La IA es cada vez más barata. Entonces, ¿por qué usarla podría costarnos más?
Huawei propone reducir mil veces el costo de las tareas ejecutadas por agentes de inteligencia artificial. Gartner advierte que esos costos podrían multiplicarse por cinco. Las dos cosas pueden ser ciertas al mismo tiempo.
La inteligencia artificial tiene una promesa que suena simple: hacer más trabajo, más rápido y con menos costo. Esa idea funciona bien cuando una persona le pide a un sistema que responda una pregunta, escriba un texto corto o resuma un documento.
Pero la siguiente etapa de la IA no consiste solamente en responder. La industria quiere que los sistemas actúen. Que revisen archivos, usen herramientas, consulten bases de datos, comparen opciones, tomen decisiones intermedias y completen procesos enteros.
Ahí aparece el problema.
Una cosa es pagar por una respuesta. Otra muy distinta es pagar por una cadena de acciones.
Huawei dice que la industria necesitará reducir hasta mil veces el costo de cada tarea ejecutada por agentes de inteligencia artificial para que esta tecnología llegue de forma masiva a las empresas. Gartner, en cambio, advierte que el costo de inferencia por flujo de trabajo agéntico podría multiplicarse por más de cinco hasta 2028.
Leído rápido, parece una contradicción. Si la tecnología mejora, ¿por qué podría costar más?
La respuesta corta es esta: puede bajar el precio de cada operación, pero aumentar mucho la cantidad de operaciones necesarias para terminar un trabajo.
Primero: ¿qué es un agente de inteligencia artificial?
Un chatbot responde. Un agente intenta hacer.
La diferencia parece pequeña, pero cambia todo el costo de operación.
Si una persona escribe: “redacta un correo para confirmar una reunión”, el modelo genera una respuesta y termina. Esa tarea consume cierta cantidad de procesamiento.
Si la persona pide: “organiza mi reunión con el equipo, revisa la agenda, busca los documentos relacionados, resume los pendientes, prepara el correo, comprueba si hay conflictos de horario y deja todo listo”, el sistema necesita hacer más pasos.
Puede consultar el calendario. Puede leer correos. Puede llamar herramientas externas. Puede pedir más información. Puede revisar su propio resultado. Puede corregirse. Puede volver a intentar una acción fallida.
Cada paso tiene costo.
Por eso los agentes no deben entenderse como “chatbots más inteligentes”. Funcionan más como sistemas que coordinan varias acciones para completar una tarea.
El costo no está solo en la respuesta final
La mayoría de servicios de inteligencia artificial cobra por uso. En muchos casos, ese uso se mide en tokens.
Un token es una unidad de texto que el modelo procesa. No equivale exactamente a una palabra. Puede ser una palabra corta, una parte de una palabra o un signo. Para entenderlo sin entrar en detalles técnicos, basta con pensar que los tokens son las piezas con las que el sistema lee y produce información.
Cuando usamos IA, hay tokens de entrada y tokens de salida.
Los tokens de entrada son lo que el sistema lee: nuestra instrucción, documentos, conversaciones anteriores, datos recuperados de una herramienta o instrucciones internas.
Los tokens de salida son lo que el sistema produce: la respuesta, el análisis, el código, el correo o la explicación.
En una tarea sencilla, el volumen puede ser manejable. En una tarea agéntica, el sistema puede leer y producir información muchas veces antes de mostrar el resultado final.
Eso cambia la factura.
El ejemplo sencillo: responder no es lo mismo que resolver
Supongamos que una empresa usa IA para atender una solicitud de servicio.
Una respuesta simple podría decir: “Hemos recibido su solicitud y la revisaremos pronto”.
Eso consume pocos recursos.
Un agente que intente resolver el caso tendría que hacer mucho más. Tendría que identificar a la persona, consultar su historial, revisar garantías, comprobar inventario, leer políticas internas, decidir si aplica una devolución, generar una respuesta y registrar el caso.
Si falla un paso, puede volver a intentarlo. Si encuentra información contradictoria, puede pedir verificación. Si la herramienta externa responde lento o de forma incompleta, puede repetir la consulta.
El resultado puede ser más útil. Pero el costo ya no se mide como una respuesta aislada. Se mide como un flujo completo.
