El coste de una solución de IA no es solo el precio de los tokens de entrada y salida. Una petición puede consultar vectores, llamar a API, repetir pasos, mantener memoria, ejecutar código y activar otros agentes. Cuando aumenta el volumen, pequeñas decisiones de arquitectura tienen un impacto directo en el margen.
En agosto y octubre de 2026, Google Cloud destacó nuevos controles de gasto y un enrutamiento inteligente para dirigir cargas al modelo con mejor equilibrio entre rendimiento y coste. AWS, Microsoft e IBM también tratan ya los costes de agentes y modelos como una disciplina operativa: FinOps para IA.
¿Qué es FinOps para IA?
Es la práctica de hacer visible, atribuible y ajustable el consumo de inteligencia artificial. Los equipos técnicos, financieros y de negocio comparten métricas para decidir cuánto invertir, dónde optimizar y cuándo un flujo aporta retorno.
No se trata de elegir siempre lo más barato, sino de lograr el resultado esperado con la calidad, seguridad, latencia y coste adecuados. Ahorrar en un clasificador que provoca retrabajo puede resultar más caro que utilizar un modelo mejor.
Por qué el coste de los agentes varía tanto
Un chatbot sencillo suele hacer una llamada por mensaje. Un agente puede planificar, ejecutar, comprobar, reflexionar e intentarlo de nuevo. AWS señala que estos ciclos y la coordinación entre agentes introducen costes distintos de las cargas tradicionales.
- el contexto crece durante la sesión;
- la búsqueda recupera demasiados documentos;
- las herramientas se invocan de forma redundante;
- los errores externos generan reintentos;
- los subagentes multiplican llamadas;
- se usan modelos grandes para tareas triviales;
- logs, vectores, procesos y transferencia también tienen coste.
Empezar por el coste por resultado
«Gastamos 5.000 euros en tokens» aporta poca información. Conviene medir coste por atención resuelta, documento procesado, oportunidad cualificada, orden finalizada, hora ahorrada o margen después de automatizar.
Etiqueta cada ejecución con cliente, área, agente, flujo y versión. Así la factura deja de ser opaca y puede compararse con volumen y rendimiento.
Enrutamiento de modelos: capacidad bajo demanda
Un router clasifica la tarea y escoge modelo según complejidad, sensibilidad, latencia, disponibilidad y presupuesto. Resumir, extraer y clasificar puede resolverse con modelos ligeros; planificación, código o ambigüedad pueden requerir modelos avanzados.
El enrutamiento reduce además la dependencia de un solo proveedor. Necesita reglas, evaluaciones y alternativas. Cambiar de modelo sin probar la calidad puede introducir respuestas inconsistentes.
Ejemplo de política
- Nivel 1: reglas deterministas para validaciones y cálculos.
- Nivel 2: modelo rápido para clasificar, extraer y resumir.
- Nivel 3: modelo avanzado para ambigüedad o razonamiento.
- Nivel 4: revisión humana ante riesgo financiero, jurídico o reputacional.
Ocho palancas para reducir costes
1. Reducir contexto innecesario
Envía únicamente los datos relevantes, resume historiales y filtra documentos antes de generar. Más contexto no garantiza mayor precisión.
2. Utilizar caché con criterio
Respuestas, embeddings, instrucciones y consultas repetidas pueden reutilizarse. Define caducidad e invalidación para evitar información antigua.
3. Preferir reglas cuando sea posible
El código tradicional y SQL son mejores para cálculos exactos y pasos estables. Reserva la IA para lenguaje, percepción y variabilidad.
4. Limitar ciclos y herramientas
Fija un máximo de pasos, tiempo, tokens e intentos. Las herramientas autorizadas deben responder al rol del agente.
5. Procesar por lotes
Las tareas no urgentes pueden agruparse y ejecutarse en ventanas más económicas.
6. Optimizar la recuperación
Recupera menos documentos, mejora los metadatos y evalúa relevancia antes de enviar contenido.
7. Crear alternativas y cortacircuitos
Si un proveedor falla o se alcanza el presupuesto, el sistema puede limitar funciones, cambiar de modelo o escalar a una persona.
8. Medir calidad junto al coste
Cada optimización debe pasar evaluaciones. El objetivo es reducir el coste por resultado correcto, no por llamada.
Ejemplo: atención conectada al CRM
Un mensaje llega por WhatsApp. Las reglas validan horario y cliente; un modelo ligero clasifica la intención; la integración consulta pedido e historial; solo los casos complejos llegan al modelo avanzado. Descuentos o cancelaciones exigen política y aprobación.
Con telemetría, la empresa compara coste por intención, resolución, latencia y derivación. Si consultar el estado consume gran parte del presupuesto, ese flujo puede convertirse en determinista.
Gobierno y presupuesto
Define responsables, centros de coste, límites por entorno y alertas. Separa desarrollo y producción y evita claves compartidas. Un aumento anómalo puede indicar crecimiento, un bucle, abuso o un prompt malicioso.
Los límites rígidos no siempre sirven para procesos críticos. Combina alertas progresivas, reducción de capacidad e interrupción selectiva. El negocio debe conocer qué ocurrirá cuando se alcance el presupuesto.
Hoja de ruta
- inventariar modelos, proveedores, agentes y herramientas;
- definir la unidad de valor y una referencia;
- atribuir consumo por flujo, cliente y versión;
- crear evaluaciones de calidad y latencia;
- implantar límites, alertas y paneles;
- aplicar enrutamiento, caché y reducción de contexto;
- comparar coste por resultado antes y después;
- revisar cada mes precios, modelos y patrones.
La eficiencia permite escalar la IA
Una prueba puede funcionar sin disciplina económica. Un producto real debe prever volumen, excepciones y crecimiento. La arquitectura ha de permitir cambiar modelos, aplicar políticas y explicar cuánto cuesta y devuelve cada automatización.
ProativaIA desarrolla soluciones de IA y automatización, integra modelos con ERP, CRM y WhatsApp y crea software a medida. Podemos diseñar un flujo con enrutamiento, observabilidad y controles de coste alineados con el resultado de tu empresa.