La IA agéntica llega a Web Summit 2026 con una preocupación mucho más concreta que demostrar hasta dónde pueden llegar los agentes: conseguir que su despliegue resulte económicamente sostenible. Las propuestas presentadas estos días en Lisboa apuntan hacia una nueva etapa en la adopción empresarial, marcada por el control del consumo, la elección de dónde ejecutar los modelos, la gestión de la infraestructura y la integración de los agentes en procesos de negocio reales.
El cambio prolonga una tendencia que se ha ido haciendo visible durante 2026. A medida que las organizaciones pasan de las pruebas con IA generativa a sistemas que trabajan de manera continua, consultan distintas fuentes, encadenan modelos y ejecutan acciones, el coste deja de limitarse a pagar una licencia o contratar capacidad de cómputo. Cada interacción puede multiplicar llamadas a modelos, tokens procesados y movimientos de datos.
Web Summit está mostrando distintas respuestas a esa misma ecuación. Algunas empresas intentan controlar el gasto mientras la IA se ejecuta; otras desplazan inferencia desde el cloud hasta dispositivos locales. La infraestructura de almacenamiento entra también en los cálculos, mientras aparecen plataformas destinadas a incorporar agentes directamente a los flujos de trabajo.
AI FinOps lleva el control financiero hasta cada agente
Una de las señales más claras es la aparición de una categoría específica alrededor del control económico de la IA. Airia llega a Lisboa después de haber sido situada por Gartner entre los «Market Shapers» de su Emerging Market Quadrant para AI FinOps Tools dedicado a startups.
El problema que intenta resolver surge directamente del escalado. El consumo impredecible de tokens, las diferencias de precio entre modelos y unos workflows que pueden involucrar múltiples sistemas hacen más difícil anticipar cuánto costará una aplicación cuando pasa de una prueba controlada a operar dentro de una organización.
La propuesta de Airia combina routing entre modelos, seguimiento del consumo y controles presupuestarios en tiempo de ejecución. Las empresas pueden atribuir costes por organización, equipo, usuario, proyecto o caso de uso y seleccionar modelos teniendo en cuenta variables como complejidad de la tarea, rendimiento, sensibilidad de los datos y precio.
Es una evolución relevante de FinOps. La disciplina surgió para aportar responsabilidad financiera al consumo flexible de infraestructura cloud y ahora empieza a extenderse a una IA cuyo gasto puede variar incluso dentro de una misma aplicación dependiendo de las decisiones que adopte el agente.
La consecuencia también afecta a la arquitectura. Utilizar siempre el modelo más capaz deja de ser necesariamente la opción óptima cuando miles o millones de ejecuciones convierten pequeñas diferencias de precio en costes operativos significativos. El routing permite reservar modelos más caros para tareas que necesitan esa capacidad y derivar otras a alternativas más eficientes.
La economía de los tokens modifica dónde se ejecuta la IA
Acrab plantea el problema desde una capa diferente. La compañía lleva a Web Summit un sistema diseñado para ejecutar agentes y modelos directamente en dispositivos, con el objetivo de reducir dependencia del cloud y hacer más predecible el coste de inferencia.
Su argumento parte de una dificultad recurrente en los proyectos de IA: los incrementos de productividad previstos pueden deteriorarse cuando la actividad de los agentes genera un volumen de tokens mucho mayor del esperado. La compañía dedica precisamente su intervención en Lisboa a «Taming Token Economics», un planteamiento que vincula la sostenibilidad económica de la IA empresarial con decisiones de infraestructura.
El procesamiento local que propone Acrab desplaza parte de la inferencia al dispositivo. Su GΞLIX 1, un SoC de 5 nanómetros, está diseñado para soportar inferencia local con modelos abiertos de hasta 100.000 millones de parámetros. Agent Box extiende esa capacidad a casos como automatización de workflows, creación de contenido multimodal y gestión local de conocimiento empresarial.
La propuesta comercial de una sola empresa no permite concluir que la inferencia local vaya a sustituir al cloud. Sí evidencia una cuestión que está ganando importancia: la búsqueda de rentabilidad empieza a condicionar dónde se ejecuta la IA.
Latencia, privacidad y soberanía del dato ya favorecían determinadas cargas locales. El coste añade ahora otro incentivo. Para algunas aplicaciones con uso intensivo y relativamente predecible, ejecutar parte del procesamiento sobre infraestructura propia puede modificar la comparación económica con el pago recurrente por llamadas a servicios externos.
Escalar IA obliga a mirar más allá del coste del modelo
La infraestructura de datos amplía todavía más esa ecuación. Western Digital ha llevado a Web Summit una sesión cuyo propio título, «AI at Scale: Shifting from Technical Capability to Profitability», refleja la evolución desde comprobar que una tecnología funciona hasta determinar si puede explotarse de forma rentable.