Ese es el punto que muchas empresas pueden pasar por alto: automatizar una tarea no siempre equivale a hacerla barata.
La promesa de Huawei: reducir mil veces el costo de las tareas
Huawei presentó en 2026 su informe Intelligent World 2035: Turning Vision into Action. En ese documento plantea que, hacia 2035, el consumo anual mundial de tokens podría multiplicarse por 100.000 y que más del 90 % del tráfico de IA podría estar asociado a agentes.
La compañía también propone dos metas relacionadas con la infraestructura: multiplicar por 100 la capacidad de los clústeres de cómputo y reducir por 1.000 el costo de las tareas ejecutadas por agentes.
Ese número es llamativo. También exige cuidado.
No significa que Huawei haya demostrado ya una reducción de costos de ese tamaño en cualquier empresa. Es una proyección y una dirección tecnológica. La compañía plantea que no bastará con fabricar chips más potentes. Para reducir costos a gran escala, también habría que mejorar la eficiencia del sistema completo.
Ahí entra su propuesta de SuperPoD.
Qué quiere decir Huawei con SuperPoD
Un centro de datos moderno no depende de un solo chip. Depende de miles de procesadores, memoria, almacenamiento, redes internas, sistemas de refrigeración y energía eléctrica.
El problema es que tener chips potentes no garantiza que todo el sistema trabaje bien.
Si los datos se mueven lento entre procesadores, hay espera. Si la red interna se congestiona, hay capacidad desperdiciada. Si el almacenamiento no responde a tiempo, los chips pueden quedar subutilizados. Si el consumo energético se dispara, operar el sistema se vuelve más caro.
Huawei plantea que el salto no debe estar solo en el rendimiento individual del procesador. Su idea es conectar grandes cantidades de aceleradores de IA, redes y almacenamiento para que operen como una unidad de cómputo más coordinada.
En ese planteamiento, SuperPoD no es solamente “más chips”. Es una forma de organizar la infraestructura para producir más trabajo útil por cada unidad de energía, red y hardware disponible.
La promesa tiene sentido técnico. La parte pendiente es la misma de siempre: cuánto de esa eficiencia se alcanza en condiciones reales, con cargas de trabajo distintas y empresas que no operan como laboratorios.
La advertencia de Gartner: el costo por tarea podría subir
Gartner publicó en agosto de 2026 una previsión que parece ir en la dirección contraria. La consultora afirma que el costo de inferencia por flujo de trabajo agéntico podría aumentar más de cinco veces hasta 2028.
La inferencia es el momento en el que un modelo ya entrenado se usa para producir una respuesta o ejecutar una operación. No es el entrenamiento del modelo. Es el uso cotidiano.
La advertencia no dice que los modelos serán peores ni que la tecnología se quedará quieta. Dice algo más específico: los flujos de trabajo agénticos pueden volverse más costosos porque las tareas serán más complejas.
La paradoja queda mejor si la llevamos a un ejemplo.
Imaginemos que antes una empresa pagaba 10 pesos por cada paso de IA. Si la tecnología mejora, ese paso podría bajar a 1 peso. Eso suena excelente.
Pero si la tarea que antes necesitaba un solo paso ahora usa 100 pasos, el costo total ya no baja. Puede subir.
Ese es el centro de la discusión.
Gartner también proyecta caída del costo por inferencia
Hay un dato que vuelve más interesante el panorama: Gartner también proyectó en marzo de 2026 que realizar inferencia en un modelo de lenguaje de un billón de parámetros podría costar más de 90 % menos en 2030 que en 2025.
Esto no contradice necesariamente su advertencia posterior sobre agentes.
Una cosa es el costo de usar un modelo para una operación concreta. Otra es el costo de completar un flujo de trabajo entero con varias operaciones, herramientas y verificaciones.
El costo unitario puede caer, pero el consumo total puede aumentar.
Es como si cada llamada telefónica costara menos, pero la empresa necesitara hacer muchas más llamadas para resolver cada caso.
Microsoft Research: los agentes pueden gastar tokens de forma impredecible
Una investigación publicada por Microsoft Research en abril de 2026 ayuda a entender por qué este problema no es solamente de infraestructura.
