Agentes de IA: el 92% del costo es tiempo humano

El costo de un agente de IA no está donde crees

En el modelo de costos que NYXN usa para presupuestar un área de ingeniería, el consumo de los modelos de IA representa alrededor de 0,3 por ciento del costo de entregar un trabajo terminado. El tiempo de las personas concentra cerca de 92 por ciento. Lo explica David Casillas, CTO de la compañía especializada en adopción empresarial de inteligencia artificial agéntica, en entrevista con MILENIO.

Las cifras corresponden a las operaciones de ingeniería de NYXN, no a un promedio del mercado. Aun así, dejan una conclusión incómoda para cualquier founder que esté armando el presupuesto de IA de su empresa: negociar un mejor precio por token casi no mueve la aguja del costo total.

«Por eso hablar solo de licencias deja fuera casi todo el costo», resume Casillas.

El contexto de mercado acompaña esa idea. Gartner proyecta que el gasto mundial en IA llegará a 2,67 billones de dólares en 2026, un alza de 49,5 por ciento frente a los 1,79 billones de 2025, según reportó The Journal. De ese total, 1,484 billones se destinan a infraestructura de IA —cerca del 56 por ciento— mientras que el gasto en los modelos de IA generativa suma apenas 28,3 mil millones. La consultora lo resume así: por cada dólar gastado en modelos, más de 52 dólares se van en infraestructura para hacerlos funcionar.

¿Por qué un agente de IA cuesta más que un chatbot?

La diferencia es de comportamiento, no de tecnología. Una herramienta generativa responde a 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. Dependiendo de la complejidad de la tarea, una sola instrucción puede convertirse en decenas o cientos de ciclos de ejecución. Por eso el precio del token no alcanza para calcular el costo real: también hay que saber cuántas veces se re-ejecuta el agente, qué modelo usa en cada etapa y cuánto trabajo adicional exige el resultado.

Y aquí aparece el dato que más incomoda a los equipos de finanzas: Gartner midió un área de servicio en la que el gasto en IA creció 38 por ciento mientras el presupuesto total de esa área creció solo 2 por ciento, según la medición que Casillas cita a MILENIO. El dinero de IA no aparece de la nada: sale de partidas que estaban asignadas a otras actividades.

Las seis partidas que tu presupuesto de IA no está separando

NYXN identifica seis rubros que las empresas deberían separar en lugar de agrupar bajo un genérico «gasto en IA»:

• Consumo de modelos: tokens, inferencia, llamadas a APIs.
• Plataforma tecnológica: la infraestructura donde corren los agentes.
• Capacitación: formar al equipo para que sepa revisar lo que el agente entrega.
• Gobierno de la IA: reglas, permisos, auditoría y trazabilidad.
• Revisión humana: las horas de especialistas que validan los entregables.
• Retrabajo: corregir o reconstruir lo que no cumplió los criterios.

La última categoría es la que suele romper los presupuestos. Cuando una organización intenta ahorrar usando modelos más baratos en tareas que exigen precisión, el resultado puede ser peor que el problema original. «Una propuesta mal hecha se come más horas de revisión humana de las que ahorró en tokens», advierte el directivo, describiendo pruebas de NYXN con distintos modelos.

El ahorro en tecnología no desaparece: se traslada a la operación. Y en la operación, el costo por hora es mucho más alto que el costo por token.

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 inteligencia artificial, con una estimación de reducir de tres años a 11 meses el tiempo de ejecución del proyecto.

Conviene leer ese número con cuidado: es una proyección, no un resultado alcanzado. Casillas precisa que las cifras describen la configuración actual del equipo y que el cumplimiento depende, entre otros factores, de la capacidad del banco para revisar y aceptar los cambios que producen los agentes.

La tarea es compleja porque las reglas de negocio de un sistema bancario pueden estar distribuidas en miles de procedimientos acumulados durante décadas. Los agentes inventarían esos procedimientos, identifican relaciones, proponen equivalencias para la nueva arquitectura y preparan pruebas. Las 12 personas, en cambio, deben reconstruir la intención detrás de cada regla: por qué existe esa validación, si sigue siendo necesaria y qué obligaciones del banco podrían verse afectadas.

