¿Vale la pena ese agente de IA? La economía agéntica y el modelo operativo moderno

Nota: Hacemos nuestro mejor esfuerzo por preservar el espíritu original y los matices de nuestros artículos. Sin embargo, nos disculpamos de antemano por cualquier falla de traducción que pueda notar. Agradecemos sus comentarios en reader_input@mckinsey.com

A pesar de las noticias sobre la caída de los precios de los tokens, muchos líderes empresariales se están llevando una sorpresa al conocer el costo de los agentes de inteligencia artificial (IA). Si bien el Índice de IA Stanford HAI 2025 informó que el costo de inferencia de una capacidad equivalente al nivel de GPT-3.5 cayó de $20 dólares por millón de tokens a $0.07 dólares a lo largo de 2024,¹ el gasto empresarial en grandes modelos de lenguaje (large language models, LLM) se triplicó en un período de 12 meses al cierre de 2025.² El 93 por ciento de los participantes en una encuesta de McKinsey señalaron haber superado sus presupuestos destinados a la IA,³ mientras que una quinta parte de los participantes en la próxima encuesta global State of AI de McKinsey indicaron que sus organizaciones han limitado el uso de la IA debido a los costos operativos asociados con esta tecnología.⁴

¿A qué se debe esto? Existen muchas razones para el fuerte aumento de los costos de la IA: las empresas están ampliando sus iniciativas de IA; los proveedores de LLM han pasado de un modelo de suscripción a uno basado en el consumo, lo que ha generado nuevos incentivos (por ejemplo, la longitud de las respuestas ha aumentado para incrementar el consumo de tokens); y con frecuencia se utilizan modelos costosos para realizar tareas sencillas.

Más adelante profundizaremos en estas y otras causas, pero antes conviene levantar una clara señal de alerta para destacar un punto fundamental: los CEO no deberían enfocarse únicamente en las conversaciones sobre la reducción del costo de los tokens. Como lo expresa David Tepper, CEO de Pay-i: “Los tokens no son el valor; son la factura”. En cambio, el enfoque debe centrarse plenamente en cómo utilizar los agentes de IA para generar valor.

Más perspectivas de McKinsey en Español

Mire nuestra colección de artículos en Español y suscríbase a nuestro newsletter mensual en Español.

Navegue por la colección

Son muchos los factores que determinan ese valor, entre ellos si el resultado del agente es correcto, si requiere supervisión humana o correcciones, cuánta capacidad de cómputo consume durante el razonamiento y si el valor del trabajo completado supera el costo operativo total de generarlo. En esencia, para los CEO, todo se reduce a responder una pregunta básica: ¿Las capacidades de los agentes de IA que estamos desarrollando y operando justifican el valor que obtenemos de ellas?

Responder a esa pregunta se está volviendo cada vez más urgente para los CEO, a medida que los sistemas de IA evolucionan desde compañeros de trabajo agénticos hasta agentes capaces de realizar tareas más complejas, como razonar y orquestar flujos de trabajo en toda la empresa. Además, se prevé que el gasto en IA aumente hasta representar aproximadamente el 25 por ciento de los presupuestos empresariales de tecnología de la información (TI) en los próximos años. Sin embargo, muchas organizaciones aún no pueden explicar con claridad qué sistemas de IA están generando valor, cuál es su verdadero costo operativo ni cómo cambia esa economía a medida que aumenta su uso.

Lo que McKinsey ha aprendido al gestionar la economía de la IA a escala

A medida que la adopción de la IA se ha expandido en McKinsey, hemos experimentado muchos de los mismos desafíos económicos que nuestros clientes apenas comienzan a afrontar. Si bien seguimos aprendiendo, ya han surgido varias lecciones clave:

El crecimiento es exponencial y muestra pocos indicios de desaceleración. A mayo de 2026, McKinsey procesa aproximadamente cinco billones de tokens de IA al mes. El uso de la IA ha crecido por oleadas, ampliando la base de usuarios, aumentando el consumo e introduciendo nuevos patrones de demanda. En estas fases iniciales no se impusieron límites de uso para acelerar el desarrollo de habilidades relacionadas con la IA. Ahora estamos implantando directrices y mecanismos de control para gestionar mejor los costos de cara a la siguiente ola, en la que los agentes autónomos consumirán inteligencia en nombre de los usuarios, en lugar de limitarse a responder a prompts. La gestión de la demanda se ha convertido en una capacidad permanente, no en un ejercicio puntual.
El consumo sigue una distribución de ley de potencias. El uso de la IA está altamente concentrado. Aproximadamente el 10 por ciento de los usuarios representa cerca del 65 por ciento del consumo total de tokens. Los ingenieros de software y los consultores se encuentran entre los principales usuarios, generalmente motivados por el interés personal o de sus equipos, aunque también existe un amplio grupo de usuarios con niveles de consumo menores.
Consolidar el gasto asociado al consumo es la mejor manera de distribuir los costos. Los proveedores de LLM están pasando de las licencias por usuario a los modelos basados en el consumo (combinados con mecanismos de transparencia para que los usuarios conozcan esos costos). Consolidar los costos de consumo en toda la empresa nos permite dar soporte a los usuarios con un consumo intensivo justificado, al tiempo que amortiguamos la demanda en el conjunto de la organización y evitamos capacidad ociosa inmovilizada en licencias individuales. Entender dónde se concentra la demanda suele ser más valioso que conocer el uso promedio.
Los modelos más antiguos son mejores (y más económicos) para la mayoría de los casos de uso. Los usuarios suelen inclinarse por el mejor modelo (y el más costoso), aunque muchas de sus tareas pueden realizarse con modelos mucho menos sofisticados. Hemos logrado ahorros significativos mediante el enrutamiento inteligente de modelos (la inteligencia adecuada en el momento preciso) y la asignación de diferentes modelos a distintas etapas de un flujo de trabajo; por ejemplo, utilizando un modelo de vanguardia para generar una hipótesis inicial antes de delegar el refinamiento posterior a un modelo más pequeño.
La flexibilidad de los precios está aumentando. Un mismo modelo puede estar disponible a través de varios proveedores, cada uno con precios diferentes. Los descuentos para las empresas suelen ser acumulables.
Automatizar las decisiones sobre los costos en la medida de lo posible. McKinsey optimiza los prompts y ha invertido en un gateway interno de IA que enruta las solicitudes entre distintos proveedores de LLM (con planes de incorporar el enrutamiento de modelos en el futuro), además de aplicar de forma transparente otras opciones de optimización antes de que las solicitudes lleguen a los proveedores de modelos.
Los consejos y las actualizaciones sencillas pueden tener un impacto considerable. Ofrecer transparencia a cada usuario sobre el costo de un prompt ayuda a tomar decisiones más eficientes desde el punto de vista económico. Proporcionar a los usuarios directrices y recomendaciones específicas en el momento de uso puede tener un efecto significativo. Por ejemplo, fomentar prompts y resultados más concisos (en un lenguaje sencillo y directo) puede reducir entre un 30 y un 40 por ciento el consumo de tokens en algunos flujos de trabajo sin afectar de manera significativa la calidad.
Hay costos significativos más allá del propio modelo. Algunos de los costos de IA que crecen más rápidamente se encuentran fuera del LLM. Los gateways de seguridad, las plataformas de orquestación, las herramientas de monitorización e incluso los proveedores de software fijan cada vez más el precio de sus servicios en función del consumo de tokens. Si se considera que los mismos tokens pueden inspeccionarse o procesarse varias veces a medida que atraviesan la arquitectura empresarial, las implicaciones en términos de costos pueden ser considerables.

Entender con claridad las fuerzas de la oferta y la demanda que configuran la curva de costos de la IA, así como sus implicaciones para la dinámica competitiva, determinará la eficacia con la que las empresas gestionen esta etapa de la revolución de la IA. Nuestra experiencia al trabajar con empresas y en nuestro propio programa de IA demuestra que los líderes deben gestionar el trabajo realizado por máquinas de una manera diferente, desde asignar inteligencia como si fuera capital hasta recalibrar el equilibrio entre desarrollar capacidades internamente y externalizarlas (vea el recuadro “Lo que McKinsey ha aprendido al gestionar la economía de la IA a escala”). Esa disciplina de gestión aún no existe en la mayoría de las organizaciones.