El trabajo analizó consumo de tokens en tareas de programación ejecutadas por agentes de IA. Sus resultados deben leerse con precisión: se refieren a tareas de programación, no a todos los procesos empresariales.
Aun así, el hallazgo sirve como advertencia.
El estudio encontró que algunas tareas agénticas consumieron hasta 1.000 veces más tokens que interacciones de programación más simples. También encontró que distintas ejecuciones de una misma tarea podían variar hasta 30 veces en consumo total de tokens.
Más gasto no garantizó mejores resultados. En algunos casos, la precisión mejoraba hasta cierto punto y luego se estancaba.
Ese dato importa porque rompe una intuición común: no siempre conviene dejar que el agente “piense más”, pruebe más caminos o use más recursos.
Si el sistema no está bien diseñado, puede gastar más sin resolver mejor.
La energía también entra en la cuenta
Los agentes no solo consumen tokens. Consumen capacidad de cómputo. Esa capacidad vive en centros de datos que requieren electricidad, refrigeración, redes y mantenimiento.
La Agencia Internacional de Energía estima que el consumo eléctrico de los centros de datos podría pasar de 485 teravatios hora en 2025 a 950 teravatios hora en 2030. Según esa proyección, representarían cerca del 3 % de la demanda eléctrica mundial para ese año.
Esto no significa que la IA vaya a consumir toda la energía del planeta. Esa frase sería falsa y alarmista.
Lo que sí significa es que la eficiencia energética dejará de ser un detalle técnico. Para muchas empresas será parte del costo real de usar inteligencia artificial.
Cuando un proveedor promete agentes más capaces, también debe responder otra pregunta: cuánta energía y cuánta infraestructura se necesitan para ejecutarlos de forma rentable.
La competencia no es solo por el chip más potente
Huawei no es la única empresa que plantea el problema desde la infraestructura.
Nvidia también presenta sus nuevas plataformas de inferencia alrededor de una idea similar: reducir el costo por token y mejorar el rendimiento por unidad de energía. La compañía afirma que su arquitectura Blackwell Ultra puede ofrecer hasta 50 veces más rendimiento por megavatio y hasta 35 veces menor costo por token frente a Hopper en ciertas cargas de trabajo agénticas de baja latencia, según referencias citadas por la propia Nvidia.
Google Cloud también ha movido su oferta empresarial hacia agentes, plataformas de ejecución y controles de costo. Su documentación de precios muestra que los agentes no se cobran como una sola cosa simple. Pueden involucrar modelos, infraestructura, herramientas, administración de plataforma y recursos adicionales.
Esto confirma que la competencia ya no se limita a quién produce el procesador más fuerte.
La batalla está en el costo de completar trabajo útil.
Por qué una empresa puede equivocarse al comprar agentes
Un agente autónomo no siempre es la mejor solución.
Si una tarea es repetitiva, estable y tiene reglas claras, un programa tradicional puede ser más barato y predecible.
Si una tarea requiere interpretar información cambiante, consultar varias fuentes, adaptar la respuesta y manejar excepciones, un agente puede tener más sentido.
El error aparece cuando una empresa usa IA avanzada para resolver problemas que no necesitaban IA avanzada.
Por ejemplo, no tiene mucho sentido usar un agente costoso para cambiar el formato de miles de archivos si un script simple puede hacerlo con precisión y bajo costo.
Tampoco conviene usar un sistema autónomo sin medir cuántas veces falla, cuántas veces repite pasos, cuánto cuesta supervisarlo y cuánto trabajo humano sigue siendo necesario.
El costo real no está solamente en pagar el modelo. También está en integración, seguridad, revisión, errores, mantenimiento, energía, soporte y tiempo del personal que valida los resultados.
La pregunta que deberían hacerse las empresas
La pregunta no es: “¿podemos usar agentes de IA?”.
La pregunta útil es: “¿qué tarea completa queremos resolver y cuánto cuesta resolverla bien?”.
Eso obliga a medir de otra manera.
No basta con preguntar cuánto cuesta un millón de tokens. Tampoco basta con preguntar qué modelo responde mejor en una demostración.
La empresa necesita saber cuánto cuesta completar un caso real de principio a fin.
Eso incluye los intentos fallidos.
Incluye los pasos repetidos.
