IA para el CFO: coste variable y el final de la factura sorpresa

En diciembre de 2025, Uber, según se ha publicado, dotó a 5.000 ingenieros con el asistente de programación Claude Code de Anthropic. En abril de 2026 salieron a la luz informes públicos de que la empresa había consumido todo su presupuesto anual de IA en cuatro meses, empujada por el patrón recursivo de consumo de tokens de los agentes de código autónomos. Sea exacta o no esa cifra, la forma del problema es real. El coste variable ha llegado a la partida de IA, y ha pillado a la mayoría de funciones financieras con un modelo mental de presupuestar por puesto que ya no sobrevive al contacto con cómo se usan las herramientas en la práctica. Este artículo mapea las cuatro palancas que un CFO puede mover, las plataformas que hay en cada una, las realidades de precios a mediados de 2026 y un plan de noventa días que están siguiendo los equipos financieros más disciplinados.

Por qué el coste variable es la nueva forma de la cuenta de resultados del software

El software era, hasta hace poco, la partida más fácil de prever en la cuenta de resultados de un CFO. Comprabas una suscripción SaaS, pagabas por puesto y la factura apenas se movía. El coste marginal de un empleado más usando Salesforce era prácticamente cero. Esa hipótesis alimentó una década de presupuestación de software empresarial.

Esa hipótesis ahora es errónea para cualquier empresa que haga un trabajo serio con IA. El economista Wei Sun, de SemiAnalysis, plantea el cambio con nitidez en una conversación reciente con Val Bercovici: «el software pasa de costes marginales mínimos a costes marginales relativamente altos». Cada interacción con un modelo de lenguaje grande consume cómputo que hay que pagar al proveedor, y el proveedor puede cobrar casi el precio que quiera por él según lo rápido que haga esperar al usuario y cuánto hardware dedique. El CFO hereda la factura.

Dos hechos sobre esa factura conviene tener claros antes de empezar a hablar de plataformas.

El primero es que los flujos agénticos consumen entre cinco y treinta veces más tokens que los flujos de chat humano para la misma tarea. Un humano que pregunta a un modelo usa típicamente unos 2.000 tokens de inferencia. Un agente de código autónomo haciendo la misma tarea recupera código, ejecuta pruebas, evalúa la salida, reescribe e itera. La misma tarea se entrega en 10.000 a 60.000 tokens una vez el agente está cableado. La mayoría de modelos de presupuesto de IA de 2025 asumían la proporción de chat humano. La factura que llegó en el primer trimestre de 2026 no.

El segundo es que la proporción de tokens de entrada y de salida se ha invertido. Las aplicaciones de chat producían más o menos dos tokens de entrada por cada token de salida (el usuario tecleaba un párrafo, el modelo respondía con un párrafo). Las cargas agénticas producen proporciones de 50:1, 100:1, a veces 1000:1, porque el agente lee volúmenes enormes de contexto para tomar decisiones pequeñas y centradas. La implicación: si tu equipo financiero está anclado en el coste de tokens de SALIDA (el número visible en la mayoría de páginas de precios, el que parece caro), estás mirando la línea equivocada. La entrada es ahora donde vive el gasto.

Estos dos cambios juntos explican por qué la partida de IA sigue saliendo más alta de lo que sugería el piloto. Según el informe AI Token Economics for CFOs de Deloitte de abril de 2026, el 80 al 85 por ciento de las empresas se equivocaron en sus previsiones de IA en más de un 25 % este año. El patrón no es aleatorio. Es el resultado previsible de un modelo mental viejo chocando con una economía nueva.

Las cuatro palancas que un CFO puede mover

Los CFO que están por delante de esto han, en mi trabajo con equipos financieros del mid-market del Reino Unido y Europa durante los últimos dieciocho meses, fijado cuatro superficies de control distintas. Cada una hace una cosa específica. Cada una tiene su propia decisión de compra. Necesitarás una postura en las cuatro.

1. Consolas de administración nativas: los controles de presupuesto que te da el proveedor de IA de serie. Gratis con el contrato. Capaces pero limitadas.
2. La capa de gateway: plataformas de terceros que se sientan en el camino de los datos entre tus desarrolladores y los proveedores de modelos. Aplican topes de presupuesto duros en tiempo real. El nivel de «kill switch».
3. Routers y modelos de pesos abiertos: la decisión de arquitectura sobre qué modelo gestiona qué clase de consulta. De donde vienen los mayores ahorros absolutos.
4. Política y compras de IA a nivel de empresa: la decisión de consolidación de compras que acaba con la dispersión de notas de gastos y convierte la IA en una partida gestionada con pistas de auditoría.

El resto del artículo es una sección por palanca, en el orden en que un CFO suele encontrárselas.

Palanca uno: qué hacen las consolas de administración nativas (y dónde se paran)

Antes de comprar cualquier herramienta de terceros, conviene saber lo que los proveedores de IA ya te dan.

