El 93% de las empresas se pasa de presupuesto en IA agéntica: el problema no es el token, es el bucle de autorrevisión

Por MarketScale (McKinsey & Company) · 20 de julio de 2026.

El dato de partida parece una contradicción: el coste de la inferencia para un modelo con la capacidad de GPT-3.5 cayó de 20 dólares por millón de tokens a 0,07 dólares a lo largo de 2024, según el AI Index 2025 de Stanford HAI, una caída superior al 99%. Y sin embargo, el gasto empresarial en modelos de lenguaje se triplicó en los doce meses siguientes hasta finales de 2025, de acuerdo con datos de Menlo Ventures. McKinsey ha investigado ese contraste y ofrece una respuesta concreta: el 93% de los equipos empresariales de IA supera ya su presupuesto, según su encuesta Enterprise AI FinOps, realizada en mayo de 2026 entre 75 organizaciones de cinco sectores.

La causa principal tiene nombre: 'response refinement', el bucle en el que un agente revisa, corrige y regenera su propia respuesta antes de entregarla al usuario. Ese proceso —repetir, comprobar y volver a intentar— consume el 60% del gasto total en IA agéntica (sistemas de IA que ejecutan tareas de varios pasos de forma autónoma, sin que un humano intervenga en cada paso), frente al 40% del resto de operaciones agénticas. Para cualquier equipo que asumiera un reparto más o menos equilibrado del gasto, el hallazgo obliga a recalcular por completo dónde está el problema.

McKinsey identifica tres fuerzas que se combinan para inflar la factura. Primera, la escala: cuantas más tareas se delegan en agentes, más tokens (las unidades mínimas de texto que procesa un modelo, y la base de su facturación) se consumen en total, aunque cada uno cueste casi nada. Segunda, el cambio de modelo comercial: los proveedores han pasado de tarifas planas a precios por consumo, lo que incentiva respuestas más largas y elaboradas en lugar de más eficientes. Tercera, y la más corregible: muchas empresas usan modelos de frontera —los más caros y potentes— para tareas rutinarias que un modelo pequeño resolvería igual de bien y mucho más barato.

El efecto ya se nota en las decisiones reales, no solo en las hojas de cálculo. Según la próxima encuesta State of AI 2026 de McKinsey (1.719 participantes, mayo-junio de 2026), una de cada cinco organizaciones ha limitado ya el uso de IA específicamente por el coste operativo. Es un freno de adopción medible, no una preocupación teórica: afecta a qué modelo se elige, qué flujos de trabajo se automatizan y cuáles se dejan para más adelante.

Hay una frase en el informe, atribuida por McKinsey a David Tepper, consejero delegado de Pay-i, que resume el giro de enfoque que reclaman los autores: 'los tokens no son valor, los tokens son la factura'. Es una distinción operativa importante. Si el debate de reducción de costes se ancla en el precio por millón de tokens, se está mirando el indicador equivocado; lo que importa es la relación entre la calidad del resultado del agente y el coste total de producirlo. Un agente que ejecuta más bucles de revisión pero entrega un resultado que nunca necesita corrección humana puede salir más barato, en la práctica, que uno con un precio por token menor cuyas respuestas hay que repasar constantemente.

Nuestra lectura es que esta historia confirma algo que venimos observando en otros análisis: la ventaja competitiva en IA empresarial ya no reside solo en qué modelo se elige, sino en la ingeniería que se construye alrededor de él. Igual que vimos con la instrumentación de datos y el andamiaje agéntico en producción, aquí el factor decisivo es si una organización sabe medir qué hace su agente —tasa de acierto, necesidad de supervisión humana, coste real por tarea completada correctamente— o si simplemente paga la factura sin entender de dónde viene. McKinsey lo deja claro: la mayoría de empresas todavía no tiene esa instrumentación, lo cual convierte la pregunta ejecutiva ('¿vale la pena este agente?') en una que casi nadie puede responder con datos hoy.

A corto plazo, esto es fricción real y hay que decirlo sin adornos: sobrecostes, agentes desplegados a ciegas, presupuestos que se agotan antes de demostrar retorno, y organizaciones que empiezan a frenar la adopción por pura prudencia financiera. Es exactamente el tipo de desajuste que acompaña a toda tecnología que pasa de piloto a producción a toda velocidad, y conviene no minimizarlo: un quinto de las empresas ya está recortando el alcance de sus proyectos de IA por esta razón.

Pero el propio dato que abre el informe —una caída de más del 99% en el coste unitario de la inferencia en apenas dos años— es la prueba de que la curva de fondo sigue moviéndose en la dirección correcta. El problema no es que la IA se esté encareciendo; es que la estamos usando mal: modelos de frontera para tareas triviales, incentivos de precio que premian la verborrea del agente, y ausencia de métricas de calidad que permitirían podar el gasto que no genera valor. Son problemas de diseño y gobernanza, no límites físicos del abaratamiento del cómputo. Las empresas que primero construyan esa capa de medición —coste por tarea completada y correcta, no coste por token— serán las que capturen antes la parte de abundancia que promete esta tecnología: hacer mucho más con muchos menos recursos. Las que sigan pagando por bucles de revisión que no entienden seguirán financiando, sin saberlo, la fase más cara y menos eficiente de la curva de aprendizaje colectiva del sector.