AIOps
Cuando la cuenta de la IA crece más rápido que el retorno
A medida que los agentes pasan a ejecutar tareas, consultar herramientas y tomar decisiones a escala, el costo de la inteligencia deja de ser solo una cuestión de infraestructura. La gobernanza, la arquitectura y el contexto también empiezan a determinar cuánto valor logramos extraer de los recursos que consume la IA.
La inteligencia se está volviendo más barata. La cuenta, no siempre.
Durante buena parte de la evolución reciente de la inteligencia artificial, observamos una dinámica bastante conocida de la tecnología: los modelos se volvieron más capaces, la infraestructura evolucionó y el costo unitario de la inferencia cayó rápidamente. Sería natural imaginar que esa combinación produjera una trayectoria igualmente previsible para las empresas, con más inteligencia disponible a un costo progresivamente menor.
En la práctica, una cosa no está llevando necesariamente a la otra.
A medida que la IA deja de utilizarse solo para interacciones puntuales y empieza a participar en procesos completos, el patrón de consumo cambia. Un usuario puede hacer una pregunta y recibir una respuesta tras una única interacción con el modelo. Un agente, en cambio, puede interpretar un objetivo, descomponer una tarea, consultar herramientas, recuperar información, evaluar resultados intermedios, repetir un paso, llamar a otro modelo o agente y solo entonces producir una respuesta o ejecutar una acción. Cuando este comportamiento pasa a ocurrir a escala, la economía de la IA empieza a cambiar.
Este efecto ya aparece en las investigaciones más recientes. En una encuesta de McKinsey sobre AI FinOps, el 93% de los encuestados calificados reportó haber superado sus presupuestos de IA, mientras que solo entre el 20% y el 25% de las empresas presentaba prácticas maduras de AI FinOps [1]. La misma encuesta indica que el gasto en IA aumenta casi cuatro veces a medida que las organizaciones pasan de casos aislados a una adopción más amplia [1]. El problema, por lo tanto, empieza a ir más allá del precio de un modelo determinado y pasa a involucrar la administración de una nueva categoría de consumo distribuida entre aplicaciones, procesos y unidades de negocio.
La experiencia de la propia McKinsey ayuda a dimensionar esta transformación. En mayo de 2026, la empresa procesaba aproximadamente cinco billones de tokens por mes, con cerca del 10% de los usuarios responsables del 65% del consumo [2]. Es un caso específico y no debe generalizarse, pero ilustra cómo la ampliación del acceso puede producir patrones de demanda difíciles de anticipar.
Con agentes, esa previsibilidad puede disminuir aún más. Un estudio del Stanford Digital Economy Lab analizó tareas agénticas de programación ejecutadas por ocho modelos de frontera y encontró un consumo aproximadamente mil veces mayor que en tareas de code reasoning y code chat. Ejecuciones de la misma tarea llegaron a variar hasta treinta veces en consumo, y utilizar más tokens no significó alcanzar mayor precisión. En muchos casos, el mejor desempeño aparecía en niveles intermedios de consumo [3].
El resultado debe interpretarse dentro del alcance de la investigación, que analizó tareas de programación y no pretende representar todo tipo de aplicación agéntica. Aun así, revela una característica importante: con agentes, el costo deja de estar asociado solo a la respuesta final y pasa a reflejar toda la trayectoria recorrida para llegar a ella.
Cuando la IA pasa a decidir por sí sola cuándo necesita razonar, consultar una herramienta o involucrar a otro agente, también pasa a participar de las decisiones que determinan cuánta inteligencia se consumirá.
Esta característica tiende a ganar importancia a medida que aumenta la autonomía. Si hoy una persona decide cuándo consultar un modelo, en una operación agéntica el propio sistema puede decidir cuándo necesita buscar más información, validar una hipótesis o activar otro recurso. La inteligencia pasa así a ser también un recurso consumido de forma autónoma por las máquinas.
El problema no es solo cuánto cuesta la IA, sino cuánto valor produce ese consumo
Sería fácil concluir que la respuesta está simplemente en reducir tokens. Esa lectura, sin embargo, puede llevarnos a confundir eficiencia con reducción de costos, independientemente del resultado. El objetivo no debería ser consumir menos inteligencia, sino utilizarla donde efectivamente produce valor.
Una encuesta de Deloitte con 1.854 ejecutivos de Europa y Oriente Medio ayuda a mostrar esta diferencia entre inversión y retorno. Entre los encuestados cuyas organizaciones ya utilizaban IA agéntica, grupo que correspondía al 57% de la muestra, solo el 10% afirmaba obtener un retorno significativo y medible en ese momento. La mitad esperaba alcanzar retorno en hasta tres años y otro tercio estimaba un horizonte de entre tres y cinco años [4].