Incluye las consultas a herramientas externas.
Incluye los resultados que una persona debe corregir.
Incluye los casos en los que el agente no resuelve nada y el trabajo vuelve al equipo humano.
La métrica importante no es el costo por respuesta. Es el costo por tarea terminada con calidad suficiente.
Entonces, ¿Huawei y Gartner se contradicen?
No exactamente.
Huawei habla de una meta tecnológica hacia 2035: reducir el costo de las tareas de agentes mediante mejoras en chips, redes, almacenamiento, energía y arquitectura de sistemas.
Gartner advierte sobre un periodo más cercano: hasta 2028, los costos por flujo de trabajo agéntico podrían subir porque las tareas serán más complejas y demandarán más operaciones.
Las dos afirmaciones pueden convivir.
La industria puede mejorar el costo por operación y, al mismo tiempo, enfrentar facturas mayores porque los agentes harán más cosas.
También puede ocurrir algo más incómodo: que algunas empresas descubran que sus agentes hacen muchas operaciones, pero no entregan suficiente valor para justificar el gasto.
Lo que esto significa
La inteligencia artificial no se está dividiendo entre “barata” y “cara”. Se está volviendo más difícil de medir.
Para una persona que usa un chatbot, el costo puede parecer invisible. Para una empresa que quiere automatizar miles o millones de tareas, cada paso cuenta.
Huawei tiene razón al señalar que la eficiencia del sistema completo será determinante. No bastará con procesadores más potentes si la red, el almacenamiento, la energía y el software generan cuellos de botella.
Gartner tiene razón al advertir que los agentes pueden elevar el costo de los flujos de trabajo si cada tarea exige más pasos, más tokens y más verificaciones.
Microsoft Research aporta una advertencia práctica: los agentes pueden gastar recursos de forma variable, y gastar más no siempre significa resolver mejor.
La conclusión para las empresas es directa: antes de adoptar agentes autónomos, conviene medir el costo por tarea terminada, no dejarse llevar por el costo por token ni por una demostración llamativa.
La conclusión para la industria tecnológica también es clara: el próximo salto de la inteligencia artificial no dependerá únicamente de hacer modelos más capaces. Dependerá de hacerlos económicamente sostenibles.
Si eso no ocurre, la IA podrá responder mejor, planear más pasos y usar más herramientas, pero muchas empresas se encontrarán con una pregunta incómoda: ¿automatizamos el trabajo o solo automatizamos una factura más grande?
Bibliografía
- Huawei. “Huawei identifica diez líneas de actuación clave para construir el Mundo Inteligente 2035 en la era de la IA agéntica”. Disponible en: https://www.huawei.com/es/news/2026/huawei-identifica-diez-lineas-de-actuacion-clave
- Huawei. “Intelligent World 2035: Turning Vision into Action”. Disponible en: https://www.huawei.com/en/giv/action
- Gartner. “Gartner Predicts AI Inference Costs Per Agentic Workflow Will Increase More Than Fivefold Through 2028”. Disponible en: https://www.gartner.com/en/newsroom/press-releases/2026-08-17-gartner-predicts-ai-inference-costs-per-agentic-workflow-will-increase-more-than-fivefold-through-2028
- Gartner. “Gartner Predicts That by 2030, Performing Inference on an LLM With 1 Trillion Parameters Will Cost GenAI Providers Over 90% Less Than in 2025”. Disponible en: https://www.gartner.com/en/newsroom/press-releases/2026-03-25-gartner-predicts-that-by-2030-performing-inference-on-an-llm-with-1-trillion-parameters-will-cost-genai-providers-over-90-percent-less-than-in-2025
- Microsoft Research. “How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks”. Disponible en: https://www.microsoft.com/en-us/research/publication/how-do-ai-agents-spend-your-money-analyzing-and-predicting-token-consumption-in-agentic-coding-tasks/
- International Energy Agency. “Key Questions on Energy and AI”. Disponible en: https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
- Nvidia. “35x Lower Token Cost with Blackwell”. Disponible en: https://www.nvidia.com/en-us/solutions/ai/inference/
- Google Cloud. “Gemini Enterprise Agent Platform pricing”. Disponible en: https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing
Comentarios
Publicar un comentario