La promesa rota del ahorro
Durante años, el discurso dominante en la industria tecnológica ha sido claro: la inteligencia artificial reduciría drásticamente los costos operativos. Automatizar procesos, eliminar puestos repetitivos y acelerar el desarrollo de software prometía un futuro más eficiente y barato. Sin embargo, una serie de eventos recientes han puesto en duda esta narrativa. En los primeros meses de 2026, tres noticias sacudieron al sector: Uber reconoció haber agotado su presupuesto anual de IA en solo cuatro meses, Microsoft comenzó a cancelar licencias internas de Claude Code por costos insostenibles y GitHub eliminó su tarifa plana de Copilot para pasar a un modelo por uso, admitiendo que habían estado subsidiando el servicio hasta ocho veces su valor real.
Estos casos no son anécdotas aisladas. Representan una tendencia preocupante: la adopción masiva de herramientas de IA generativa está generando costos que superan con creces las estimaciones iniciales. El vicepresidente de Deep Learning Aplicado de Nvidia señaló que, en su equipo, el costo de cómputo ya es superior al costo de los empleados. Esta afirmación, proveniente de una de las empresas que más se beneficia de la venta de hardware para IA, debería ser una señal de alarma para cualquier organización que esté considerando reemplazar personal por sistemas automatizados.
El objetivo de este artículo es investigar si la sustitución de trabajadores por inteligencia artificial está siendo, paradójicamente, más cara que mantenerlos en nómina. A partir de datos contrastados y análisis de casos reales, buscaremos responder a la pregunta central: ¿Estamos ante una burbuja de costos que obligará a replantear el papel de la IA en las empresas?
Los números detrás del descalabro
Para entender por qué la IA está resultando más cara que las personas, es necesario desglosar los costos involucrados. En el caso de Uber, el CTO de la compañía reveló que habían asignado licencias de Claude Code a sus ingenieros de forma gradual desde finales de 2025. Para mayo de 2026, el gasto diario solo en tokens alcanzaba los 30.000 dólares. Proyectado anualmente, esto supera los 10 millones de dólares, una cifra que probablemente excede el salario de muchos equipos completos de desarrolladores.
Microsoft, por su parte, habría comenzado a cancelar licencias internas de Claude Code para desarrollo de plataformas. Aunque la empresa no ha emitido un comunicado oficial, fuentes internas sugieren que el costo era insostenible. Este movimiento es particularmente revelador porque Microsoft es uno de los principales inversores de OpenAI y tiene acceso a precios preferenciales. Si incluso ellos encuentran prohibitivos los costos, ¿qué esperar para el resto del mercado?
El caso de GitHub Copilot es quizás el más ilustrativo. La plataforma anunció el fin de su tarifa plana mensual, reemplazándola por un modelo de pago por tokens. En su comunicado, reconocieron que habían estado subsidiando el servicio hasta ocho veces su costo real durante los últimos dos años. Esto implica que una suscripción que costaba 10 dólares al mes en realidad requería 80 dólares para ser rentable. Para una empresa con cientos de desarrolladores, la diferencia es abismal.
Además de los costos directos de tokens, existe el gasto en infraestructura de cómputo. Las GPUs necesarias para ejecutar modelos grandes tienen un costo de adquisición y mantenimiento elevado, sin mencionar el consumo energético. El vicepresidente de Nvidia mencionó que el cómputo ya supera el costo salarial de su equipo. Esto sugiere que, incluso para una empresa que fabrica el hardware, el costo de usarlo es más alto que el talento humano.
Estos datos ponen en entredicho la lógica de reemplazar empleados por IA. Si una herramienta cuesta más que el salario de la persona a la que sustituye, el ahorro desaparece. Y si además la productividad no se multiplica proporcionalmente, la ecuación es negativa.
Cuando la IA dejó de ser “barata” para mí
Llevo trabajando con GitHub Copilot desde hace varios años, prácticamente desde sus inicios. Al principio lo usaba como completador de código, y ya entonces me parecía una herramienta bastante útil incluso en su versión gratuita. Más adelante, con la llegada del chat, pasé a la versión de pago y empecé a utilizarlo como un asistente de desarrollo cada vez más capaz: primero para funciones concretas, luego para piezas más grandes, hasta llegar a un punto en el que buena parte del trabajo la ejecutaba la IA y yo actuaba más como orquestador.