La compañía se apoya en un estudio de IDC patrocinado por WD que pone cifras al efecto que la IA está teniendo sobre el almacenamiento. El 98,2% de las organizaciones encuestadas considera importante o muy importante el coste total por terabyte. Además, el 74,3% afirma que la IA y la IA generativa les están llevando a conservar los datos durante más tiempo y el 75,9% está recuperando información archivada para utilizarla en cargas de IA.
Los porcentajes proceden de un estudio patrocinado por un proveedor de almacenamiento y deben interpretarse teniendo en cuenta ese origen, pero ilustran una consecuencia habitual del despliegue de estos sistemas: cuanto mayor es el volumen de información disponible para entrenamiento, contextualización o inferencia, más relevante resulta la economía asociada a conservarla y recuperarla.
El coste real de una aplicación empresarial de IA se reparte así entre más capas: almacenamiento, transferencia y preparación de datos, capacidad de cómputo, llamadas a modelos, integraciones, supervisión y mantenimiento. Una mejora del precio por token puede quedar compensada por el crecimiento del número de ejecuciones o por necesidades adicionales de infraestructura.
Los agentes empiezan a ocupar procesos completos de negocio
La presión económica aumenta además a medida que los agentes dejan de utilizarse como asistentes aislados y pasan a formar parte de procesos empresariales permanentes.
Samepage.ai ofrece en Lisboa un ejemplo de esa transición. Su nuevo producto Bets distribuye distintos agentes a través del ciclo de desarrollo de producto. Unos investigan necesidades y preparan requisitos, otros generan prototipos y código, y otro se ocupa de tareas vinculadas al lanzamiento.
El sistema conecta más de 50 integraciones y permite a los agentes leer y escribir en herramientas como Jira, GitHub, Slack, Notion o Intercom. La revisión humana se mantiene antes de que el trabajo avance entre determinadas fases.
Samepage no aporta resultados económicos suficientes para medir el retorno de ese modelo, pero muestra por qué la cuestión del coste adquiere otra dimensión. Un agente que responde ocasionalmente a un empleado genera un patrón de consumo relativamente limitado. Varios agentes que investigan, programan, consultan sistemas corporativos y producen contenido dentro de un workflow permanente multiplican tanto las posibilidades de automatización como las operaciones que deben financiarse y controlarse.
Toptal intenta responder a otra parte del problema mediante una arquitectura que combina modelos propietarios y open-weight y evita depender de un único proveedor. La nueva división Toptal AI permite desarrollar modelos adaptados a datos empresariales, desplegar agentes dentro de workflows existentes y mantener el control sobre sistemas y datos.
La compañía ha diseñado además AI Workstation como un centro de control para conectar plataformas y herramientas de distintos proveedores. Esa capacidad puede adquirir importancia cuando el coste, el rendimiento o los requisitos de una tarea aconsejan cambiar de modelo en lugar de construir toda la operación alrededor de una única plataforma.
La propia formulación de Toptal resulta significativa: la compañía sitúa entre los objetivos de su propuesta el control de costes, sistemas, datos e infraestructura. El mercado empieza así a tratar la portabilidad entre proveedores y la elección dinámica de modelos como variables operativas, además de tecnológicas.
Los anuncios de Lisboa no resuelven todavía la discusión sobre el retorno de la IA agéntica. Tampoco aportan métricas comparables que permitan determinar cuánto ahorro producen estas nuevas capas de tecnología. Lo que sí muestran es hacia dónde se está desplazando el mercado a medida que los pilotos se convierten en sistemas operativos.
Durante buena parte de 2026, la cuestión para las empresas ha sido cómo trasladar las capacidades de los agentes a resultados económicos medibles. Web Summit añade una señal más de esa transición: proveedores de software, chips e infraestructura están diseñando ya sus productos alrededor del coste de operar IA a escala.
La rentabilidad de los agentes dependerá así de bastantes más variables que el precio del modelo. Elegir qué modelo ejecuta cada tarea, decidir qué inferencia permanece en el cloud, establecer qué datos merece la pena conservar y determinar en qué procesos la autonomía compensa su coste están pasando a formar parte de las decisiones de arquitectura. Para las empresas que avanzan desde la experimentación hacia el despliegue, esa capa económica empieza a ser inseparable de la tecnológica.
Sigue el análisis de tecnología empresarial en Google
Añade La Ecuación Digital como fuente preferida y verás más análisis sobre inteligencia artificial, cloud, ciberseguridad, infraestructura de datos y transformación digital en tus resultados de Google.
Seguir La Ecuación Digital en GoogleAl hacer clic podrás seleccionar La Ecuación Digital como fuente preferida en Google.
