El impacto financiero de los tokens en la rentabilidad corporativa
El coste operativo de la inteligencia artificial se ha convertido en un problema de gestión financiera para diversas compañías. El modelo de precios basado en tokens —las unidades básicas de texto que los modelos leen y escriben— ha provocado que algunas empresas vean cómo sus márgenes de beneficio se desploman al escalar sus servicios. Un ejemplo crítico es el de Harvey, una firma que desarrolla herramientas de IA para despachos de abogados utilizando modelos de OpenAI y Anthropic.
Según datos de Bloomberg, los márgenes brutos de Harvey cayeron del 50 % a un 50 % negativo hacia junio, debido a que el consumo de tokens se multiplicó por veinte. Para revertir esta situación, la empresa lanzó en agosto su propio modelo basado en Kimi K3 de Moonshot, un sistema de pesos abiertos (open-weight). Este cambio permitió que la compañía recuperara márgenes positivos, ya que los modelos de pesos abiertos pueden descargarse y ejecutarse en servidores propios, sustituyendo el pago por token por el coste directo de la potencia de cómputo.
Otras startups como Abridge y Ramp están siguiendo una trayectoria similar, alejándose de los modelos cerrados y costosos para adoptar infraestructuras que permitan un control más estricto del gasto. Esta tendencia indica que las organizaciones ya no priorizan únicamente la capacidad máxima del modelo, sino que buscan el equilibrio entre la calidad del resultado y el coste por tarea completada.
Fragmentación del mercado de la IA de frontera en tres ejes de control
El mercado de la IA de frontera, compuesto por los modelos más avanzados y capaces, ha dejado de ser un sector homogéneo para dividirse en tres segmentos operativos distintos. Esta fragmentación redefine lo que significa tener éxito en el sector, ya que el laboratorio con la puntuación más alta en un benchmark ya no es necesariamente el que controla la implementación real en las empresas.
El primer eje se centra en el acceso a la inteligencia. En este segmento, empresas como xAI con su modelo Grok 4.6 compiten ofreciendo capacidades avanzadas a precios específicos, como 2 dólares por millón de tokens de entrada y 6 dólares por millón de tokens de salida. El objetivo aquí es capturar el mercado mediante el suministro de inteligencia general procesable.
El segundo eje es la propiedad total del modelo a través de los pesos abiertos. Alibaba ha entrado en esta lucha con Qwen3.8, un modelo de clase Max con 2,4 billones de parámetros, de los cuales 95.000 millones están activos mediante una arquitectura de mezcla de expertos (mixture-of-experts). Este enfoque permite que las empresas tengan el control total sobre la ejecución y los datos, evitando la dependencia de un proveedor externo y sus fluctuaciones de precios.
El tercer eje es la gestión de la asignación de tareas, donde el valor no reside en el modelo en sí, sino en el sistema que decide qué modelo es el más adecuado para cada trabajo. Nvidia está liderando este espacio con Nemotron 3.5 Lightning, que activa solo 3.000 millones de sus 30.000 millones de parámetros, y el sistema Switchyard. Esta herramienta actúa como un enrutador que dirige cada solicitud al modelo más económico capaz de resolverla, optimizando así el gasto operativo de la organización.
Despliegues masivos y aplicaciones en el uso diario
A pesar de los retos económicos, la IA ha alcanzado una fase de implementación masiva en sectores diversos, integrándose en procesos operativos cotidianos. McDonald's ha implementado un sistema de machine learning en casi 14.000 restaurantes de Estados Unidos para sugerir precios óptimos en su menú. El algoritmo analiza millones de transacciones diarias, lo que ha generado disparidades de precios notables entre establecimientos cercanos, como ha ocurrido en Fresno, donde un Big Mac puede variar entre 5,69 y 6,89 dólares.
En el sector sanitario, la herramienta de búsqueda OpenEvidence ha sido adoptada por aproximadamente el 40 % de los médicos en Estados Unidos. Esta plataforma permite a los profesionales realizar consultas clínicas y obtener respuestas fundamentadas estrictamente en investigación médica, trasladando la capacidad de la IA generativa al entorno de la práctica asistencial.
