IA más cara: Impacto del 33% de sobrecoste para CFOs
8 min de lectura
Un tercio de las empresas DACH afirma, según el estudio de Bitkom de abril de 2026: la IA se ha vuelto más cara de lo previsto. Esto no es una cuestión de cantidades mal estimadas, sino de arquitectura y adquisición. Quien como CFO en el sector mediano no revise ahora los modelos de costes, recortará en personal dentro de doce meses, no en proveedores.
Lo más importante en resumen
- 41 % de uso de IA, 33 % de sobrecostes: El estudio de Bitkom 2026 muestra una duplicación de la adopción respecto a 2024, pero cada tercera empresa supera el presupuesto (Bitkom, abril de 2026).
- La sobrecoste es arquitectura, no volumen: El bloqueo por hyperscalers, las pipelines RAG ineficientes y la falta de enrutamiento de modelos impulsan los costes de inferencia mucho más que la cantidad de uso.
- La adquisición debe reformarse: La lógica clásica de licencias no encaja con el precio por token; los CFO necesitan modelos de costo total de inferencia antes de firmar el próximo contrato.
Qué significan los datos de Bitkom para la realidad de los CFO
El estudio de Bitkom de abril de 2026 mide dos realidades al mismo tiempo. El 41 % de las empresas en DACH implementan activamente IA —en 2024 eran el 17 %. Por lo tanto, la adopción no es el problema. El problema lo muestra el segundo dato: el 33 % reporta sobrecostes. El 19 % ha reducido plantilla como consecuencia. Es una cifra contundente en un estudio que normalmente recoge solo percepciones.
Quien como CFO solo lea la tasa de adopción, pasa por alto la parte costosa. Los sobrecostes no están distribuidos uniformemente. Según observaciones sectoriales, se concentran en dos grupos. Primero, empresas medianas que entraron directamente en un contrato con un hyperscaler sin revisión arquitectónica. Segundo, empresas que escalaron un caso de uso de IA generativa a su negocio principal sin calcular los costes de inferencia por transacción.
Para la función financiera esto significa: el ítem de IA ya no es un ítem de software. Se comporta como un ítem de energía variable —con la diferencia de que la mayoría de los sistemas ERP no lo reflejan así. Quien lo incluya en el pronóstico como costo fijo de licencia, ya ha perdido.
El 19 % es la verdadera señal de alarma. Indica que el sector mediano inició la adopción sin definir un margen de seguridad financiera. Cuando el flujo de efectivo se tensa, los recortes caen sobre el personal, no sobre el proveedor. Esto es lo contrario de lo que promete la tesis de inversión en IA —y casi siempre ocurre porque nadie hizo antes del inicio una estimación honesta del costo total de inferencia.
Cuatro antipatrones de arquitectura que generan sobrecostes
Los sobrecostes rara vez provienen del precio de la licencia. Provienen de una arquitectura que está por debajo del precio de la licencia. Cuatro patrones aparecen con especial frecuencia en proyectos piloto en DACH — y todos son evitables si el CFO hace las preguntas adecuadas antes del sign-off de la arquitectura.
Lo que dispara los costes
- Bloqueo en el hiperscalador: inferencia en una sola plataforma, sin precio de referencia en el contrato
- Pipelines RAG que cargan documentos enteros en el contexto en lugar de dividirlos en chunks
- Modelo premium para cada solicitud — incluso para clasificaciones sencillas
- Carga de trabajo de inferencia sobredimensionada (GPU reservada 24/7 en lugar de bajo demanda)
Lo que sostiene los costes
- Configuración multiproveedor con capa de enrutamiento (mínimo dos fuentes de inferencia)
- Presupuesto de tokens por caso de uso, no por departamento
- Modelos pequeños como predeterminados, premium solo cuando sea necesario
- Capa de caché para solicitudes recurrentes (a menudo entre el 30 y el 50 por ciento de la carga)
El más caro de los cuatro puntos suele ser la pipeline RAG. Una arquitectura de recuperación mal diseñada carga entre 8.000 y 16.000 tokens de contexto por cada solicitud, aunque bastarían 1.500. Cuando los tokens se facturan por millón, este factor se multiplica directamente en la factura mensual. Por eso, los CFOs no deberían preguntar por el precio del modelo en el primer sign-off, sino por el consumo medio de tokens por transacción — y por el peor caso en picos de carga.
