Contexto técnico
Veo el mismo patrón una y otra vez: la dirección dice «usen los tokens con cuidado», y la gente aprende rápidamente a jugar con el sistema. Una discusión reciente lo dejó claro: un equipo ya había agotado su límite corporativo, mientras que a otro le quedaba más de la mitad a fin de mes y se pasaron a Claude Opus al máximo para no perder el presupuesto.
Lo que me llama la atención no es la anécdota, sino que es un problema muy práctico de la implementación de la IA. Si un equipo mide la utilidad por un límite mensual en lugar del costo de una tarea completada, el sistema casi con seguridad generará un comportamiento extraño.
En la práctica, los tokens se han convertido en una moneda interna. Pero en la mayoría de las empresas, la contabilidad sigue siendo primitiva: un fondo común, límites imprecisos, poca transparencia sobre entradas/salidas, sin enrutamiento adecuado entre modelos y casi sin caché. Luego, todos se preguntan por qué un modelo caro se usa para borradores mientras uno más barato no se integra donde sería más que suficiente.
He analizado esto muchas veces: sin una arquitectura de IA adecuada, los costos fluctúan no por «desarrolladores codiciosos», sino por un mal sistema de incentivos. Si el costo por escenario no es visible, no hay alertas configuradas y no existe una cascada de modelos, la gente comienza a optimizar el límite, no el producto.
Impacto en el negocio y la automatización
La primera consecuencia es simple: el departamento financiero recibe ruido en lugar de una imagen real de la demanda. El final del mes parece un pico de consumo, pero no es un aumento de valor, sino un intento de no perder el presupuesto futuro.
La segunda es más dolorosa. Los equipos dejan de elegir el modelo adecuado para la tarea y empiezan a elegir según la política interna. Como resultado, la automatización con IA se encarece y la calidad de los procesos fluctúa sin relación real con el ROI.
Los únicos que ganan aquí son aquellos que ya tienen enrutamiento de modelos, límites por caso de uso, RAG, caché y un modelo claro de contracargos por departamento. Pierden las empresas que intentaron «controlar la IA» con una sola hoja de cálculo y un tope mensual.
Yo trataría esto no con prohibiciones, sino con ingeniería: calcular el costo por flujo de trabajo, separar los presupuestos de experimentación y producción, establecer políticas para modelos caros y dar a los equipos feedback claro. En Nahornyi AI Lab, resolvemos estas distorsiones mediante el desarrollo de soluciones de IA: construimos una arquitectura donde el negocio paga por resultados útiles, no por un juego tóxico de quemar tokens. Si sientes que tu integración de IA se ha convertido en un circo presupuestario, podemos analizar tus escenarios y rediseñar el sistema sin este drama mensual.