En el ámbito del entretenimiento y las apuestas, DraftKings desarrolló un modelo en 2023 para calificar a sus clientes según la pérdida estimada tras recibir una apuesta gratuita. Según la empresa, estas promociones impulsadas por IA contribuyeron a una mejora del 13 % en los márgenes de su sportsbook durante 2025. Por otro lado, el sector del desarrollo de software ha visto el crecimiento de agentes de codificación como Devin, creado por Cognition, que ha captado clientes de la talla de Nvidia, Citigroup y Mercedes-Benz, proyectando unos ingresos anuales de 1.000 millones de dólares.
Restricciones, retrocesos y riesgos operativos
El despliegue acelerado de la IA también ha provocado una reacción contraria, con organizaciones que eliminan o restringen estas herramientas debido a fallos críticos o preocupaciones de seguridad. Walmart ha prohibido el uso de cartelería generada por IA en sus tiendas, obligando a los establecimientos a utilizar los canales corporativos aprobados para evitar inconsistencias visuales.
La retención de datos ha sido otro motivo de restricción. Nvidia, Palantir y Booz Allen limitaron el uso de Fable, de Anthropic, después de que se revelara que la empresa mantenía registros de uso durante 30 días. En el caso de Booz Allen, la prohibición fue total para los empleados que trabajan en software de ciberseguridad propietario, para evitar fugas de información sensible.
En el sector educativo, el distrito escolar de Los Ángeles (LAUSD) bloqueó temporalmente la IA generativa en los dispositivos suministrados a los alumnos, aunque mantuvo el acceso para los profesores. Asimismo, el proyecto de código abierto System76 ha prohibido cualquier contenido generado por modelos de lenguaje (LLM) en las solicitudes de cambios y comentarios de sus proyectos Pop!_OS y el escritorio COSMIC, exigiendo que el código y las descripciones sean estrictamente humanos.
Errores críticos y riesgos declarados en informes financieros
La fiabilidad de la IA sigue siendo un punto débil, especialmente en entornos donde el error puede tener consecuencias graves. Un informe de Healthwatch England reveló que un sistema de transcripción médica utilizado por el NHS eliminó la palabra «null» en un resultado de prueba de desmielinización. Esta omisión invirtió completamente el sentido del diagnóstico, transformando un resultado negativo en uno positivo.
Esta incertidumbre se refleja en los documentos presentados ante la Comisión de Bolsa y Valores de Estados Unidos (SEC). La cadena de cines AMC ha incluido la aceptación del público hacia las películas creadas con IA como un riesgo empresarial. De igual manera, la empresa de software para seguros Guidewire ha advertido que sus propios clientes podrían utilizar la IA para desarrollar herramientas que reduzcan o eliminen la necesidad de contratar sus soluciones.
No obstante, existen empresas que están monetizando la tecnología desde la propiedad intelectual. La editorial People Inc ha empezado a contabilizar las regalías por licencias de contenido para el entrenamiento de modelos de lenguaje como una fuente de ingresos, situando estos acuerdos al mismo nivel que sus contratos con plataformas como Apple News+.
El cambio de paradigma hacia la eficiencia y la medición
La transición actual marca el fin de la etapa de experimentación ciega para entrar en una fase de optimización financiera. Las empresas ya no ven el modelo de IA como una pieza fija, sino como un componente intercambiable que puede sustituirse si el precio deja de ser competitivo. Esto ha llevado a que proveedores como Anthropic eliminen los descuentos empresariales del 15 % una vez que el cliente alcanza el volumen contratado, obligándoles a renegociar o pagar el precio de lista.
La lección práctica para las organizaciones es la implementación de métricas estrictas de coste por tarea completada. Solo los equipos que conocen exactamente cuánto cuesta cada operación de IA pueden negociar con los proveedores o decidir el momento preciso para migrar la carga de trabajo a un modelo más económico sin sacrificar la calidad necesaria para la tarea.
El mercado se mueve ahora hacia la especialización. Mientras que antes se buscaba el modelo más potente para todo, ahora se busca el modelo más pequeño y eficiente que pueda resolver un problema concreto. Esta tendencia hacia la fragmentación sugiere que el futuro de la IA corporativa no dependerá de un único ganador tecnológico, sino de la capacidad de las empresas para orquestar múltiples modelos según su coste, propiedad y rendimiento.