Por qué el gasto operativo sigue aumentando: Los seis impulsores de la economía agéntica

Seis patrones explican por qué el trabajo basado en agentes contrarresta la deflación del precio de los tokens:

Contexto persistente. Los LLM no tienen estado, lo que significa que los agentes suelen volver a enviar el contexto previo a medida que avanza el trabajo; esto incrementa el costo total. Las tareas basadas en agentes pueden consumir aproximadamente 1,000 veces más tokens que el razonamiento de código (resolución de problemas en un solo turno sin interacción con herramientas) o las tareas de chat (diálogo de varios turnos sobre un problema de codificación).⁵Longju Bai et al., “How do AI agents spend your money? Analyzing and predicting token consumption in agentic coding tasks” (“¿Cómo gastan tu dinero los agentes de IA? Análisis y predicción del consumo de tokens en tareas de codificación basadas en agentes”), arXiv 2604.22750, abril de 2026; “How we built our multi-agent research system” (“Cómo construimos nuestro sistema de investigación multiagente”), Anthropic, 13 de junio de 2025. El contexto se convierte en un activo operativo y representa una parte significativa de los costos de los agentes. Cuando no se gestiona adecuadamente, convierte cada paso de un flujo de trabajo en un costo recurrente.
El refinamiento es el principal consumidor de recursos. En los flujos de trabajo basados en agentes, la parte costosa no es la primera respuesta que se genera, sino las comprobaciones, correcciones y verificaciones posteriores. De hecho, alrededor del 60 por ciento de los costos de una tarea basada en agentes está relacionado con el refinamiento de las respuestas.⁶ Los líderes deben incorporar el control de calidad, el manejo de excepciones y el retrabajo como parte de los costos del proceso en todos los flujos de trabajo.
La autonomía genera variabilidad. Los sistemas basados en agentes pueden producir costos sustancialmente diferentes para una misma tarea, ya que pueden seguir rutas alternativas, usar herramientas distintas o volver a intentarlo de maneras diferentes. En programación, por ejemplo, una misma tarea puede presentar una variación de hasta 30 veces entre una ejecución y otra.⁷ El costo se comporta como una distribución, no como un precio unitario fijo. Los presupuestos basados en costo promedio no serán suficientes.
Se utiliza razonamiento costoso para tareas básicas. El razonamiento extendido compensa ampliamente su costo en tareas complejas. En tareas sencillas, en cambio, supone un costo adicional considerable. El enrutamiento de modelos es fundamental para garantizar que el razonamiento costoso se reserve para el trabajo en el que pueda cambiar el resultado y que los modelos más económicos se usen para las tareas básicas.
La orquestación de los agentes puede multiplicar los costos. La manera en que un agente invoca una herramienta es tan importante como la herramienta que invoca. La forma en que el trabajo se descompone, coordina y transfiere entre agentes, herramientas y modelos puede modificar drásticamente los costos sin alterar el resultado del negocio.
La estructura de la información puede generar ineficiencias. La eficiencia con la que la información se presenta a un modelo o es generada por este (por ejemplo, el diseño de los prompts, la longitud del contexto, el idioma, el formato y la estructura de los datos) influye en el consumo de tokens. Por ejemplo, el texto en idiomas distintos del inglés se fragmenta en un mayor número de tokens para expresar el mismo significado, por lo que una misma conversación cuesta más en algunos idiomas que en otros.

Estos seis impulsores ayudan a explicar por qué limitarse a utilizar modelos más económicos no se traduce automáticamente en menores costos de IA (lea más sobre este tema en nuestro próximo artículo: “El costo de la inteligencia: cómo los CIO pueden gestionar la demanda de IA a gran escala”).

Las implicaciones para la dinámica competitiva

Si bien la IA está generando nuevas complejidades en la gestión de costos, también está obligando a replantear de manera significativa la dinámica competitiva. A medida que los CEO determinan dónde la IA generará valor y cómo desarrollar las ventajas estratégicas de sus empresas, deben prestar especial atención a cuatro implicaciones.

La primera es que las ventajas derivadas de los procesos son cada vez más difíciles de defender. Durante décadas, las empresas obtuvieron ventajas gracias a una ejecución superior, como una mejor evaluación de riesgos, una gestión de siniestros más ágil, operaciones más eficientes y un servicio al cliente de mayor calidad. Los sistemas basados en agentes reducen esas ventajas, ya que una misma capacidad ahora puede escalarse a miles de flujos de trabajo mediante plataformas de software. Lo que antes requería años de rediseño e implementación de procesos ahora puede lograrse en meses o semanas.