Esto no significa que la IA agéntica esté fallando. Las tecnologías capaces de modificar procesos y modelos operacionales naturalmente pueden exigir tiempo para producir efectos más profundos. El dato muestra, sin embargo, que el crecimiento de la inversión y la captura de valor no ocurren necesariamente a la misma velocidad, como también exploramos en Su empresa ya invirtió en IA. ¿Pero está obteniendo todo el retorno posible?.
El desafío no es simplemente gastar menos en IA. Es impedir que el consumo de inteligencia crezca sin que la organización logre relacionarlo con el valor producido.
Es en ese intervalo donde la gobernanza económica de la IA gana importancia. La computación en la nube ya llevó a muchas organizaciones a desarrollar prácticas de FinOps para comprender quién consume recursos, cuánto cuesta ese consumo y qué resultado se está produciendo. La IA añade una nueva capa porque la elección de modelos, el tamaño del contexto, la cantidad de llamadas, los intentos adicionales, el uso de herramientas, la memoria y las cadenas de agentes pueden hacer que dos arquitecturas resuelvan problemas similares utilizando cantidades muy diferentes de recursos.
La encuesta de 2026 del IBM Institute for Business Value refuerza esta dificultad. Entre 2.000 ejecutivos de tecnología encuestados, el 85% dijo no tener visibilidad completa y en tiempo real del gasto en IA, mientras que el 84% aún no había operacionalizado completamente la gestión financiera de esos recursos. Al mismo tiempo, los participantes esperaban que sus organizaciones estuvieran utilizando, en promedio, 1.661 agentes de IA en 2027, un 38% por encima del nivel entonces observado [5].
La combinación merece atención: las organizaciones se preparan para ampliar la cantidad de sistemas capaces de consumir recursos de IA de forma relativamente autónoma mientras muchas aún desarrollan mecanismos para comprender ese consumo.
Por eso, el ROI de la inteligencia artificial debe observarse más allá del número de tokens, especialmente cuando el contexto operacional protege la inversión en IA. Un agente que utiliza más recursos para resolver correctamente un incidente crítico puede producir mucho más valor que otro extremadamente económico que entrega recomendaciones poco útiles. Del mismo modo, consumir millones de tokens para repetir investigaciones o producir análisis que no generan resultado sigue siendo desperdicio, incluso cuando el precio unitario de la inferencia está cayendo.
La cuestión económica se acerca así a la cuestión operacional: necesitamos comprender no solo cuánto está consumiendo la IA, sino por qué está consumiendo y qué estamos recibiendo a cambio.
Contexto y gobernanza también empiezan a formar parte de la economía de la IA
Esta discusión se conecta con algunos temas que vengo explorando en artículos anteriores. Cuando hablamos de contexto operacional, normalmente pensamos primero en la calidad de la decisión. Cuando discutimos gobernanza, pensamos en seguridad, límites de autonomía, permisos y responsabilidad. Esos aspectos siguen siendo fundamentales, pero empiezan a adquirir también una dimensión económica.
McKinsey identifica varios factores que influyen en el costo de los sistemas agénticos, entre ellos el mantenimiento de contexto a lo largo de la ejecución, los refinamientos sucesivos, los distintos caminos de ejecución, la elección de los modelos, la orquestación entre agentes y herramientas y la propia forma en que la información se estructura y se presenta al modelo [6]. En otro estudio, la consultora señala mecanismos como el caching, la reducción de contexto innecesario, la selección del modelo adecuado para cada tarea y los límites sobre retries, llamadas a herramientas y loops de agentes como formas de optimizar el consumo [1].
Esto sugiere que la eficiencia económica de la IA no se resolverá solo negociando precios más bajos con los proveedores de modelos.
Considere un agente responsable de investigar un incidente operacional. Si recibe una enorme cantidad de datos sin estructura, puede necesitar consultar distintas fuentes, procesar largos historiales, probar hipótesis y repetir llamadas hasta construir una comprensión razonable del problema. Si recibe información insuficiente, puede ahorrar recursos y, al mismo tiempo, perder elementos necesarios para decidir correctamente. El desafío no es simplemente suministrar más o menos contexto, sino poner a disposición lo que es relevante para esa decisión.
Esta distinción será particularmente importante en entornos complejos de TI y Telecom, en los que una investigación puede involucrar miles de eventos, distintas plataformas, topologías, cambios recientes y dependencias entre componentes. Poner indiscriminadamente todo ese contenido en la ventana de contexto de un modelo difícilmente será eficiente, así como esperar que cada agente reconstruya por sí solo esas relaciones en cada nueva ocurrencia.
