Durante la primera ola de adopción de IA, gran parte de ese costo quedó efectivamente oculto para los clientes. La IA llegó envuelta en precios subsidiados, asignaciones generosas y un enfoque implacable en impulsar el uso. El mensaje fue simple: use más IA.

En algunas organizaciones, el uso se ha convertido en el objetivo. El auge de conceptos como el “tokenmaxxing” llevó esto a un extremo, celebrando el volumen por encima del valor y equiparando incorrectamente outputs con resultados.

Pero aunque tokenmaxxing pueda ser un hábito cuestionable que ha sido ampliamente expuesto, no es el problema más grave al que se enfrenta la IA empresarial.

El problema mayor es el impuesto de tokens oculto que acompaña el uso de capacidades de IA generativa y de IA agentica en las operaciones cotidianas.

El impuesto de tokens está llegando

Las empresas ya están empezando a ver el impacto. Uber, según informes, agotó su presupuesto de IA para 2026 en abril, apenas a cuatro meses de año, tras una adopción rápida de herramientas de IA de codificación en su organización de ingeniería.

Amazon, según se reporta, cerró una tabla de clasificación de uso interno de IA tras preocupaciones de que incentivaba el “tokenmaxxing”, y ejecutivos instaron a los empleados a no usar IA solo para aumentar métricas de uso.

A medida que la IA pasa de la experimentación a la producción, las organizaciones descubren que la economía de escala puede verse muy diferente de la economía de la experimentación.

El tokenmaxxing puede alentar a las organizaciones a consumir más IA, pero el impuesto de tokens es la factura que llega finalmente. Y para muchas empresas, esa factura resulta mucho más alta de lo esperado.

¿Por qué está pasando esto?

A simple vista parece contradictorio. Los precios por token siguen bajando y los proveedores de modelos anuncian tarifas más baratas. Sin embargo, con las facturas de IA empresarial en aumento, la razón radica en cómo funcionan realmente los sistemas agenticos modernos.

La salida visible que recibes es solo una parte de lo que sucede tras bambalinas. Antes de generar una respuesta, un agente de IA puede interpretar la solicitud, decidir qué herramientas usar, recuperar datos, evaluar resultados y repetir, llamando a herramientas varias veces hasta completar la tarea o determinar que está atascado.

Piénsalo como si un agente tuviera un monólogo interior: interpretar la solicitud, planificar, llamar a herramientas, verificar resultados y decidir qué hacer a continuación. Cada paso puede activar llamadas adicionales al modelo y puede transportar más contexto, por lo que la respuesta visible puede representar solo una fracción de los tokens totales consumidos.

Así que, si el costo por token está disminuyendo, la cantidad de tokens necesarios para completar una tarea a menudo está aumentando de forma drástica.

Goldman Sachs Research estima un incremento de 24 veces en el consumo de tokens para 2030, alcanzando alrededor de 120 cuatrillones de tokens por mes a medida que consumidores y empresas adoptan la tecnología agentica.

Con esto, las organizaciones pueden creer que se benefician de precios más bajos mientras sus costos totales siguen aumentando. Y el problema no es solo el costo; también es la predictibilidad y la falta de un vínculo claro entre el uso de tokens y los resultados.

Esto se está convirtiendo en uno de los desafíos económicos más importantes de la IA empresarial, y apenas empieza a discutirse. La economía de la IA agentica hace que sea cada vez más costoso ejecutar agentes a gran escala.

¿Qué es el impuesto de tokens?

Presentamos el impuesto de tokens como el costo oculto que las organizaciones incurren cuando los sistemas de IA consumen repetidamente recursos de ejecución onerosos de agentes para realizar un trabajo que podría haberse diseñado una vez y reutilizado muchas veces.

A diferencia del software empresarial tradicional, donde el costo de ejecución es mayormente fijo, muchos sistemas de IA agentica replantean el mismo proceso cada vez que se ejecutan. Cuanto más complejo sea el flujo de trabajo, mayor será el impuesto. Muchas tareas empresariales repetibles no requieren, o incluso permiten, razonamiento de tiempo de ejecución de código abierto.

Esto genera una desconexión entre la actividad y el valor. Las organizaciones pueden consumir millones de tokens, pero eso no se traduce necesariamente en mejores resultados. En muchos casos, simplemente implica pagar repetidamente por el mismo proceso de planificación agentica.

¿Estamos usando agentes en el lugar correcto?

Los agentes de tiempo de ejecución son valiosos para resolver problemas nuevos, únicos e poco especificados, diseñar flujos de trabajo o explorar opciones. Pero usar razonamiento costoso para ejecutar repetidamente el mismo proceso de negocio introduce no solo costo, sino también imprevisibilidad. Si pides a un agente que re-razone la misma pregunta 100 veces, podrías obtener 100 respuestas distintas.

Para hacer una comparación con el mundo real, es como pagar a un chef gourmet de cinco estrellas para inventar una receta cada vez que llega un nuevo pedido. Un enfoque más inteligente es usar la IA agentica una vez para diseñar el flujo de trabajo óptimo y luego usar una IA más ligera para seleccionar el flujo correcto que se ejecuta de forma consistente.

En otras palabras, utiliza la creatividad y el cerebro costoso del chef una vez al año para crear un nuevo menú y recetas. Luego usa chefs más baratos y habilidosos para preparar la comida siguiendo la receta ya diseñada.

Desplazar la IA agentica del tiempo de ejecución al tiempo de diseño

Aquí es donde la distinción entre diseño y ejecución se vuelve crucial. Los agentes de tiempo de ejecución son muy útiles para resolver problemas cuando la creatividad, la exploración y la resolución de problemas generan valor duradero.

La ejecución en tiempo de ejecución es distinta. Aquí, la predictibilidad, la gobernanza y la eficiencia de costos son lo más importante. Los agentes de tiempo de ejecución deben usarse selectivamente, los flujos de trabajo deben ser deterministas, repetibles y gobernados.

Al usar IA agentica para diseñar procesos desde el principio, las organizaciones pueden reducir drásticamente el impuesto de tokens asociado con la ejecución en tiempo de ejecución mientras mejoran la fiabilidad.

La IA sostenible no se trata de eliminar agentes, sino de ser deliberados sobre dónde aportan valor.

La próxima fase de la IA empresarial

Este próximo capítulo se definirá menos por demos impresionantes y más por la disciplina económica. Las organizaciones necesitarán resultados predecibles, costos predecibles y una estrategia para reducir el impuesto de tokens incrustado en los sistemas agenticos. Los ganadores no serán necesariamente las organizaciones que usen más IA, sino las que generen más valor comercial por cada token consumido.

Las compañías que aborden este desafío temprano optimizando el consumo de tokens y diseñando para inteligencia de diseño y eficiencia de tiempo de ejecución no solo ahorrarán dinero, sino que construirán sistemas de IA más fáciles de confiar, más fáciles de gobernar y más fáciles de escalar.

A medida que la IA pasa de la experimentación a la realidad empresarial, las organizaciones que minimicen su impuesto de tokens mientras maximizan los resultados comerciales tendrán una ventaja competitiva significativa.

Hemos presentado el mejor software de automatización de TI.

Este artículo se produjo como parte de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes de la industria tecnológica hoy.

Las opiniones aquí expresadas son las del autor y no necesariamente las de TechRadarPro o Future plc. Si te interesa contribuir, descubre más aquí: https://www.techradar.com/pro/perspectives-how-to-submit

from Latest from TechRadar https://ift.tt/HjRMp2f
via IFTTT IA