La segunda implicación es que los datos y el contexto adquieren más valor que los modelos. A medida que los modelos fundacionales convergen, el factor diferenciador se desplaza cada vez más hacia las fuentes de ventaja exclusiva de cada empresa. Un mismo agente comercial puede producir resultados radicalmente diferentes en función de las señales de los clientes, los datos operativos, el historial de decisiones y el contexto del flujo de trabajo que reciba. En un mundo basado en agentes, los datos contextuales que la empresa captura sistemáticamente –como las transcripciones de llamadas, los precedentes de decisiones y la telemetría de procesos– se están convirtiendo en la capa que genera una ventaja competitiva.

La tercera implicación es que la gobernanza de la IA se convierte en un nuevo eje de competencia. La economía del trabajo realizado por las máquinas presenta una enorme variabilidad. Una misma tarea puede costar hasta 30 veces más según cómo se ejecute. De manera similar, una misma infraestructura puede generar niveles de producción radicalmente diferentes según cómo se asigne y se distribuya la inteligencia. Las organizaciones que aprendan a gobernar eficazmente el trabajo realizado por máquinas —midiéndolo, asignándolo, mejorándolo e integrándolo en sus operaciones— generarán más valor que sus competidores con la misma inversión en inteligencia.

La cuarta implicación es que la economía de los agentes de IA está redefiniendo los límites de las empresas en cuanto a qué capacidades deben desarrollarse internamente y cuáles conviene externalizar. Durante años, las decisiones sobre abastecimiento se guiaron principalmente por los costos laborales, las economías de escala y los gastos generales de coordinación. Sin embargo, la eficacia de los sistemas basados en agentes depende menos del modelo y más del acceso al contexto, como ya hemos mencionado. Las empresas deben tratar esta capacidad contextual como uno de sus activos más valiosos y mantenerla dentro de la organización, mientras que otras tareas que no forman parte de su núcleo de ventaja competitiva pueden externalizarse.

La agenda del CEO para diseñar el modelo operativo basado en agentes

La agenda del CEO consiste en diseñar el modelo operativo basado en agentes de la empresa para maximizar el valor, no para optimizar el uso de tokens. Esto requiere una disciplina de gestión para el trabajo realizado por las máquinas: definir con respecto a qué resultados se medirá, dónde y qué tipo de inteligencia se asignará para alcanzarlos, cuánta autonomía se concederá a los agentes y qué cargas de trabajo justifican diferentes modelos de implementación. Antes de escalar los sistemas basados en agentes, los CEO deberían exigir lo siguiente:

Asignar la inteligencia como si fuera capital. Uno de los errores más costosos que cometen las organizaciones es asumir que todos los problemas requieren inteligencia de vanguardia. En realidad, muchos flujos de trabajo empresariales pueden ejecutarse eficazmente mediante modelos más pequeños, modelos con pesos abiertos (open-weight models), sistemas deterministas o software tradicional. El CEO debe exigir que cada carga de trabajo importante tenga una respuesta clara sobre por qué se ejecuta donde se ejecuta, qué podría justificar un cambio en esa decisión y quién la revisa a medida que varían los precios, la regulación, el volumen de uso y la calidad de los modelos.
Definir la estrategia competitiva antes que la estrategia tecnológica. La IA debería obligar a todas las empresas a preguntarse: “¿Cuál es la esencia de nuestro negocio?” y “¿dónde residen nuestras fuentes de ventaja?” Las inversiones en IA con mayor retorno rara vez se distribuyen de manera uniforme en toda la organización. Suelen concentrarse en un número reducido de capacidades con un impacto económico crítico. En el sector asegurador, la gestión de siniestros y la evaluación de riesgos pueden ser las áreas predominantes. En la industria farmacéutica, los mayores beneficios pueden provenir de la investigación y desarrollo (I+D) y del desarrollo clínico. En las compañías de software, pueden provenir de la ingeniería. Por ello, la primera tarea de la alta dirección es identificar el reducido conjunto de ámbitos donde el trabajo automatizado puede transformar de manera más significativa la economía del negocio.