El bloqueo en el hiperscalador es el segundo gran factor. Quien establece un caso de uso completamente en la nube sin integrar un segundo proveedor de inferencia no tiene ningún punto de apoyo para negociar. En el ámbito mediano de DACH, esto suele ser una combinación de una vinculación histórica con la nube y la presión de ventas del hiperscalador, que presenta el stack de IA como un paquete integral. La consecuencia: las subidas de precios no pueden amortizarse porque el proyecto de sustitución lleva de seis a nueve meses.
Cómo un CFO valida un caso de negocio con IA (5 pasos)
Los casos de negocio tradicionales en software evalúan el precio de la licencia, el costo de implementación y el mantenimiento. En el caso de la IA, estos dos elementos clave están ausentes: los costos de inferencia y el camino de escalabilidad. Estos cinco pasos complementan el caso de negocio para que los verdaderos impulsores se vuelvan visibles antes de firmar el contrato.
Los cinco pasos no son un marco de trabajo. Son la mínima disciplina necesaria para evitar que un piloto de 50.000 euros se convierta en un bloque de costos de 380.000 euros sin que nadie pueda detenerlo en el medio. En las observaciones del sector, exactamente eso ocurre en la mayoría de los casos de exceso de costos: nadie tuvo la tarea de detectar el desvío.
Replantear la adquisición: del compra de licencias al contrato de inferencia
La adquisición clásica de software en las pymes consiste en comprar una licencia por usuario, quizá más el mantenimiento. En IA, esto solo funciona en las fases piloto. En cuanto un caso de uso entra en producción, la lógica de tokens desborda la lógica de licencias. Quien no reestructura su proceso de adquisición se enfrenta a los mismos sobrecostes cada trimestre, solo que en mayor escala.
El primer paso para transformar este modelo es pasar de contratos por seat a contratos por outcome, siempre que el proveedor esté dispuesto a aceptarlo. En las pymes del DACH esto rara vez se negocia directamente, pero sí como modelo híbrido: una tarifa base cubre una cantidad definida de tokens; todo lo que exceda esa cantidad se facturará de forma transparente. Lo que no debe ocurrir es un consumo de tokens sin límite contractual. Ese es el camino habitual en el grupo del 33%.
El segundo palanca es la consolidación de proveedores, en contra del patrón habitual. Donde antes prevalecía la regla empírica de “mejor tres proveedores especializados que uno para todo”, en la inferencia de IA eso cambia. Mantener tres proveedores de inferencia en paralelo resulta caro en configuración y monitorización. Lo más sensato suele ser: un proveedor principal para el 70% del volumen, más un segundo para el enrutamiento y la presión negociadora. Operar tres modelos simultáneamente solo resulta rentable a partir de ciertas escalas, que la pyme típica aún no alcanzará en 2026.
El tercer punto son las cláusulas de datos. Cuantos más casos de uso accedan a datos internos, más importantes se vuelven las restricciones sobre el uso para entrenamiento, la residencia de los datos y los derechos de auditoría. Estas cláusulas ya no son solo un tema del RGPD; son un factor de coste: un proveedor que excluya el uso para entrenamiento puede ofrecer mejores condiciones porque su propio modelo de negocio está calculado de manera distinta. Los CFOs deberían pedir a sus equipos de adquisición que negocien activamente estas cláusulas, en lugar de aceptarlas como una condición estándar.