Como muchos otros desarrolladores, terminé concluyendo que el mejor equilibrio entre calidad y precio estaba en Claude Sonnet. Pero cuando GitHub cambió su modelo económico, me encontré con un problema muy real: mi presupuesto habitual ya no bastaba para mantener el mismo nivel de automatización. Eso me obligó, antes de gastarme una fuerte cantidad de dinero en tokens, a probar alternativas de todo tipo, desde modelos locales hasta herramientas en consola y servicios en la nube, buscando una combinación que me permitiera seguir trabajando con IA sin convertirla en un gasto desproporcionado.
Después de muchas pruebas, encontré una fórmula que me funciona bastante bien: OpenCode en consola con modelos más económicos, sobre todo DeepSeek, combinado con modelos locales como Qwen para tareas concretas. La experiencia me dejó una lección clara: la IA puede acelerar muchísimo el desarrollo, pero si no controlas bien cuándo usar cada modelo y para qué tarea, el coste se dispara con demasiada facilidad.
Hacia una relación costo-beneficio realista
Ante esta realidad, las empresas deben replantearse su estrategia de adopción de IA. La primera lección es que la inteligencia artificial debe ser vista como una herramienta de aumento, no como un sustituto de trabajadores. Los casos de Uber, Microsoft y GitHub demuestran que la sustitución masiva no solo es prematura, sino que puede resultar financieramente contraproducente.
Una de las soluciones más prometedoras es la eficientización de los modelos. En lugar de depender exclusivamente de grandes modelos propietarios y costosos (como GPT-4 o Claude), las empresas pueden optar por modelos más pequeños y especializados, entrenados para tareas concretas. Estos modelos requieren menos infraestructura, consumen menos energía y generan costos de token más bajos. Técnicas como la destilación (knowledge distillation) y el fine-tuning eficiente permiten obtener un rendimiento comparable en tareas específicas a una fracción del costo.
Otra vía es el despliegue local (on-premises) de modelos. Si bien la inversión inicial en hardware es alta, a largo plazo puede resultar más económica que pagar por token cada interacción. Esto es especialmente viable para empresas con volúmenes altos de uso y requisitos de privacidad de datos. El abaratamiento progresivo de las GPUs y la aparición de hardware especializado (como las NPUs) hacen que esta opción sea cada vez más accesible.
También se debe considerar la optimización del uso de las herramientas de IA. No todas las tareas requieren la potencia de un modelo de frontera; muchas pueden resolverse con modelos pequeños o incluso con sistemas basados en reglas. Establecer políticas claras de cuándo y cómo usar cada herramienta puede evitar el derroche de tokens en consultas triviales.
Mi experiencia personal me ha llevado a una conclusión bastante simple: en desarrollo de software, la IA no sustituye la base de conocimiento de un buen programador. Lo que realmente aporta valor sigue siendo el criterio técnico, la capacidad de diseñar soluciones y de decidir qué conviene automatizar y qué no.
También he comprobado que, hoy por hoy, la eficiencia real no está en delegarlo todo a los modelos más potentes, sino en usar cada herramienta con inteligencia. No tiene sentido gastar un modelo caro en tareas mínimas que un desarrollador puede resolver en segundos. La IA puede ser una gran aliada, pero solo cuando se utiliza con criterio, con control del coste y apoyándose siempre en los fundamentos de programación que siguen siendo, al menos por ahora, insustituibles.
En definitiva, la burbuja de costos de la IA está obligando a las empresas a ser más racionales en su adopción. La promesa de una automatización barata y sin límites choca con la realidad de los balances. Los despidos masivos de los últimos años, justificados en parte por la eficiencia de la IA, podrían estar generando un ahorro ilusorio. Es hora de que directivos y desarrolladores exijan métricas claras de retorno de inversión y no se dejen llevar por el hype. La IA es una herramienta poderosa, pero solo si se usa donde realmente aporta valor, con costos controlados y expectativas realistas. En otras palabras, el problema no es si la IA sirve o no sirve, sino que muchas veces su coste real solo se entiende cuando dejas de verla como una promesa y empiezas a usarla todos los días.
Enlaces relacionados
- Informes de Microsoft revelan que usar la IA puede resultar más caro que pagar empleados humanos – Infobae
- NVIDIA confiesa: «La IA es más cara que los trabajadores, pero las empresas lo ignoran», entonces, ¿por qué hay tantos despidos?
- La IA ya sale más cara que un empleado: los costes superan los salarios
- Los directivos confirman: «La IA es más cara que los salarios que se pagan a los empleados reales»
- Ya es oficial: las empresas se están gastando más dinero en IA de lo que costaría contratar a trabajadores humanos