A medida que los CEO desarrollen su estrategia para construir una ventaja competitiva, será fundamental definir una trayectoria de implementación gradual que combine aspiraciones ambiciosas con objetivos intermedios alcanzables. Establecer hitos claros vinculados a los resultados, definir los requerimientos para el desarrollo y la asignación del presupuesto, y proporcionar a los equipos la suficiente flexibilidad para alcanzar esos objetivos son elementos clave de un plan eficaz.
Desarrollar las operaciones basadas en agentes como una disciplina de gestión empresarial. Las empresas han dedicado décadas a desarrollar disciplinas para el control financiero, las operaciones lean, la productividad de la cadena de suministro, la gestión del riesgo cibernético y de los costos de la nube. Ahora necesitan una disciplina equivalente para el trabajo basado en agentes. La arquitectura de herramientas, el enrutamiento de modelos, la evaluación y la autonomía deben tratarse como decisiones de gestión, no únicamente como decisiones técnicas. Ningún sistema autónomo debería operar sin un mandato, un presupuesto y un criterio de detención definidos. Esta capacidad debe financiarse como un esfuerzo de desarrollo plurianual, no como una simple partida presupuestaria de un proyecto. Tampoco debe externalizarse sistemáticamente a proveedores.
Responder a la pregunta de quién es responsable de esta capacidad. Las palancas técnicas y operativas necesarias para gobernar el trabajo realizado por las máquinas (como la gestión del contexto, el enrutamiento de modelos, la evaluación, la autonomía y la asignación de cargas de trabajo) no encajan claramente dentro de las responsabilidades de los líderes actuales de tecnología, finanzas, operaciones o recursos humanos. Esta falta de claridad suele traducirse en errores, actividades redundantes y desperdicio de recursos. El CEO deberá determinar quién lidera las operaciones de IA (vea el recuadro “Qué significa la economía del trabajo realizado por las máquinas para los principales líderes”).

Que la respuesta sea un director de operaciones de IA, un nuevo comité operativo u otro modelo es menos importante que definir con claridad dónde recae la responsabilidad y la rendición de cuentas. Quien asuma esa función debe tener una responsabilidad explícita sobre los indicadores clave de desempeño (key performance indicators, KPI) críticos, como el costo por resultado, el desempeño de los proveedores, la cadencia de aprendizaje y la eficacia operativa. También deberá mantenerse al tanto de la dinámica del mercado para anticipar los cambios e incorporar suficiente flexibilidad al modelo operativo para adaptarse a ellos.
Medir el trabajo realizado por las máquinas con indicadores relevantes para el negocio. La unidad de gobernanza es el resultado final del negocio, no el token, la invocación al modelo ni una partida tecnológica. Los CEO deben exigir que todos los flujos de trabajo relevantes basados en agentes se evalúen en función de los resultados de negocio, y no únicamente mediante métricas técnicas. La métrica específica importa menos que el principio. Los líderes necesitarán visibilidad sobre los costos de los casos excepcionales, los umbrales para escalar los casos y los niveles aceptables de costo total, más que sobre el costo de una única ejecución. El objetivo es crear una unidad económica común que permita a la dirección comparar el trabajo humano, el trabajo realizado por las máquinas y el trabajo híbrido.

Qué implica la economía del trabajo realizado por las máquinas para los principales líderes

Director de sistemas de información (Chief Information Officer, CIO): Desarrollar el sistema para gestionar la inteligencia. El papel del CIO va mucho más allá de gestionar la infraestructura de IA. Consiste en garantizar que cada agente tenga acceso al contexto empresarial adecuado en el momento oportuno, conectando los sistemas de registro, los datos operativos, el contenido no estructurado y la semántica empresarial en una capa de información coherente. Esto exige modernizar la gobernanza de los datos, gestionar tanto la información estructurada como la no estructurada, y desarrollar la ontología empresarial, los metadatos y los servicios de contexto que permitan a los agentes razonar de manera fiable en toda la organización.

