IA agéntica: el 60% del gasto se va en corregir sus propias respuestas, y el 93% de empresas ya se pasa de presupuesto

Por Zendoric · 26 de julio de 2026.

El dato de partida desmonta la intuición más extendida sobre el coste de la IA. Según el índice AI Index 2025 de Stanford HAI, citado en un nuevo informe de McKinsey, procesar un millón de tokens (la unidad mínima de texto que factura un modelo de lenguaje) con una capacidad equivalente a GPT-3.5 costaba 20 dólares a principios de 2024 y cayó a 0,07 dólares antes de acabar el año. El token, en teoría, se ha vuelto casi gratis.

Y sin embargo, el gasto empresarial en IA se ha triplicado en doce meses hasta finales de 2025, según un estudio de Menlo Ventures citado en el mismo informe. McKinsey encuestó en mayo de 2026 a 75 participantes cualificados de cinco grandes sectores para su Enterprise AI FinOps Survey (FinOps es la disciplina de gestión y control del gasto en la nube, aplicada ahora a la IA), y el resultado es contundente: el 93% de las organizaciones ya ha superado su presupuesto de IA. Uno de cada cinco participantes de la próxima encuesta State of AI de McKinsey, con 1.719 respuestas recogidas entre mayo y junio de 2026, admite haber restringido activamente el uso de IA por motivos de coste puro, no por falta de capacidad técnica ni resistencia interna.

El informe, publicado en McKinsey Quarterly en julio de 2026 por investigadores de QuantumBlack (la consultora de analítica e IA de McKinsey), señala al culpable exacto: el 60% del gasto agéntico no se destina a la primera llamada de inferencia, sino a lo que McKinsey llama "response refinement": los ciclos iterativos en los que un agente revisa, corrige y mejora su propia salida antes de entregarla como resultado utilizable. Es la parte del proceso para la que la mayoría de los modelos presupuestarios empresariales nunca creó una partida propia.

McKinsey identifica dos causas estructurales. Primero, el paso de precios por suscripción a precios por consumo en los grandes proveedores de modelos: cuando se paga por token generado, cada respuesta más larga es más cara, y el propio diseño del sistema premia la verbosidad. Segundo, la costumbre de enrutar tareas triviales a través de modelos de frontera, dimensionados y tarifados para problemas complejos que la tarea en cuestión no necesitaba. A eso se suma el efecto de escala: un piloto con volumen de tokens controlado no se comporta igual que un agente en producción que orquesta varios subagentes, cada uno refinando su propia salida antes de pasarla al siguiente. La curva de coste deja de ser lineal en el momento exacto en que la empresa cree haber terminado de experimentar y empieza a desplegar de verdad.

David Tepper, consejero delegado de Pay-i (citada en el informe), resume el giro de enfoque que propone McKinsey con una frase que vale como titular propio: los tokens no son valor, los tokens son la factura. La pregunta que McKinsey plantea a los primeros ejecutivos no es cuánto cuesta el token, sino si lo que produce el agente vale más que el coste total de producirlo, incluyendo la supervisión humana y la corrección de errores aguas abajo. Un agente tres veces más caro por tarea pero que no necesita revisión humana puede salir más barato en términos reales que uno barato que exige corrección constante. Ni el precio del token ni el nivel del modelo cuentan, por separado, la historia completa.

Nuestra lectura es que este informe documenta, con cifras, el primer síntoma económico serio de la IA agéntica, y encaja con un patrón que ya hemos visto antes en otras tecnologías de infraestructura: la capacidad baja de precio más rápido que la disciplina de gobernanza necesaria para explotarla bien. No es una prueba de que los agentes no funcionen ni de que la promesa de la IA agéntica sea humo; es la prueba de que las empresas están comprando un producto nuevo con las herramientas contables de otro. La nube pasó por lo mismo hace una década, cuando la elasticidad del gasto en AWS o Azure obligó a inventar el FinOps como función corporativa propia. Aquí toca reinventarlo para agentes, con métricas como el coste por tarea completada correctamente, no por token consumido.

Hay ganadores y perdedores previsibles en esta fase. Ganan los equipos de finanzas y procurement que empiecen a exigir atribución de coste a nivel de agente, no de gasto agregado en LLM, y los proveedores de software de gobernanza de coste que, como Pay-i, venden precisamente esa instrumentación. Pierden, de momento, las organizaciones que trataron la IA agéntica como una licencia de software más: firmar el contrato, activar el agente y esperar el ahorro. En cobertura relacionada publicada el mismo día por el mismo medio se apunta a un problema hermano: muchas empresas están obteniendo mejores insights de negocio con IA, pero no el ahorro de costes ni de tiempo que esperaban, lo que confirma que el problema no es de capacidad sino de gobernanza end-to-end.

A corto plazo, esto va a frenar el ritmo de despliegue en varias organizaciones, y es honesto reconocerlo: la conversación sobre presupuesto de IA ha subido de la dirección de sistemas al comité de dirección, y no va a volver a bajar. Pero a medio plazo, el propio McKinsey lo deja claro en su marco de variables de valor real (corrección del resultado, carga de supervisión humana, coste de cómputo en el razonamiento): en cuanto exista instrumentación fina y atribución de coste por agente, la abundancia que promete la IA seguirá su curso, solo que con contabilidad de adulto. El precio del token seguirá cayendo; lo que hasta ahora faltaba era la disciplina para medir bien lo que ese token, multiplicado por mil ciclos de autocorrección, realmente cuesta producir.