La llegada de la inteligencia artificial generativa a las empresas ha traído consigo una promesa seductora: la posibilidad de reducir drásticamente los costos operativos a través de la automatización de tareas y la aceleración de procesos que tradicionalmente realizaban los trabajadores. Durante los últimos dos años, numerosas organizaciones de diversos sectores han destinado inversiones millonarias con la expectativa de sustituir parte del trabajo humano con sistemas capaces de programar, redactar informes, responder consultas o procesar grandes volúmenes de datos en cuestión de segundos.

Sin embargo, a medida que estas iniciativas avanzan desde las pruebas piloto hacia su implementación diaria, emergen realidades inesperadas. En muchos casos, el costo operativo de usar la inteligencia artificial a gran escala resulta ser mucho más elevado de lo que se había anticipado, llevando a las empresas a reconsiderar sus presupuestos, restringir el acceso para los empleados e incluso cuestionar si el retorno de la inversión compensa tales gastos. Este fenómeno, que puede parecer contradictorio, ilustra una paradoja: no es que la adopción de la inteligencia artificial esté fracasando, sino que en ciertas organizaciones su exitosa integración ha generado problemas financieros.

El aumento del uso de estas herramientas por parte de los empleados ha ocasionado un incremento en el consumo de tokens, la unidad mediante la cual proveedores como OpenAI, Anthropic o Google cobran por el procesamiento de cada consulta. A diferencia del software tradicional, que suele facturarse por usuario o licencia, los modelos de lenguaje se cobran en función del volumen de procesamiento. Cada palabra que se introduce en el sistema y cada respuesta generada por el modelo generan un gasto de tokens, lo que puede resultar en facturas sorprendentemente altas cuando se multiplica por miles de empleados trabajando a lo largo del día.

Un caso emblemático que ilustra esta problemática es el de Uber. La compañía implementó Claude Code, un asistente de programación desarrollado por Anthropic, entre aproximadamente 5.000 ingenieros. Desde el punto de vista de la adopción, los resultados fueron positivos: cerca del 95% de los desarrolladores comenzaron a utilizar herramientas de inteligencia artificial de manera frecuente, y alrededor del 70% del código que se almacenaba en los repositorios incluía contribuciones de inteligencia artificial.

Sin embargo, el éxito en la adopción tuvo un costo que no se había previsto. El presupuesto anual asignado para herramientas de inteligencia artificial se agotó en apenas cuatro meses, ya que el consumo de tokens superó con creces las proyecciones iniciales. Andrew Macdonald, presidente y director de operaciones de Uber, reconoció públicamente que la empresa enfrenta un desafío que se ha vuelto común en la industria: es complicado demostrar que un aumento tan significativo en los gastos se traduce en una mejora proporcional en el rendimiento del negocio.

Este fenómeno plantea interrogantes sobre el futuro de la inteligencia artificial en el ámbito empresarial. A medida que más organizaciones optan por integrar estas tecnologías, es crucial que los líderes empresariales realicen un análisis minucioso de los costos asociados y evalúen si los beneficios esperados compensan las inversiones. La clave radica en encontrar un equilibrio entre la innovación tecnológica y la gestión financiera, asegurando que la adopción de la inteligencia artificial no se convierta en una carga económica insostenible. La experiencia de empresas como Uber puede servir como un valioso aprendizaje para otras organizaciones que buscan navegar el complejo paisaje de la inteligencia artificial en la actualidad.