OpenAI Enterprise / API Admin organiza las claves de API en proyectos y permite a un equipo financiero fijar un presupuesto mensual en dólares por proyecto. Cuando se llega al presupuesto, las llamadas se rechazan. Es la forma más básica y más útil de control de costes, y la mayoría de CFO aún no la usa. La limitación: el gasto se sigue por proyecto o por clave, no por usuario final, así que el chargeback a un desarrollador o funcionalidad específicos es imposible sin una capa externa.

Anthropic Console for Teams ofrece límites de gasto del workspace y alertas. Las actualizaciones de 2026 ajustaron los controles de uso del SDK. Se aplica la misma limitación: un número por clave de API, sin respuesta nativa a «qué funcionalidad dentro del producto está empujando el gasto».

Google Vertex AI se integra directamente con Google Cloud Billing e IAM. Alertas de presupuesto, topes duros vía Google Cloud Quotas y una palanca útil que las consolas de OpenAI y Anthropic no ofrecen: Provisioned Throughput, que permite a un equipo financiero comprometerse con capacidad dedicada a un coste mensual predecible y usar cabeceras HTTP para denegar peticiones por encima del cupo. Es lo más parecido que ofrecen los proveedores de IA a la experiencia de factura predecible a la que está acostumbrado un CFO. El pero es que el precio de Vertex AI es en sí complejo, mezclando horas de nodo de cómputo con costes de tokens, así que la previsibilidad llega a costa de la comprensibilidad.

El resumen honesto: las consolas nativas cazarán los proyectos que se descontrolan de forma obvia. No te darán atribución por usuario, caché semántica, observabilidad entre proveedores ni chargeback a nivel de funcionalidad. A cada equipo financiero con el que trabajo le digo que trate las consolas nativas como lo primero que se configura, no lo último. Son necesarias y no suficientes. Configúralas el día uno. Luego compra un gateway.

Palanca dos: la capa de gateway, donde vive la ejecución en tiempo real

La categoría de herramientas que se sientan en el camino de los datos entre tu código de aplicación y los proveedores de modelos se ha consolidado, en 2026, como la inversión de gobernanza más importante que hace un despliegue serio de IA. El patrón es el mismo entre proveedores: cada petición pasa por el gateway, que la registra, almacena en caché lo que puede y se niega a reenviar llamadas que incumplen una regla de presupuesto. Es el único sitio donde una regla de presupuesto se puede aplicar en tiempo real. Las consolas nativas alertan; los gateways actúan.

Portkey es la opción de nivel empresarial más creíble a mediados de 2026. Ofrece límites de presupuesto por coste o por tokens por workspace o clave de API, con reinicios diarios y semanales, caché semántica que devuelve respuestas guardadas para consultas repetidas (una reducción del 90 % en el gasto de tokens para cargas repetidas tipo FAQ es realista) y la pila empresarial completa: SSO, control de acceso por roles, pistas de auditoría. El precio arranca en torno a 99 $/mes en el nivel Pro y escala a 500-5.000 $+/mes en volumen de logs empresarial. Los casos de estudio de 2026 que salen a la luz públicamente incluyen Qoala, la insurtech indonesia, donde el CTO Prateek Jogani usa Portkey para gestionar más de 25 casos de uso de GenAI distintos con seguimiento de coste por caso de uso, y Haptik, el proveedor de IA conversacional, donde el CTO Swapan Rajdev desplegó Portkey en producción específicamente porque los informes nativos de OpenAI y Azure no cubrían las necesidades empresariales.

Helicone y Langfuse son las alternativas derivadas de código abierto. Helicone apuesta por la economía por unidad, agrupando llamadas de API en sesiones para que un equipo financiero vea que «una resolución automatizada de atención al cliente le cuesta a la empresa 0,12 $ de media». El nivel Pro está en torno a 60 $/mes. Langfuse empareja los datos de coste con evaluación de calidad, lo cual importa porque permite a ingeniería ver si el caro modelo Opus supera al barato Haiku en una tarea concreta. Nivel Core 29 $/mes, Pro 199 $/mes, Enterprise 2.499 $/mes con plazas ilimitadas en todos los planes de pago. Ambas son plataformas de observabilidad por defecto; la ejecución de presupuesto exige enrutar a través de su componente gateway en lugar del trazado solo SDK.

LiteLLM es el proxy de enrutamiento de código abierto que alimenta muchas soluciones autoconstruidas. Excelente para equipos de ingeniería que quieren control total. Real overhead de mantenimiento a escala empresarial. Razonable para una organización de ingeniería que quiere propiedad; no es la respuesta correcta para una función financiera que quiere un proveedor al otro lado del teléfono cuando algo se rompe.

Datadog LLM Observability extiende el APM existente de Datadog a la IA generativa. Si tu empresa ya paga Datadog, el coste marginal de añadir observabilidad de LLM es bajo y los datos aterrizan en el panel que tu equipo de operaciones ya vigila. El trade-off es que Datadog está configurado para monitorización general de infraestructura, no para ejecución de presupuesto específica de LLM; convertir alertas en bloqueo real del tráfico exige trabajo de ingeniería de verdad.

