas personas ahora y mide el cambio. El tiempo ahorrado justifica la inversión cuando genera más capacidad, mejor servicio o un gasto que la empresa puede evitar.

Las cinco preguntas que Harvard recomienda hacer sobre el gasto en IA

Doug Levin, investigador ejecutivo de Harvard Business School, recomienda una contabilidad más clara para las inversiones en IA. Su propuesta se traduce en cinco preguntas que cualquier líder puede usar:

¿En qué parte del presupuesto aparece el gasto en IA?
¿Cuánto cuesta cada tarea completada con éxito?
¿Quién es responsable del gasto en IA?
¿Qué despliegues de agentes requieren aprobación?
¿Con qué frecuencia recibe el comité de auditoría informes sobre los costes de la IA?

Las respuestas deberían revelar cómo cambia el gasto a medida que el agente asume más responsabilidades. Un despliegue que resulta económico para devoluciones rutinarias puede volverse costoso cuando se extiende a disputas que exigen verificaciones repetidas e intervención del personal. El objetivo es tener visibilidad suficiente para detectar ese cambio antes de que un piloto exitoso se convierta en una inversión decepcionante.

¿Qué significa esto para tu startup?

Tres movimientos concretos, en este orden:

Presupuesta por tarea resuelta, no por token. Antes de firmar con un proveedor, define la tarea exacta —una devolución cerrada, un ticket resuelto— y pide un precio por esa unidad. El coste por token es una métrica de laboratorio; el coste por tarea resuelta es el número que decide si el proyecto sobrevive al tercer mes.
Prueba los casos difíciles antes de escalar. Corre tu agente contra tus peores escenarios —compras disputadas, excepciones de política, datos incompletos— y mide cuántas veces termina un humano. Si una parte relevante de los casos vuelve a una persona, tu ahorro real es mucho menor que el de la demo de ventas.
Exige pruebas independientes, no benchmarks del vendedor. Los multiplicadores de tokens por vatio que promete cualquier fabricante de silicio son proyecciones hasta que un tercero los valida en cargas reales. Negocia sabiendo esa asimetría de información.

Y una advertencia sobre el momento. El salto de los asistentes de chat a los agentes autónomos no es una simple actualización de producto: cambia la naturaleza del gasto, de un coste por consulta a un coste por flujo de trabajo completo. Los equipos que entiendan esa diferencia antes de escalar tendrán una ventaja de margen difícil de copiar.

Conclusión

El precio por token seguirá bajando, pero eso no significa que tu factura de IA vaya a bajar. Los agentes dan más pasos, verifican más y fallan en casos que antes ni existían en el flujo. La empresa que gane esta etapa no será la que consiga el chip más barato, sino la que sepa cuánto le cuesta cada tarea resuelta y use ese número para decidir qué automatizar, qué mantener en manos de personas y cuándo conviene frenar.