Gartner: los costes de IA pueden dispararse

8 Min. Tiempo de lectura

La inteligencia artificial promete eficiencia, pero a menudo entrega facturas explosivas. Gartner advierte: los verdaderos costos están hasta un 1.000 por ciento por encima del presupuesto. Quien no calcula ahora, quema capital.

Lo más importante en resumen

• Los costos reales de los proyectos de inteligencia artificial pueden, según Gartner, ser entre un 500 y un 1.000 por ciento más altos de lo inicialmente planeado.
• Muchas empresas ignoran costos adicionales como el uso de la nube, la facturación de tokens y el esfuerzo para estructurar datos no estructurados.
• Para finales de 2025, se prevé que el 30 por ciento de todos los proyectos de IA generativa se detendrán debido a la falta de rentabilidad.
• Aunque la IA ahorra en promedio 43 minutos de trabajo por día y usuario, esta ganancia no justifica automáticamente los altos costos de implementación.
• Mientras que proveedores como OpenAI todavía luchan con pérdidas, el proveedor de hardware Nvidia ya se beneficia hoy de ganancias récord gracias al auge de la IA.

La trampa oculta de costes de la IA Generativa: La entrada

La entrada en la Inteligencia Artificial parece inofensiva a primera vista. Una licencia aquí, una suscripción allá. Incluso las versiones de pago de los grandes modelos de lenguaje son a menudo asequibles para los usuarios B2B. Sin embargo, esta cuenta rara vez sale bien. Muchas empresas subestiman masivamente lo que realmente cuesta integrar la IA de manera productiva en los procesos existentes. No basta con comprar un acceso. La infraestructura debe estar en su lugar, los datos deben fluir y los empleados deben estar capacitados. Sin esta base, la IA sigue siendo un juguete caro en lugar de una herramienta de productividad.

El peligro radica en el detalle de los modelos de facturación. Los proveedores que facturan por token generan rápidamente costes que devoran cualquier beneficio. Cuando los empleados utilizan la IA para tareas que podrían realizar igualmente bien con una simple búsqueda web, no se crea valor añadido. En su lugar, aumenta el esfuerzo de recursos para cosas que no tienen valor estratégico. El entusiasmo inicial se desvanece rápidamente cuando llega la primera factura de la nube. Precisamente aquí es donde se sitúa la advertencia de Gartner.

En septiembre de 2024, analistas de alto nivel se reunieron en la inauguración del Simposio de TI de Gartner en la Costa de Oro australiana. El ambiente era sobrio. El mensaje para los responsables de la toma de decisiones presentes era claro: quien introduce la IA debe mantener a la vista los costes totales. Mary Mesaglio, vicepresidenta de Gartner, lo expresó con claridad. Porque derrochar dinero en IA generativa es fácil. Su advertencia se dirige directamente a las lagunas de planificación en las medianas empresas y los grupos empresariales.

En su opinión, los costes reales a menudo se sitúan entre un 500 y un 1.000 por ciento por encima de las estimaciones iniciales. Esta discrepancia no se debe a la mala voluntad de los proveedores, sino a la falta de transparencia en el propio panorama de procesos. Al igual que al cambiar a la nube, es fácil que se produzca una estimación errónea de los costes al utilizar la IA. Las empresas calculan las tasas de licencia, pero olvidan la infraestructura. Cada solicitud a un gran modelo de lenguaje requiere capacidad de procesamiento en la nube. Esta capacidad cuesta dinero, a menudo más que la propia licencia.

«Porque derrochar dinero en IA generativa es fácil. Los costes a menudo están cientos por ciento por encima del plan.»

Mesaglio y su colega Kristian Steenstrup identificaron en su ponencia otro factor que impulsa los costes: la calidad de los datos. Los modelos de IA necesitan contexto. Los datos no estructurados, es decir, documentos, correos electrónicos y notas sin un orden claro, son difíciles de digerir para la IA. Procesarlos es a menudo más costoso que la adquisición del propio software. Antes de que un modelo pueda proporcionar respuestas significativas, estos datos deben limpiarse, estructurarse e indexarse. Este paso a menudo se pasa por alto en los casos de negocio, pero es técnicamente indispensable.

Un ejemplo concreto de la práctica muestra el dilema. Un proveedor de servicios medio introdujo un chatbot de IA para el soporte interno. Los costes de licencia eran bajos. Sin embargo, para alimentar al chatbot con el conocimiento propio de la empresa, tuvieron que prepararse miles de PDF y documentos de Word para que fueran legibles por máquinas. El plazo del proyecto se triplicó. Los costes de personal para la preparación de datos superaron el presupuesto. Al final, se obtuvo un sistema funcional, pero que solo estuvo listo después de doce meses en lugar de los tres meses planeados.

Ganancia de productividad versus realidad económica

¿La IA aporta un valor añadido real? La respuesta depende de la perspectiva. Técnicamente, sí. Se supone que la IA generativa ahorra una media de 43 minutos de tiempo de trabajo al día por usuario. Es una cantidad considerable de tiempo. Extrapolado a un año y un equipo de 50 empleados, se obtienen miles de horas de capacidad liberada. Teóricamente, se podría utilizar este tiempo para proyectos innovadores o reducir las horas extra. Sin embargo, en la práctica, el balance es diferente.

