La expansión de los agentes de inteligencia artificial está creando una nueva categoría de gasto y control dentro de las empresas. Ya no basta con saber cuántos empleados tienen acceso a una herramienta. Cuando los sistemas pueden ejecutar tareas durante horas, llamar a otras aplicaciones, generar código o desencadenar nuevas acciones, las organizaciones necesitan entender cuánto consumen, para qué se utilizan y quién responde por lo que hacen.
Atlassian está llevando esa cuestión al centro de su estrategia en Team’26 Europe, en Ámsterdam. Las nuevas capacidades de su plataforma permiten observar el consumo de IA por usuario, analizar qué modelos se utilizan para cada tarea, relacionar parte de ese gasto con iniciativas empresariales y asignar identidades y permisos específicos a agentes que empiezan a actuar de manera más autónoma.
El cambio refleja una evolución más amplia en la adopción de IA. El coste deja de estar asociado únicamente a una licencia por empleado y empieza a depender también de la cantidad de inferencia necesaria para ejecutar cada proceso.
Utilizar el modelo más potente puede ser una mala decisión
Una parte del problema está en cómo se elige el modelo.
Tamar Yehoshua, Chief Product & AI Officer de Atlassian, explicó durante un encuentro con medios que la compañía trabaja con más de 75 modelos y mantiene evaluaciones continuas para decidir cuál resulta más adecuado para cada tarea. La primera variable es la calidad, seguida de la latencia y el coste.
Eso significa que un modelo recién lanzado no pasa automáticamente a convertirse en la opción predeterminada. Atlassian prueba su rendimiento en los casos de uso que necesita y ajusta después el enrutamiento de las peticiones.
La lógica intenta evitar una práctica que empieza a aparecer en las empresas: utilizar modelos de máxima capacidad para tareas que no los necesitan.
Mike Cannon-Brookes, CEO y cofundador de Atlassian, puso un ejemplo interno durante Team’26 Europe. Al analizar miles de sesiones de agentes, la compañía detectó que en torno al 59% de determinadas tareas de documentación utilizaban modelos de una categoría superior a la necesaria. Según Cannon-Brookes, podían obtener un resultado similar con alternativas más baratas.
DX, la plataforma de Atlassian orientada a responsables de ingeniería, incorpora ahora métricas de efectividad de modelos por caso de uso. La idea es identificar cuánto cuesta realizar una tarea y comprobar si otra opción ofrece una calidad equivalente con menor consumo.
La consecuencia se aproxima a problemas conocidos de FinOps: capacidad variable, múltiples proveedores y una necesidad creciente de asignar el recurso más eficiente a cada carga.
Cannon-Brookes reconoce que las facturas de inferencia de Atlassian están aumentando a medida que crece el uso de IA. Su argumento es que el coste operativo de capacidades ya desplegadas continúa reduciéndose y que la compañía ha logrado rebajas de varios órdenes de magnitud en algunas funciones lanzadas durante los últimos dos años. La dificultad está en equilibrar ese descenso con la incorporación continua de nuevas cargas de IA.
Del consumo de tokens a las decisiones de inversión
Atlassian quiere trasladar esa visibilidad desde la infraestructura hacia la gestión.
Yehoshua explicó que los administradores podrán consultar el gasto en tokens por persona, sujeto a los permisos definidos dentro de cada organización. En Strategy Collection, la compañía está introduciendo además funciones de «AI capital management» para relacionar el coste de la IA con programas e iniciativas empresariales.
El objetivo es que un responsable pueda observar cuánto consume un determinado proyecto, qué proveedores participan y cómo se distribuye ese gasto entre diferentes líneas de trabajo.
La unidad de análisis cambia. Una organización puede dejar de preguntarse simplemente cuánto paga por disponer de inteligencia artificial y empezar a calcular cuánto cuesta utilizarla para una determinada iniciativa.
