Gartner prevé que el costo de inferencia por flujo de trabajo de agentes de inteligencia artificial se multiplique por más de cinco hacia 2028. La proyección, publicada el 17 de agosto de 2026, describe un problema para los presupuestos empresariales: aunque procesar cada token se abarate, ejecutar tareas más complejas puede elevar el gasto.
La consultora llama a este desajuste "paradoja de la inferencia". Su argumento es que la mayor eficiencia facilita desplegar modelos más capaces y procesos que consumen muchos más tokens. La previsión se refiere al costo por flujo de agentes; no significa que todas las empresas vayan a recibir una factura cinco veces mayor.
Un token es una unidad de datos que procesa el modelo, a menudo un fragmento de texto. FinOps Foundation explica que una solicitud acumula consumo mediante las instrucciones, los documentos recuperados, el historial y las respuestas. A eso se suman los intentos fallidos y la comunicación entre agentes. Una acción visible para el usuario puede exigir varias operaciones facturables.
El presupuesto también depende de gastos fuera del modelo
En una guía de FinOps Foundation publicada el 6 de octubre de 2026, Tammy Burnitt identifica otra fuente de desviaciones: los servicios que acompañan a la IA suelen contratarse por separado. Las bases de datos vectoriales, la orquestación y las herramientas para registrar y evaluar el funcionamiento pueden quedar dispersas entre departamentos y contratos.
Las pruebas también generan gasto cada vez que se ejecuta el modelo. Burnitt añade la capacidad reservada que sigue sin utilizarse y las suscripciones que distintos equipos compran para funciones similares. Por eso propone incorporar a producto, compras e ingeniería a la planificación, antes de que esos compromisos aparezcan en la factura.
Esto amplía el problema presupuestario. El consumo del modelo puede estar bien medido y aun así dejar fuera parte del costo de operar el servicio.
Un modelo barato puede costar más por resultado útil
Donald Farmer, de TreeHive Strategy, propone en un artículo de TechTarget publicado el 16 de octubre de 2026 medir el costo por tarea completada con éxito. El cálculo distribuye el gasto de todos los intentos, incluidos los fallidos, entre los resultados aceptables e incorpora la revisión humana.
Su ejemplo es hipotético: un modelo cuesta US$0.20 por ejecución y entrega una extracción aceptable el 15% de las veces; otro cuesta US$0.80 y acierta el 78%. El primero termina en unos US$1.33 por resultado utilizable y el segundo en US$1.03, antes de sumar el trabajo de corrección. La opción de menor precio por ejecución resulta más cara al considerar los fallos.
Para rastrear ese gasto, Farmer recomienda etiquetar cada solicitud por equipo, función y tarea desde su origen, y comparar el costo habitual con los casos más caros. Así pueden localizarse procesos que repiten operaciones sin completar el trabajo.
Las medidas de control actúan en niveles distintos. Gartner propone asignar modelos según la complejidad de la tarea. FinOps Foundation plantea avanzar hacia seguimiento en tiempo real y límites automatizados de presupuesto. En conjunto, estas medidas permiten distinguir cuánto cuesta ejecutar un proceso y cuánto cuesta obtener de él un resultado útil.