Director de tecnología (Chief Technology Officer, CTO): Mejorar la economía del trabajo realizado por las máquinas. El CTO asume cada vez más la responsabilidad de la productividad de la propia inteligencia. Las decisiones sobre arquitectura, selección de modelos, gestión del contexto, enrutamiento, almacenamiento en caché, evaluación y autonomía afectan directamente al costo y al desempeño del trabajo realizado por las máquinas. La pregunta clave es cómo lograr el mismo resultado de negocio con tecnologías que ofrezcan menos inteligencia, menor latencia, mayor calidad o fiabilidad.

Director financiero (Chief Financial Officer, CFO): Convertir la IA en una clase de activo económico. Para el CFO, la IA se está convirtiendo en una nueva categoría de gasto empresarial que requiere sus propios marcos de medición, previsión y asignación de capital. El enfoque debe desplazarse de los presupuestos tecnológicos hacia la economía; por ejemplo, el costo por resultado, el retorno de la inteligencia y la productividad del trabajo realizado por las máquinas en comparación con el trabajo humano y la automatización tradicional. El objetivo es garantizar que el gasto se destine a las oportunidades de mayor valor.

Replantear los límites de abastecimiento. Comprender la dinámica de creación de valor de la IA debería impulsar una profunda recalibración del modelo actual de externalización/internalización. Algunas actividades que antes tenía sentido externalizar desde el punto de vista económico podrían volverse más valiosas si se mantienen dentro de la empresa, ya que el trabajo realizado por las máquinas ofrece mejores resultados cuando está estrechamente integrado con el contexto propio de la organización. Al mismo tiempo, otras actividades que antes requerían importantes capacidades internas (como la investigación jurídica, el análisis financiero o la generación de contenido) podrían realizarse cada vez más mediante servicios basados en agentes, con una supervisión interna relativamente ligera.

Es necesario revisar cada actividad para determinar cuáles conviene gestionar dentro o fuera de la empresa en función de sus fuentes de valor. La dirección predeterminada ya no es “externalizar más”. De forma simultánea, se deben revisar los contratos y renegociar sus términos para priorizar las fuentes de ventaja competitiva y proporcionar mayores beneficios en función de la dinámica económica. Hay que desarrollar la capacidad para reincorporar actividades internamente cuando las circunstancias lo justifiquen.
Reconfigurar la cartera entre comprar, desarrollar o asociarse. La asignación de las cargas de trabajo debe abordarse como una revisión de cartera y no como una decisión puntual entre desarrollar internamente o comprar soluciones externas. La decisión correcta para cada carga de trabajo dependerá del volumen, la previsibilidad, la sensibilidad, el umbral de calidad y la madurez operativa (ver tabla). Con el tiempo, es probable que la mayoría de las capacidades de IA se adquieran mediante software, modelos y servicios comerciales. El desarrollo interno se concentra cada vez más en tres áreas: capas de integración exclusivas que conecten los datos y los flujos de trabajo específicos de la empresa; capacidades diferenciadas en las que el propio agente constituya una fuente de ventaja competitiva, e inversiones estratégicas en aprendizaje que ayuden a la organización a desarrollar expertise y orientar sus decisiones futuras.

Es probable que el software comercial nativo para agentes en muchas categorías tarde entre dos y cuatro años en alcanzar su madurez. Las empresas que desarrollen capacidades de forma selectiva durante este período aprenderán cosas que se transferirán al resto de su cartera y que los competidores que opten exclusivamente por comprar soluciones no podrán replicar.

Tabla

Invertir en la captura de datos contextuales como un activo estratégico. Comience desde ahora la captura sistemática del contexto operativo, de las interacciones con el cliente y de la telemetría de los procesos. Esta capa de contexto debe gestionarse como un activo estratégico, independiente de los sistemas de registro tradicionales. Considere la adquisición de datos como una categoría de compras, incorporando la disciplina de consentimiento y retención como parte de esta capacidad. Piense en un horizonte de tres años en que el “contexto acumulado” genere un desempeño diferenciado sobre un software comercial que, por lo demás, es idéntico.

La próxima ola de ventajas surgirá de gestionar el trabajo realizado por las máquinas con la misma disciplina con la que las empresas han aprendido a gestionar el trabajo humano, el capital, el riesgo y las operaciones. Los líderes que desarrollen esa capacidad desde ahora podrán convertir la IA basada en agentes en un sistema operativo para la empresa. Quienes no lo hagan podrían escalar un nueva categoría de costos más rápido de lo que aprenden a gestionarla.