El contexto no es solo lo que ayuda a un agente a decidir mejor. En una operación agéntica a escala, la forma en que ese contexto se construye y se pone a disposición también pasa a formar parte de la discusión sobre eficiencia.
Esto no significa que una plataforma de contexto reduzca automáticamente el consumo de tokens, ni permite establecer una relación directa entre contexto operacional y determinado ahorro porcentual. Las investigaciones consultadas no sustentan esa conclusión.
Lo que sí sustentan es que la manera en que estructuramos la información, diseñamos workflows, seleccionamos modelos y gobernamos el comportamiento de los agentes interfiere en los costos de los sistemas agénticos [1][6]. A escala, esto exige visibilidad sobre qué agentes están consumiendo recursos, en qué procesos, utilizando qué modelos, con cuántas llamadas y con qué resultados, lo que remite a la disciplina de AgentOps: ¿quién operará los agentes de IA en producción?
El desafío deja de ser simplemente controlar la cuenta y pasa a ser relacionar consumo, desempeño y resultado, lo que permite invertir más donde la inteligencia produce valor y corregir lo que solo consume recursos.
La respuesta no debería ser limitar esa autonomía indiscriminadamente, sino construir la visibilidad, el contexto y los mecanismos de gobernanza necesarios para que pueda crecer acompañada de resultados. Al final, la pregunta más importante quizá no sea cuánto cuesta un millón de tokens, sino cuánto valor logramos producir con ellos.
De la visión a la práctica: ARGUS
A medida que los agentes de IA pasan a ejecutar actividades de forma continua, acompañar su eficiencia exige comprender no solo los recursos consumidos, sino también las tareas realizadas, los resultados producidos y el contexto en que actuaron.
Esta discusión tiene conexión con la propuesta de ARGUS, aunque es importante distinguir sus diferentes dimensiones.
Mediante AgentOps y AI Gateway, ARGUS busca ofrecer visibilidad sobre la ejecución de los agentes y mecanismos de gobernanza sobre su actuación, incluida la información disponible sobre llamadas, uso de recursos, desempeño y costos en los entornos integrados.
Sus capacidades de AIOps añaden otra perspectiva: el contexto operacional en el que ocurren esas actividades. Al relacionar información proveniente de infraestructura, aplicaciones, servicios y herramientas existentes, la plataforma puede ayudar a comprender mejor las circunstancias en que los agentes toman decisiones y ejecutan acciones.
Esta combinación crea condiciones para un análisis más consistente de la operación agéntica. Sin embargo, observar consumo y comportamiento no significa, por sí solo, demostrar reducción de costos ni aumento del retorno financiero. Esos resultados dependen de métricas, objetivos y evaluaciones específicas de cada organización.
ARGUS no debe presentarse como una solución completa de AI FinOps. Su contribución está en la observabilidad y la gobernanza de los agentes, complementadas por el contexto operacional, y ofrece información que puede apoyar decisiones sobre eficiencia, control y evolución del uso de la inteligencia artificial.
Conozca ARGUS y vea cómo funciona en la práctica.
Sobre el autor
Paulo Florêncio de Menezes es emprendedor, socio y cofundador de empresas como Target Solutions, BiPTT y ARGUS.
Es graduado en Procesamiento de Datos por la Universidad Federal de Amazonas (UFAM), tiene MBA en Gestión Empresarial por la Fundación Dom Cabral (FDC) y Máster Profesional en Economía por la Fundación Getulio Vargas (FGV).
En su investigación de máster desarrolló el IBEOP-IA (Índice Brasileño de Exposición Ocupacional Potencial a la Inteligencia Artificial), investigando la exposición potencial de las ocupaciones brasileñas a las capacidades de la IA mediante la combinación de datos ocupacionales, patentes de inteligencia artificial y técnicas de procesamiento de lenguaje natural.
Referencias
[1] McKinsey & Company. The cost of intelligence: How CIOs can manage AI demand at scale. McKinsey Quarterly, 20 de julio de 2026.
[2] McKinsey & Company. Is that AI agent worth it? Agentic economics and the modern operating model. McKinsey Quarterly, 13 de julio de 2026.
[3] Bai, Longju et al. How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks. Stanford Digital Economy Lab, Working Paper, 14 de abril de 2026.
[4] Deloitte. AI ROI: The paradox of rising investment and elusive returns. Deloitte Global, 22 de octubre de 2025. Encuesta con 1.854 ejecutivos de Europa y Oriente Medio.
[5] IBM Institute for Business Value. The 2026 Tech Leader Study: Redefining the tech leader’s mandate: Building the IT foundation for agentic AI at scale. Junio de 2026. Encuesta global con 2.000 ejecutivos C-level de tecnología.
[6] McKinsey & Company. Cost versus value: Managing agentic AI system performance. McKinsey Quarterly, 2026.