El presupuesto de IA que su directorio aprobó a principios de año probablemente ya no alcanza. Según la sexta encuesta anual de la FinOps Foundation, el 73% de las organizaciones gastó más en inteligencia artificial de lo que había proyectado — y no por errores de cálculo aislados, sino porque el modelo que usaban para presupuestar la nube tradicional no funciona para cargas de IA. Este artículo explica por qué el presupuesto de IA se rompe en casi tres de cada cuatro empresas, qué está pasando específicamente con el consumo de inferencia, y qué preguntas debería hacer esta semana antes de que el problema aparezca en el estado de resultados del próximo trimestre.
Lo esencial
- El 73% de las empresas superó su presupuesto de IA en el último año — no es la excepción, es la norma.
- El problema no es el modelo que eligió: el 80-90% del gasto de IA vive en inferencia, no en entrenamiento, y ahí no hay Cost Explorer que sirva.
- Las organizaciones con FinOps más maduro reportan más sobrecostos, no menos — porque son las únicas que los detectan.
Por qué el presupuesto de IA se rompe distinto al de la nube
Cuando una PyME presupuesta un servidor en la nube, presupuesta capacidad: tantas instancias, tanto almacenamiento, tanto ancho de banda. Ese número se mueve poco de un mes a otro. El presupuesto de IA no funciona así. Entre el 80% y el 90% del gasto real está en inferencia — el momento en que el modelo responde, no en que se entrena — y ese consumo depende de variables que nadie controla desde Finanzas: cuántos tokens procesa cada consulta, cuántas veces un modelo de razonamiento “piensa” antes de responder, cuántas llamadas encadena un flujo agéntico para completar una sola tarea.
Ahí está la raíz del problema. Un modelo de razonamiento puede consumir diez veces más tokens que uno estándar para la misma pregunta, sin que eso aparezca en ningún dashboard de capacidad contratada. Un agente que encadena cinco o seis llamadas a un modelo para resolver una tarea multiplica ese consumo sin que ningún ingeniero haya “aprovisionado” nada de más. El presupuesto de IA que se calculó con la lógica de la nube tradicional — capacidad fija, costo predecible — choca contra un consumo que se parece más a la factura eléctrica de una fábrica que arranca líneas nuevas cada semana.
Piénselo así: presupuestar la nube tradicional es como pagar la renta de una bodega — el número se conoce de antemano, sube poco y avisa con tiempo. Presupuestar IA es más parecido a pagar la factura eléctrica de una planta que enciende maquinaria nueva cada vez que un equipo interno encuentra un caso de uso que le sirve. Nadie en Finanzas ve venir esa nueva línea de producción hasta que llega la factura del mes siguiente — y para entonces ya se consumió.
| Año | % que gestiona gasto de IA activamente | Lectura |
|---|---|---|
| 2024 | 31% | IA todavía experimental, gasto residual |
| 2025 | 63% | La mitad del mercado ya lo trata como gasto real |
| 2026 | 98% | Gestionar gasto de IA ya es estándar, no diferenciador |
El presupuesto de IA no se rompe por errores de cálculo. Se rompe porque nadie mide lo que realmente consume: tokens, no instancias.
La paradoja que ningún CFO quiere escuchar
Acá viene el dato que más incomoda: las empresas con procesos de FinOps más maduros no reportan menos sobrecostos de IA — reportan más. No es que gasten peor. Es que son las únicas con instrumentación suficiente para ver el problema completo. Las organizaciones que apenas empiezan a gestionar gasto de IA subestiman su propio sobrecosto simplemente porque no lo están midiendo con el detalle necesario — monitorean la factura total, no el consumo por token, por solicitud a un modelo o por unidad de GPU.
Punto clave
Si su equipo de Finanzas sigue presupuestando IA como si fuera una instancia reservada, va a seguir fallando el pronóstico. El 80-90% del gasto de IA está en inferencia, un consumo que varía por uso real, no por capacidad contratada.
Si este análisis le resulta útil, recíbalo cada semana: 👉 Suscríbete al newsletter de DacmosGroup
Qué preguntar esta semana, sin esperar al cierre de trimestre
No hace falta un equipo de FinOps de cinco personas para empezar a corregir el presupuesto de IA de su PyME. Hace falta hacer tres preguntas concretas antes de que termine el mes. Primero: ¿quién en la empresa puede activar un modelo de razonamiento o un flujo con múltiples agentes sin pasar por una aprobación de gasto? Segundo: ¿el proveedor de IA que usa factura por token, por solicitud o por asiento — y su equipo sabe cuál de los tres modelos aplica a cada herramienta que ya contrataron? Tercero: ¿existe algún reporte, aunque sea manual, que separe el gasto de IA del resto del gasto en nube?
Estas tres preguntas no resuelven el presupuesto de IA de una vez, pero sí exponen dónde está el hueco real del presupuesto de IA en su empresa. La mayoría de las PyMEs panameñas y centroamericanas que hemos visto en consultoría no tienen ese reporte separado — el gasto de IA vive mezclado dentro de la factura general de nube, invisible hasta que alguien nota que el total subió sin que nadie autorizara nada nuevo.
¿Su empresa ya sabe cuánto va a gastar en IA el próximo trimestre, o lo va a descubrir en la factura?
Cuéntenos en los comentarios si ya tiene un mecanismo de monitoreo de gasto de IA, o si todavía lo está improvisando mes a mes.
Preguntas frecuentes
¿Por qué el presupuesto de IA es más difícil de calcular que el de la nube tradicional?
Porque entre el 80% y el 90% del gasto de IA está en inferencia, un consumo que varía según el uso real — tokens, llamadas, longitud del contexto — y no según la capacidad contratada, que es como se presupuestaba la nube tradicional.
¿Las empresas con FinOps maduro gastan menos en IA que las que no lo tienen?
No necesariamente. Las organizaciones con FinOps más maduro reportan más sobrecostos detectados, no menos — porque son las únicas con la instrumentación necesaria para verlos con detalle. Las inmaduras simplemente no los miden.
El problema real no es el monto del presupuesto de IA — es que ese número dejó de ser fijo. Se mueve cada mes, con cada modelo nuevo que sale, con cada caso de uso que su equipo activa sin pedir permiso a nadie. Las empresas que van a manejar esto bien no son las que más gastan en IA: son las que primero hicieron el ejercicio de separar qué están pagando y por qué, el mismo trabajo que ya hicimos en este blog al revisar las licencias SaaS que las PyMEs pagan sin usar.