Los próximos doce meses: qué deben implementar concretamente los CFOs
La cifra del 33% no se corregirá sola. Quien en 2026 tenga IA en funcionamiento en una pyme y no cuente con un mecanismo claro de seguimiento de costes será candidato a la siguiente ronda. Hay tres medidas concretas que pueden implementarse de forma realista en los próximos doce meses, sin frenar la adopción.
El plan parece poco espectacular —y eso es intencional. El control de costes en IA en las pymes no necesita nuevos marcos; lo que necesita es la voluntad de tomar esta tarea en serio antes de que afecte el presupuesto de personal. La cifra del 19% de la encuesta de Bitkom muestra lo que ocurre cuando falta esa voluntad.
Conclusión
Las cifras de Bitkom para 2026 no reflejan un problema de adopción, sino uno de arquitectura y aprovisionamiento. Los CFO de las pymes pueden amortiguar la ola de sobrecostes si tratan los costes de IA como una partida variable, exigen perfiles de tokens antes del contrato y tienen preparado al menos un segundo proveedor de inferencia. Quien no lo haga, tendrá dentro de doce meses la misma elección que el 19 por ciento: recortar personal o reducir el caso de uso. Ambas vías son más caras que establecer ahora un proceso de aprovisionamiento limpio.
Preguntas frecuentes
¿Por qué es tan alto el 33 por ciento de sobrecoste en proyectos de IA en comparación con los proyectos de TI clásicos?
Porque la inferencia de IA se factura de forma variable, mientras que el software clásico tiene un coste fijo. Los CFO suelen calcular con lógica de licencias (precio fijo por usuario) y pasan por alto que el precio por token escala por transacción. Un caso de uso que se adopta con éxito dispara los costes de forma desproporcionada, justo lo contrario de la escalabilidad del software clásico.
¿Qué es el Coste Total de Inferencia y cómo lo calculo?
El Coste Total de Inferencia suma todos los gastos incurridos por cada solicitud de IA: tokens de entrada, tokens de salida, sobrecarga de enrutamiento, parte de caché y monitorización. Cálculo para pymes: promedio de tokens por transacción multiplicado por el número de transacciones mensuales, por el precio del token. Más un recargo del 10 al 15 por ciento para picos de carga. Esto da una estimación mensual honesta que figura en la previsión.
¿Basta con que nuestro director de TI tome la decisión arquitectónica, o debe sentarse también el CFO a la mesa?
En proyectos piloto basta con la dirección de TI. En cuanto un caso de uso pasa a producción y los costes de inferencia superan unos 5.000 euros al mes, la función financiera debe participar en la validación de la arquitectura. El bloqueo con hiperescaladores y la falta de enrutamiento de modelos ya no son detalles técnicos, sino compromisos contractuales con impacto financiero plurianual.
¿Cómo negocío los costes de IA con un hiperescalador si no tengo un segundo proveedor?
Sin alternativa, el margen de negociación es limitado. Realistas son tres palancas: primero, compromisos de volumen a cambio de reducción de precios (típicamente 5 a 10 por ciento); segundo, contratos multianuales a cambio de techos de costes; tercero, inclusión de un derecho de enrutamiento en el contrato. Más importante es desarrollar paralelamente un segundo proveedor; sin él, las futuras negociaciones seguirán siendo unilaterales.
¿Cuánto más cuesta típicamente una pipeline RAG mal construida en una pyme frente a una optimizada?
En observaciones sectoriales, el factor oscila entre tres y cinco para volúmenes medios. Una pipeline deficiente carga de 8.000 a 16.000 tokens de contexto por solicitud, una optimizada de 1.500 a 3.000. Con 50.000 solicitudes al mes, esto suma cantidades de cuatro a cinco cifras, en la diferencia, no en el precio total. Las capas de caché y un mejor fragmentado son técnicamente ajustes pequeños con gran efecto palanca.
Fuente imagen de cabecera: Pexels / Kampus Production (px:8353840)