Esta transición adquiere más importancia con sistemas como Rovo Work, el nuevo modo de Rovo diseñado para tareas complejas de varios pasos. Puede mantener procesos funcionando durante periodos prolongados, ejecutar código y utilizar o crear herramientas cuando el administrador lo permite.
Ese tipo de ejecución introduce un consumo muy diferente al de una consulta convencional. Atlassian utiliza un sistema de enrutamiento automático para asignar tareas sencillas a modelos de menor coste y reservar capacidades más avanzadas para problemas que requieren razonamiento más complejo.
Los agentes empiezan a necesitar identidad propia
El control económico llega acompañado de un cambio en la forma de gestionar quién ejecuta el trabajo.
Atlassian está introduciendo cuentas específicas para agentes y un inventario de identidades no humanas. El objetivo es que un agente, una aplicación o una cuenta de servicio puedan disponer de permisos propios, en lugar de operar siempre bajo la identidad completa del empleado que los utiliza.
La distinción importa cuando el sistema adquiere capacidad de ejecución.
Yehoshua explicó que detrás de una cuenta de agente debe existir siempre una persona responsable. Los administradores podrán identificar ese agente y desactivarlo si su comportamiento no es el esperado.
La arquitectura que Atlassian está construyendo alrededor de AMP intenta hacer visible además si una acción la realizó directamente una persona, un agente con identidad propia, un agente actuando en nombre de alguien o una persona asistida por IA.
A través de MCP, los permisos pueden restringirse también según el riesgo de la operación. Atlassian diferencia entre acciones de lectura, escritura y operaciones destructivas, lo que permite que los clientes exijan confirmación explícita para determinadas tareas.
El aumento de autonomía convierte estos mecanismos en algo más que una cuestión de administración técnica. Un asistente que responde incorrectamente puede generar un problema limitado. Un agente capaz de modificar cientos de elementos de trabajo, documentos o procesos puede multiplicar las consecuencias del error.
Cannon-Brookes anticipa que durante los próximos dos años aparecerá un número significativo de problemas de seguridad relacionados con agentes y software asistido por IA. Su planteamiento es que la respuesta tendrá que apoyarse en identidad, permisos, observabilidad y capacidad de reacción.
Para las organizaciones europeas, Atlassian ha comenzado también a desplegar inferencia local de IA, que restringe el procesamiento de determinadas cargas a modelos alojados dentro de la Unión Europea.
Medir consumo no demuestra productividad
Disponer de más datos sobre la actividad de los agentes resuelve solo una parte del problema.
Antes de Team’26 Europe, una de las cuestiones pendientes era qué significa realmente afirmar que una organización está adoptando IA. El número de licencias activadas o de usuarios con acceso aporta poca información sobre los procesos que han cambiado y los resultados obtenidos.
Ahora aparecen métricas más operativas. Atlassian afirma que su MCP recibe millones de llamadas diarias y Yehoshua indicó que aproximadamente un tercio de ellas son ya operaciones de escritura. Los agentes empiezan a intervenir sobre los sistemas empresariales, en lugar de limitarse a recuperar información.
El siguiente paso es demostrar que esa actividad mejora resultados.
Atlassian está construyendo herramientas para relacionar consumo, modelos, agentes e iniciativas, pero conocer el coste de una tarea no permite atribuir automáticamente una mejora a la inteligencia artificial. Una reducción de tiempos puede proceder del agente, de haber eliminado pasos innecesarios o de haber obligado a la organización a revisar un proceso que ya era ineficiente.
La llegada de agentes convierte así la economía de la IA en un problema más amplio que controlar tokens. Las empresas empiezan a necesitar una disciplina que combine coste, calidad, autonomía y responsabilidad. La dificultad estará en conectar todas esas métricas con resultados empresariales y distinguir cuándo un mayor uso de IA representa progreso y cuándo simplemente significa que la organización está gastando más capacidad de cálculo.