Ese trabajo no se resuelve leyendo código. Requiere conocimiento del negocio y decisiones humanas.

¿Cómo se controla lo que hace un agente dentro de la empresa?

El cuello de botella se mueve. Si los agentes producen entregables más rápido de lo que las personas pueden revisarlos, la organización acumula tareas pendientes de aprobación. La productividad del agente no se puede medir de forma aislada.

Casillas resume la observabilidad en tres elementos concretos:

• Identidad propia para cada agente. Credenciales distintas a las de cualquier empleado, para que una auditoría pueda identificar quién o qué ejecutó una operación.
• Registro de actividad. Qué información recibió el agente, qué herramienta usó, qué resultado obtuvo, cuánto tardó, cuánto costó y si superó las pruebas.
• Presupuesto con límites. Topes de gasto por sesión y por proyecto, con alertas para consumos inusuales o tareas que se rechazan repetidamente.

A esto se suma el riesgo de prompt injection: un agente puede encontrarse con órdenes ocultas dentro de documentos, correos u otras fuentes que procesa. Por eso NYXN plantea que los límites relevantes se impongan en la arquitectura y en los permisos del sistema, no solo en las instrucciones que recibe el modelo.

La metodología Forge, desarrollada por la compañía, se apoya en tres principios: dar a los agentes contexto suficiente sobre el negocio, establecer mecanismos de gobierno y mantener a las personas supervisando la operación. Ese último punto es el modelo Human on the Loop: los agentes operan de forma autónoma dentro de parámetros definidos, y las personas intervienen en las excepciones.

La responsabilidad final no se delega. 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.

¿Qué significa esto para tu startup?

Si estás desplegando agentes de IA —o pensando en hacerlo— el mensaje central es que el costo real vive en la revisión, no en la licencia. NYXN reporta que, durante dos años comparando proyectos desarrollados con agentes de IA contra proyectos con metodologías ágiles convencionales, observó mejoras de entre 50 y 70 por ciento en los tiempos de ejecución. La propia compañía aclara que la cifra corresponde a su experiencia y no debe leerse como una reducción garantizada para cualquier organización o tipo de proyecto. Casillas también reconoce que parte de la mejora puede venir de una mayor medición del trabajo y de reutilizar especificaciones, pruebas y criterios de aceptación entre proyectos, además de la incorporación de agentes.

Dos acciones concretas para aplicar esta semana:

• Abre una partida presupuestaria específica para IA y mide costo por trabajo entregado y aceptado. No por tareas generadas ni por volumen de tokens. Si tu equipo produce 200 entregables y solo puede aprobar 40, tu costo real está en los 160 que quedaron en cola.
• Asigna identidad y presupuesto propios a cada agente antes de ampliar su autonomía. Define qué tareas puede ejecutar, cómo se comprueba el resultado y quién responde cuando algo sale mal. Y ajusta la autonomía a la capacidad de revisión de tu equipo, no al revés: un equipo con menos experiencia puede aceptar resultados que un especialista identificaría como incorrectos.

Hay un tercer punto que suele olvidarse: la capacitación es parte del costo, no un extra. En un contexto como el mexicano, además, usar IA no elimina las obligaciones de la empresa sobre los datos personales que procesa ni sobre las decisiones que toma con ellos.

La adopción de agentes no depende solo de tener modelos más capaces. Exige cambiar la forma de organizar el trabajo y sostener mecanismos que permitan supervisar la ejecución, medir los costos y comprobar los resultados. Para un founder con equipo chico, eso es una buena noticia: la ventaja no la da el modelo más potente, sino la claridad sobre qué se automatiza, qué se revisa y quién firma.

Fuentes

• MILENIO: Agentes de IA, el gasto empresarial va más allá de los modelos
• The Journal: Gartner, Worldwide AI Spending to Reach $2.67 Trillion in 2026
• HPCwire: Gartner Forecasts Worldwide AI Spending to Grow 49.5% in 2026

Artículos relacionados:

Agentes IA en la empresa: ¿uno por persona o uno por equipo? Desempleo, agentes 24/7 y la carta de Dario Amodei Tu primer empleado digital cuesta $20 al mes Dejé de usar la IA como herramienta y la contraté Ponle límites a tu IA antes de delegarle todo