El gasto en IA empieza a escapar de las previsiones financieras de muchas grandes empresas. El 59% de los directivos asegura que su organización gastó en inteligencia artificial significativamente más de lo esperado o presupuestado durante los últimos doce meses, según un estudio del Capgemini Research Institute elaborado entre 500 altos ejecutivos de grandes compañías.
El problema trasciende el precio de los modelos o el consumo de tokens. Buena parte de las organizaciones sigue sin tener una visión completa de lo que cuesta poner en producción sistemas de IA con garantías, desde la supervisión humana hasta la repetición de tareas fallidas, la gobernanza o los controles necesarios para reducir riesgos.
Entre las empresas que superaron sus previsiones, el gasto fue un 24% superior de media. Además, el 21% de las organizaciones afectadas terminó rebasando su presupuesto de IA en más de un 30%. Esa desviación ya está trasladándose a otras partidas: dos tercios de quienes gastaron por encima de lo previsto registraron efectos financieros negativos, entre ellos menor flujo de caja libre o recortes del gasto discrecional.
La dificultad para anticipar la factura se mantiene a medida que aumentan los proyectos. Solo el 56% de las organizaciones confía plenamente en poder prever cómo evolucionarán sus costes futuros de IA, mientras el 53% de los ejecutivos considera ya este gasto un motivo de preocupación.
Los costes indirectos complican la planificación de la IA
Uno de los principales obstáculos está en todo aquello que queda fuera de la factura directa del proveedor tecnológico. Apenas un tercio de los directivos se considera capaz de calcular con confianza costes indirectos como la intervención humana, la repetición de procesos o las tareas asociadas a gobernanza.
La mitad reconoce además que su organización aprueba inversiones en IA sin disponer previamente de una imagen adecuada de su coste total. Ese déficit de información dificulta tanto la elaboración de presupuestos como la comparación entre distintos modelos, proveedores o arquitecturas.
A medida que estas inversiones pasan de pruebas aisladas a procesos empresariales permanentes, la decisión empieza también a desplazarse fuera de los departamentos técnicos. Los directores financieros están adquiriendo mayor peso en la aprobación de proyectos relevantes de IA, una evolución coherente con el impacto que pueden tener los sobrecostes sobre caja y otras prioridades de inversión.
«Las organizaciones deben dejar de tratar su coste como una cuestión puramente tecnológica o de compras y empezar a gestionarla desde una perspectiva de rentabilidad», sostiene Volker Darius, CEO de Capgemini Invent. El directivo plantea combinar coste, calidad y valor generado, además de incorporar al cálculo la supervisión humana necesaria para obtener resultados de forma segura.
Esta aproximación modifica la unidad con la que las empresas evalúan sus despliegues. Conocer cuánto cuesta una llamada a un modelo puede resultar insuficiente si un proceso necesita varios intentos, revisiones humanas o controles adicionales antes de generar un resultado aprovechable.
Las empresas preparan estrategias multimodelo
La primera reacción ante los sobrecostes ha sido principalmente financiera. El 53% de las organizaciones que detectó desviaciones incrementó el control del gasto, ya fuera mediante ajustes presupuestarios, límites corporativos o reducciones del alcance de los proyectos.
Los cambios tecnológicos han sido menos frecuentes. Solo una de cada cinco organizaciones replanteó qué tareas debía realizar la IA frente a las personas o modificó aspectos como los modelos empleados, su configuración o el sistema utilizado para dirigir cada petición al modelo más adecuado.
Esa situación puede cambiar durante los próximos meses. Más de tres de cada cinco directivos prevén que su organización adopte una estrategia multimodelo en el plazo de un año. El objetivo es seleccionar modelos de forma dinámica atendiendo al coste, las capacidades necesarias, la latencia, el riesgo u otros requisitos de cada proceso.
Esta arquitectura abre la posibilidad de reservar los modelos más costosos para aquellas tareas en las que sus capacidades aporten una diferencia medible, mientras otras cargas se asignan a alternativas más económicas. Los ejecutivos esperan, de hecho, aumentar el uso de modelos propietarios de menor coste cuando sean suficientes, así como recurrir a modelos pequeños o especializados en determinados trabajos.