Según Gartner, a menudo no está claro si vale la pena la inversión financiera. El tiempo ahorrado debe monetizarse. Si los empleados no utilizan el tiempo ganado para actividades que generan valor, sino que simplemente reducen su carga de trabajo, la productividad por euro invertido disminuye. Además, el ahorro de 43 minutos es un valor promedio. En profesiones de conocimiento complejas, puede ser mayor, mientras que en procesos estandarizados es menor. La varianza es grande y hace que el cálculo sea difícil.

Otra analista de la empresa de investigación y consultoría de mercado había hecho una sombría previsión en julio de 2024. Predijo que el 30 por ciento de todos los proyectos de GenAI podrían ser cancelados debido a una rentabilidad poco clara antes de finales de 2025. Esta cifra es alarmante. Significa que casi uno de cada tres proyectos de IA fracasará antes de amortizarse. La razón no suele ser la tecnología, sino la falta de lógica empresarial detrás. Las empresas lanzan pilotos sin haber definido el retorno de la inversión (ROI).

Para los directores generales, esto significa: precaución con las promesas. La mejora de la eficiencia y el potencial de ahorro no son garantías. Deben trabajarse. Una empresa que solo implementa la IA porque es la tendencia actúa de manera negligente. Cada proyecto necesita una hipótesis clara: ¿Qué tarea se realizará más rápido? ¿Qué tasa de error disminuirá? Y, sobre todo: ¿Cuánto cuesta el minuto que ahorramos? Solo si esta cuenta sale bien, la IA es un factor económico y no un bloque de costes.

¿Quién se beneficia realmente del auge de la IA?

Mientras que los usuarios luchan con sus costes, hay un claro ganador en el ecosistema. Hasta ahora, Nvidia es el principal beneficiado. El fabricante de chips es el principal proveedor del hardware necesario para los proveedores de IA. Desde el auge de GenAI desencadenado por ChatGPT, Nvidia registra ganancias récord. Cada solicitud a un modelo de IA pasa por procesadores gráficos que casi nadie más produce de manera tan eficiente. Nvidia vende las palas en la fiebre del oro, mientras que los buscadores de oro a menudo se quedan con las manos vacías.

Curiosamente, la situación es diferente para los operadores de modelos de lenguaje generativos. Como concluye el artículo de Heise, aparentemente los operadores de modelos de lenguaje generativos también tienen dificultades para obtener beneficios. Según informes recientes, al proveedor de ChatGPT, OpenAI, le amenaza una pérdida de varios miles de millones de dólares. Los costes de funcionamiento de los centros de datos y el desarrollo de los modelos son inmensos. Los ingresos por suscripciones no cubren actualmente estos gastos.

Esta asimetría es arriesgada para las empresas medianas. Si los grandes proveedores como OpenAI están bajo presión, tendrán que ajustar sus precios. Los períodos de prueba gratuitos terminarán. Los descuentos para clientes empresariales podrían ser eliminados. Los costes de los modelos de suscripción no son estáticos. Aumentarán tan pronto como los proveedores deban imponer rentabilidad. Quien hoy basa su cálculo en los precios actuales, está planificando con números incorrectos para el futuro.

Se está creando una dependencia de unos pocos gigantes tecnológicos. Las empresas medianas tienen poco poder de negociación. Deben aceptar los precios que dictan Microsoft, Google o OpenAI. Por lo tanto, es estratégicamente importante no depender solo de modelos externos. Modelos propios más pequeños, entrenados con datos específicos de la empresa, pueden ser más rentables a largo plazo. Funcionan en hardware propio o alquilado y no dependen de cada salto en el precio de los tokens.

Recomendaciones estratégicas para la empresa mediana

¿Qué significa esto en la práctica? Las empresas deben replantear su estrategia de IA desde cero. No es la tecnología lo que está en el centro, sino el caso de uso. Comience con algo pequeño. Elija un proceso que esté claramente definido y tenga altos volúmenes. Las solicitudes de servicio al cliente o la creación de informes estándar son buenos candidatos. Mida el tiempo necesario antes y después de la implementación. Solo así obtendrá datos sólidos para su cálculo de ROI.

Preste atención meticulosa a la higiene de los datos. Antes de utilizar la IA, invierta en la estructuración de su información. Los datos no estructurados son veneno para el control de costos. Limpie sus archivos. Establezca derechos de acceso. Asegúrese de que no se filtren datos confidenciales de clientes en modelos públicos. Una filtración de datos puede ser costosa, no solo por las multas, sino también por la pérdida de reputación. El cumplimiento no es un obstáculo, sino un requisito previo para un uso seguro de la IA.

Capacite a sus empleados. La IA es una herramienta, no una varita mágica. Los empleados deben aprender a formular indicaciones para obtener buenos resultados. Las indicaciones deficientes llevan a respuestas deficientes que deben ser revisadas. Esto consume más tiempo que realizar la tarea manualmente. Invierta en capacitación. Ofrezca talleres en los que los equipos aprendan a utilizar la IA de manera efectiva. Solo los usuarios calificados generan la ganancia de productividad prometida.

Supervise los costos de manera continua. Establezca límites para el uso de la API. Analice mensualmente qué departamentos consumen cuántos tokens. Identifique valores atípicos. Si un departamento de repente causa costos extremadamente altos, examine el caso de uso. A menudo, detrás de esto se encuentra un uso ineficiente. Corrija el rumbo. La gestión de la IA no es un proyecto único, sino un proceso continuo. Quien no controla los costos pierde el control sobre el presupuesto.

Preguntas frecuentes