El entusiasmo inicial por la inteligencia artificial (IA) ha chocado de frente con la cruda realidad financiera de muchas corporaciones. Lo que prometía ser una revolución en eficiencia y automatización se ha convertido en un agujero negro para los presupuestos, impulsado por un fenómeno conocido como “tokenmaxxing”: la tendencia a utilizar modelos de IA cada vez más potentes y costosos para cualquier tarea, sin importar su complejidad o necesidad real.
Este uso desmedido, a menudo incentivado por la propia dirección de las empresas sin establecer salvaguardas, ha provocado que los costos operativos de la IA se disparen de manera impredecible. Marcos Grilanda, vicepresidente y gerente general de Databricks en Latinoamérica, advierte que la falta de “barreras de contención” claras ha permitido que los gastos “vuelen”, dejando a muchas organizaciones con facturas mensuales que superan con creces lo anticipado.
Un caso emblemático es el de Uber. La gigante del transporte reportó haber agotado su presupuesto anual destinado a IA en tan solo los primeros tres meses del año. Como respuesta, la compañía ha implementado un límite de 1,500 dólares mensuales por empleado para el uso de herramientas de programación con IA. Los programadores ahora cuentan con paneles individuales para monitorear su consumo de “tokens” y deben seguir un proceso formal para solicitar aumentos de presupuesto, una medida que refleja la urgencia de controlar estos gastos.
Otras grandes tecnológicas como Microsoft, Meta y Salesforce han adoptado estrategias similares, reconociendo la necesidad de una gestión financiera más rigurosa en el ámbito de la IA. La implementación de un gobierno de datos robusto se ha vuelto una prioridad ineludible para la sostenibilidad del negocio.
Marcelo Sales, director general de tecnología de Databricks, enfatiza que el objetivo no es frenar la innovación, sino administrarla de manera inteligente. La clave reside en la capacidad de dirigir las solicitudes a los modelos de IA más adecuados y económicos según la tarea. Por ejemplo, una consulta simple sobre clientes podría ser manejada por un modelo de bajo costo, mientras que una planificación estratégica compleja se reservaría para un modelo de vanguardia. Esta optimización garantiza que la inversión en IA sea sostenible a largo plazo.
La gobernanza de datos actúa como una capa de mediación automática, seleccionando la forma más eficiente de resolver una solicitud sin requerir que los empleados, incluso los de áreas no técnicas como marketing, sean expertos en IA. Esta estructura no solo previene sorpresas en las facturas, sino que también genera confianza en los directivos, facilitando una adopción más rápida y segura de la tecnología.
“El miedo a un costo desconocido es, hoy en día, una de las principales barreras para que las empresas permitan que su personal explore todo el potencial de la IA”, comenta Grilanda. La incertidumbre sobre los gastos futuros frena la exploración y el aprovechamiento completo de las capacidades de la inteligencia artificial.
En México, el panorama de la madurez en IA, según el informe AI Maturity Index de Service Now, se sitúa en 52 puntos, superando el promedio global. La inversión en IA en el país experimentó un crecimiento del 107% en un solo año. Sin embargo, Enrique Upton, director general de Service Now para Norteamérica, señala que el 69% de las organizaciones mexicanas aún enfrentan desafíos significativos en cuanto a la precisión y el acceso a los datos, lo que limita la efectividad incluso de los agentes de IA más sofisticados.
Estructura de Datos y Reducción de Alucinaciones
Más allá del control de gastos, las herramientas de organización y gobernanza de datos juegan un papel crucial en la reducción de las “alucinaciones” de la IA, es decir, la generación de información imprecisa o inventada. Al estructurar información dispersa —proveniente de audios, videos o documentos— y definir conceptos clave para la organización, se mejora la fiabilidad de las respuestas de la IA.
Por ejemplo, el término “ingreso” puede tener connotaciones distintas en sectores como la banca, las telecomunicaciones o el comercio minorista. Las plataformas de gobierno de datos crean una “ontología de datos” que mapea estas relaciones específicas del negocio. Esto permite que la IA comprenda no solo el dato aislado, sino también su contexto y relación con el resto de la organización, como explica Enrique Perezyera, country manager de Databricks en México.
Al capturar estos “fragmentos de conocimiento” y el lenguaje interno de cada compañía, la IA deja de ofrecer respuestas genéricas y opera bajo las reglas y definiciones exactas de la organización. Esto no solo aumenta drásticamente su eficiencia y precisión, sino que también minimiza la posibilidad de que invente información ante la falta de datos precisos.
Hacia una Adopción Controlada y Sostenible
Para los expertos, establecer límites diarios de gasto por empleado o departamento no debe ser visto como una medida restrictiva, sino como una estrategia fundamental para la salud financiera de la empresa. A medida que las organizaciones ganan experiencia y confianza en la gestión de la IA, estos límites pueden ajustarse gradualmente, permitiendo usos más complejos y ambiciosos.
La clave para una adopción exitosa de la IA reside en no implementarla a ciegas, sino bajo un marco de control riguroso. Este marco debe asegurar que cada “token” invertido genere un valor real y tangible para el negocio. La gestión financiera y la gobernanza de datos son, paradójicamente, las herramientas que permiten liberar el verdadero potencial de la IA.
“Poner límites a la IA es, paradójicamente, la mejor manera de liberarla”, concluye Grilanda. “Solo cuando una empresa sabe cuánto va a gastar y confía en la veracidad de lo que la IA responde, puede integrarla plenamente en su ADN operativo”. La adopción plena de la IA solo es posible cuando se acompaña de un control financiero y una garantía de fiabilidad en sus resultados.