Casi tres de cada cinco organizaciones planean además ampliar el uso de modelos de pesos abiertos. La combinación de proveedores, modelos comerciales y alternativas abiertas puede dar a las empresas mayor margen para optimizar costes y evitar que toda su arquitectura dependa de un único modelo, aunque también añade complejidad a la operación, las evaluaciones, la seguridad y la gobernanza.
El cambio resulta especialmente relevante ante el avance de los sistemas agénticos, capaces de ejecutar secuencias de acciones y realizar múltiples llamadas a modelos para completar una misma tarea. En esos entornos, el coste final depende menos de una interacción individual y más del conjunto del flujo de trabajo.
Del presupuesto de IA al valor obtenido por cada tarea
La segunda dificultad aparece al intentar demostrar qué obtiene la empresa a cambio de ese gasto. Aunque dos tercios de los directivos creen poder verificar el valor generado por resultados asistidos por IA, la mayoría de las organizaciones todavía no vincula directamente el dinero invertido con resultados empresariales concretos.
Algunas compañías no miden formalmente esos resultados. Otras controlan el uso y los costes, pero no la consecuencia empresarial obtenida, o mantienen ambas variables en sistemas independientes. El 57% de los ejecutivos identifica precisamente la demostración de un valor suficiente para justificar nuevas inversiones como su principal obstáculo.
Capgemini propone abordar esa relación mediante una métrica denominada «AI Yield», definida como el valor verificado de un resultado asistido por IA una vez descontado el coste total necesario para producirlo de forma segura. Solo una de cada cinco organizaciones afirma calcular actualmente este indicador.
El concepto forma parte del trabajo más amplio de la compañía sobre la economía de la IA y la medición del valor empresarial, que plantea incorporar al cálculo no únicamente el consumo del modelo, sino también los costes derivados de la ingeniería de los procesos, la gobernanza y la intervención humana.
La productividad de los empleados o la capacidad liberada es el beneficio empresarial que aparece con mayor frecuencia en las respuestas, por delante de la reducción de costes operativos y el acortamiento de procesos o ciclos de trabajo. El crecimiento de ingresos tiene un peso menor: solo el 32% menciona beneficios relacionados con nuevas ventas, productos, servicios o modelos de negocio.
El coste por tarea gana peso frente al gasto agregado
Las métricas utilizadas para controlar estas inversiones también empiezan a cambiar. Actualmente, el 60% de las empresas utiliza como referencia principal el gasto total en IA frente al presupuesto disponible. Solo el 44% espera que siga siendo una prioridad durante los próximos seis a doce meses.
Entre los indicadores que ganan relevancia figura la tasa de éxito al primer intento, una medida que permite conocer cuántas tareas producen un resultado válido sin necesidad de repetir el proceso. También adquiere importancia el coste por tarea o flujo de trabajo completado.
Ambas métricas desplazan la atención desde el consumo técnico hacia la eficacia de la operación. Un modelo aparentemente más barato puede terminar generando un coste mayor si necesita más intentos, intervención humana frecuente o procesos adicionales de validación. Del mismo modo, una alternativa de mayor precio por uso puede resultar económicamente más eficiente cuando resuelve una tarea con mayor fiabilidad.
El análisis sobre «AI Yield» y tokenomics de Capgemini sitúa esta relación entre coste y resultado como una variable para decisiones que van desde la asignación de capital hasta el enrutamiento entre modelos y el diseño de flujos de trabajo.
La investigación se realizó en septiembre de 2026 entre 500 ejecutivos de nivel C-suite de organizaciones con más de 1.000 millones de dólares de ingresos anuales, repartidas entre diez países, incluida España, y 13 sectores. La muestra cubre responsables de estrategia de IA, plataformas, ingeniería, generación de valor, finanzas tecnológicas y gestión de costes.
Para las empresas que están pasando de pruebas piloto a despliegues amplios, el siguiente ajuste será tanto financiero como arquitectónico. La capacidad de decidir qué modelo debe ejecutar cada tarea, calcular el coste completo del proceso y asociarlo a un resultado empresarial verificable determinará hasta qué punto pueden ampliar el uso de la IA sin convertir su crecimiento en una partida presupuestaria difícil de controlar.
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.
