El gasto en IA vuelve a ocupar titulares con el lanzamiento del modelo Claude Fable 5 de Anthropic. Aunque surgieron preocupaciones de seguridad que llevaron a la suspensión temporal del modelo, también se plantearon inquietudes sobre el coste. Anthropic indica que Fable tiene un coste de 10 dólares o aproximadamente 9 euros por cada millón de tokens de entrada y 50 dólares por cada millón de tokens de salida. Es el doble de precio que el modelo más caro de la firma hasta ahora, Claude Opus 4.8.

En LinkedIn aparecieron publicaciones que mostraban lo rápido que los equipos consumían sus tokens y, por consiguiente, sus presupuestos. Hay matices: Fable 5 es un modelo avanzado y, para la mayoría de las empresas, no será necesario ejecutarlo de forma continua ni utilizarlo para todas las tareas.

Pero ahí yace un tema clave: el uso de IA se acelera y los modelos evolucionan. Sin embargo, el nivel de control y visibilidad sobre cuánto se gasta, por quién y para qué, va rezagado.

Cómo la consumo de IA se convirtió en un problema financiero.

Existe un cambio masivo en el mercado de software del Reino Unido hacia IA, y específicamente hacia el ecosistema de Anthropic. Datos de Pleo sobre los principales comercios tecnológicos según el número de clientes que gastan revelan que Anthropic (Claude) escaló del puesto 12 al 7 entre el cuarto trimestre de 2025 y el primero de 2026. Al mismo tiempo, el gasto medio por cliente aumentó un 43%.

Este ascenso rápido indica que Anthropic ha alcanzado madurez empresarial en el mercado británico, con empresas que dejan la fase de experimentación. Pero, si bien refleja confianza creciente en la adopción de IA, también presenta desafíos financieros.

En conjunto, la IA ha redefinido la forma en que funciona el lugar de trabajo, pero no es una prueba gratuita. El coste de los tokens ha aumentado, y los nuevos modelos que pueden lograr lo que parecía impensable hace unos años vienen con un precio a la altura. El nuevo reto para los líderes empresariales es aprovechar estas tecnologías y, a la vez, limitar gastos descontrolados.

Por ello, muchas organizaciones están recurriendo a sus equipos de finanzas. Las finanzas tienen la visibilidad para profundizar en los detalles y mapear el uso de IA en toda la organización, ya sea que aparezca discretamente como renovación de suscripción o como una nueva solicitud presupuestaria. Pero, además de eso, pueden ser fundamentales para asegurar conversaciones abiertas, no solo con OpenAI.

La actividad de IA no equivale a valor de IA.

Casi todas las organizaciones han desarrollado formas transformadoras de usar herramientas de IA. Pero, si lo saben o no, también habrá usos ineficientes.

Entre los factores de uso ineficiente se encuentran hacer preguntas abiertas a los agentes de IA, desajustes de modelo que consumen tokens innecesariamente y herramientas duplicadas por AI sombra y suscripciones superpuestas. Estos elementos impiden ver la imagen completa, que muy probablemente es costosa.

La alfabetización de los usuarios puede mejorar esto. Pero para los equipos de finanzas deben empezar por la zona gris del consumo de IA. Dos equipos pueden figurar como usuarios activos de IA, pero uno que use un modelo LLM para producir más contenido rápidamente está haciendo algo fundamentalmente distinto al de otro que la utiliza para tareas periféricas de productividad. De hecho, solo el 29% de las pymes europeas que usan Gen AI lo hacen en actividades centrales del negocio.

Para mejorar el control, las organizaciones deben empezar elevando la visibilidad de quién usa IA y para qué la utiliza para volverse más inteligente, más rápido y más productivo.

Cómo recuperar el control sobre el uso de IA.

Una visión completa del gasto en IA es esencial, independientemente de si los costos están aumentando.

Desglosar el gasto por departamento, equipo y presupuesto ayuda a identificar tanto el uso desproporcionado como las áreas donde la adopción puede estar rezagada. Esto debe combinarse con métricas de rendimiento, como el tiempo para obtener el primer borrador en contenido de marketing; ciclos de revisión de código en ingeniería; tiempos de resolución de tickets de soporte al cliente, y así sucesivamente.

Esta combinación de gasto y rendimiento puede revelar si la inversión en IA se traduce en ganancias de productividad medibles y no solo en un aumento de los costos de software.

La visibilidad debe extenderse también al uso a nivel de modelo. Como se mencionó, la diferencia de coste entre modelos de razonamiento de frontera y alternativas más ligeras puede ser de hasta diez veces. Supervisar el uso de modelos y proveedores, junto con el consumo de tokens, ayuda a las organizaciones a derivar las tareas rutinarias hacia opciones de menor costo, maximizar el ROI y reducir gastos innecesarios.

Por lo tanto, los equipos de finanzas deben ampliar los marcos de informes y presupuestos para incluir métricas específicas de IA. Una pregunta clave en el cierre de mes es si los equipos habilitados por IA aumentan la producción y la capacidad sin aumentar el personal. Esto ofrece un titular claro sobre el impacto de la IA, puede justificar la inversión y distinguir entre uso de alto valor y uso de bajo valor.

En última instancia, el control eficaz de la IA no se trata solo de costos. Se trata de entender dónde la IA crea valor y garantizar que la inversión esté alineada con los resultados comerciales.

El control de IA está al alcance de tus manos.

La buena noticia es que ninguna de estas métricas requiere una pila analítica de IA sofisticada. Los equipos de finanzas ya deberían contar con herramientas para la visibilidad en tiempo real de lo que se gasta y dónde. Todo lo que falta es incorporar IA al mix y colaborar con otros departamentos para medir y mejorar su ROI.

El resultado es que las organizaciones controlan el uso de IA mediante supervisión, sin restringir el gasto, la adopción o la innovación por procesos de adquisición largos. Las políticas de gasto, los controles de categoría y los umbrales de aprobación claros controlan lo que se gasta, y todo queda medido.

Pero, lo más importante, los equipos no desaceleran como resultado. La única diferencia es que la IA se optimiza para generar impacto.

Hemos destacado la mejor IA de chatbot para empresas.

Este artículo forma parte de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes de la industria tecnológica actual.

Las opiniones expresadas corresponden a la autora y no necesariamente a TechRadar Pro o Future plc. Si estás interesado en contribuir, descubre más aquí: https://ift.tt/bGgBn63

from Latest from TechRadar https://ift.tt/R0jn2Vq
via IFTTT IA