FinOps para IA dejó de ser un tema de nicho: según el State of FinOps 2026 de la FinOps Foundation, el 98% de los equipos de FinOps ya gestiona gasto de IA, frente al 31% de 2024. El mismo reporte muestra el hueco: la capacidad que más piden y que no existe hoy es medir ese gasto por token, por LLM request y por GPU.
Aquí explicamos por qué la factura no alcanza y cómo montar FinOps para IA en cuatro capas con lo disponible hoy.
Lo esencial
- La capacidad #1 que los equipos de FinOps piden y no tienen es medir la IA por token, request y GPU.
- La factura agrega por modelo o SKU, no por feature ni agente.
- FinOps para IA se construye en cuatro capas que ya se pueden implementar.
Qué dice realmente el State of FinOps 2026
El reporte encuestó a 1,192 practicantes que gestionan más de US$83,000 millones en gasto cloud anual. El 15% de las respuestas viene de Sudamérica y Centroamérica.
Un matiz antes de citarlo: el ranking sale de una pregunta abierta sobre funciones de tooling que no existen todavía. El top 3: monitoreo granular del gasto de IA, costeo de arquitectura antes del despliegue (shift-left) y una vista única del gasto tecnológico. Algunos resúmenes secundarios invierten los dos primeros; la fuente primaria pone FinOps para IA en primer lugar.
Los retos que reportan los equipos al aplicar FinOps para IA son tres: visibilidad de costos, asignación a unidades de negocio y medición del retorno. Un practicante lo resumió así: “Is your AI providing value? No one can answer that question yet.”
Por qué la factura no alcanza en FinOps para IA
La factura del proveedor agrega el consumo por modelo, por SKU o por cuenta. No sabe qué feature generó cada llamada, qué equipo la disparó ni si fue un agente encadenando varios modelos para una sola respuesta.
La guía FinOps for AI de la FinOps Foundation, actualizada en febrero de 2026, reconoce el problema de raíz: los proveedores crean SKUs nuevos con frecuencia, muchos sin capacidad de etiquetado nativo. Además, FinOps para IA tiene que cubrir SaaS, APIs y GPU al mismo tiempo.
La factura de IA le dice cuánto gastó. Solo la atribución le dice si valió la pena.
FinOps para IA en la práctica: atribución en cuatro capas
La atribución es la capacidad de asignar cada unidad de gasto en IA a un feature, equipo o caso de uso.
1. Etiquetado en el punto de invocación
Cada llamada a un modelo debe salir con metadatos de dueño: aplicación, equipo, entorno y centro de costo. En AWS esto ya es nativo: desde noviembre de 2024, Amazon Bedrock permite asignar costos de inferencia con cost allocation tags mediante application inference profiles.
2. Gateway con telemetría por request
Donde el proveedor no etiqueta, la etiqueta se pone en su lado. Un gateway o proxy de LLM centraliza las llamadas y registra, por request, tokens de entrada y salida, modelo, feature y agente. Con una tabla de precios por modelo, el costo se calcula en el momento, sin esperar al cierre de mes.
3. Normalización del dato
FOCUS, la especificación abierta de la FinOps Foundation (hoy en la versión 1.4), normaliza la facturación de cloud, SaaS e IA, e incluye split cost allocation para clústeres compartidos. Donde no llega el dato del proveedor, la telemetría de la capa 2 lo completa.
4. Métrica unitaria
La Fundación define costo por token como costo total dividido entre tokens usados, y costo por inferencia como costo total entre número de requests. El paso que cierra el ciclo es llevarlas a costo por feature o por resultado, que es la unidad que entiende finanzas.
| Capa | Qué resuelve | Con qué se implementa hoy |
|---|---|---|
| Etiquetado | Dueño de cada llamada | Tags nativos del proveedor |
| Telemetría | Tokens y costo por request | Gateway o proxy de LLM |
| Normalización | Un solo esquema de gasto | FOCUS + datos propios |
| Métrica unitaria | Costo por feature | Reporte a finanzas |
Punto clave
FinOps para IA no espera a que el tooling madure. La atribución se construye en el punto donde se invoca el modelo, no en la factura que llega a fin de mes.
Si este análisis te resulta útil, recíbelo cada semana: 👉 Suscríbete al newsletter de DacmosGroup
Por dónde empezar con FinOps para IA
El primer paso de FinOps para IA es un inventario de todos los puntos donde la organización consume IA, incluidas las APIs que algún equipo conectó sin pasar por compras.
Después, etiquetado obligatorio en todo despliegue nuevo y un gateway para las dos o tres aplicaciones de mayor consumo. Hace falta que lo nuevo nazca medible.
El entregable que cambia la conversación es el primer reporte de costo por feature. Si su equipo ya presentó a la gerencia cuánto se desvió el presupuesto de IA, este es el siguiente nivel: explicar por qué se desvió y dónde.
Preguntas frecuentes
¿Qué es FinOps para IA?
Es la aplicación de las prácticas de FinOps al gasto en inteligencia artificial: visibilidad, asignación a dueños, pronóstico y medición de valor sobre tokens, requests de modelos y GPU.
¿Se puede medir el costo por token sin una herramienta comercial?
Sí. Con un gateway que registre los tokens de cada request y una tabla de precios por modelo, el costo se calcula por llamada y se agrega por feature o equipo.
La pregunta que viene después del gasto
La conversación sobre IA ya pasó de cuánto se gasta a qué produce. Los equipos que construyan FinOps para IA ahora responderán con datos; el resto seguirá defendiendo presupuestos con estimaciones.
¿Su equipo puede decir hoy qué feature o agente generó el gasto de IA del mes pasado?
Si ya montó un gateway o un esquema de etiquetado, cuéntenos en los comentarios qué capa le costó más.
Para el lado de licencias del mismo problema, lea cómo detectar las licencias SaaS que nadie usa.