El movimiento correcto del CFO en esta palanca es comprar un gateway y poner a cada desarrollador detrás de él el día uno. No montaría un encargo serio de IA ahora sin uno en su sitio. Solo el beneficio de tener el 90 % del gasto visible ya justifica el coste.

Palanca tres: routers y modelos de pesos abiertos, donde está el dinero de verdad

Esta es la palanca que produce los mayores ahorros absolutos, y es la que la mayoría de CFO aún no ha considerado. El marco es sencillo: los modelos frontera propietarios (Claude Opus 4.6, GPT-5, Gemini 3.1 Pro) cuestan entre 5 $ y 15 $ por millón de tokens. Los modelos de pesos abiertos más pequeños, hospedados en proveedores de inferencia como Together AI o Fireworks, cuestan entre 0,05 $ y 0,10 $ por millón de tokens. Es un diferencial de coste de 100x por la misma unidad de throughput de tokens.

Casi toda carga de trabajo empresarial contiene una larga cola de consultas rutinarias y simples que los modelos baratos manejan perfectamente, y una cabeza más pequeña de consultas complejas que necesitan el razonamiento del modelo frontera. La decisión de arquitectura de enrutar el trabajo fácil a los modelos baratos y reservar los modelos caros para el trabajo difícil se llama task classification routing (enrutamiento por clasificación de tareas), y es la decisión de coste de mayor apalancamiento de toda la pila.

OpenRouter es el actor más destacado en el espacio de enrutamiento. A mediados de 2026 procesa más de 100 billones de tokens al mes y cerró una Serie B de 113 M de dólares a finales de 2025. Casi no carga margen sobre el precio de los tokens y se monetiza con una comisión del 5 % aproximado sobre la compra de saldo de cuenta. Para empresas pequeñas y medianas y para exploración de I+D, el ahorro de comodidad de OpenRouter es real: una clave de API sustituye a cinco y puedes cambiar de modelo sin reescribir el código de aplicación. Para una empresa de verdad que empuje miles de millones de tokens al mes, el valor empresarial de OpenRouter está en el enrutamiento de flujos más que en el precio por unidad. Un contrato directo negociado con Anthropic u OpenAI, o throughput aprovisionado en la nube en AWS Bedrock o Vertex AI, dará una mejor tasa por token a esa escala.

Los otros agregadores creíbles que conviene conocer por su nombre:

• AWS Bedrock y Azure AI Model Catalog son las opciones de nivel empresarial porque la factura se acumula en los compromisos de nube existentes (Enterprise Discount Programs, Microsoft Azure Consumption Commitments) y heredas las garantías SOC 2 y de residencia de datos del proveedor de nube.
• Together AI y Fireworks AI son proveedores de inferencia que ejecutan modelos de pesos abiertos a escala sobre infraestructura dedicada. Aquí es donde aterriza el diferencial de coste de 100x para cargas de producción.
• Vercel AI Gateway es la opción correcta si tu pila de front-end ya vive en Vercel; un encaje incómodo en caso contrario.

La pregunta interesante no es qué router comprar. Es qué cargas migrar a modelos más baratos. Tres operadores con nombre han publicado cifras que merecen citarse en informes para el consejo:

• LinkedIn construyó una familia de modelos EON sobre Llama 3 para flujos internos y orientados al usuario. Los costes comunicados fueron 75 veces menores que GPT-4 y 6 veces menores que GPT-4o, con mayor precisión específica del dominio mediante fine-tuning.
• Convirza, un proveedor empresarial de análisis de voz, usó Llama-3-8B con adaptadores especializados para indicadores de rendimiento distintos. Comunicó una reducción de coste de 10x frente a OpenAI y una mejora de 8 puntos porcentuales de precisión en la misma tarea.
• Uber integró Llama y Mixtral dentro de su infraestructura Ray, reduciendo drásticamente el coste por salida del trabajo generativo en toda la plataforma.

El enfoque del CFO sobre esto es poco romántico. El modelo correcto para cualquier carga empresarial dada es el más barato que alcanza el listón de calidad. El modelo más barato casi nunca es el frontera. Cuando miro dónde están los mayores ahorros sin reclamar en los equipos financieros con los que trabajo, casi siempre es aquí: trabajo rutinario de alto volumen que se sigue mandando a Opus o GPT-5 por costumbre, cuando un Llama con fine-tuning o un Gemini Flash harían el mismo trabajo al uno por ciento del coste. Un equipo serio de ingeniería de IA en 2026 es dueño de esta decisión como una optimización de calidad y coste, no como una apuesta de lealtad al proveedor.

Palanca cuatro: la política a nivel de empresa que acaba con la era de la nota de gastos

El patrón con el que aún conviven la mayoría de CFO del mid-market es el peor modelo operativo posible para el gasto de IA. Los desarrolladores, por su cuenta, pasan a gastos ChatGPT, Claude, Cursor, GitHub Copilot, Replit, v0 y Lovable de forma independiente. El equipo financiero ve un bosque fragmentado de partidas de 20 $/mes sin visibilidad central, sin SSO, sin pista de auditoría y sin forma de saber quién usa qué para qué.

El arreglo de 2026 tiene un nombre: consolidación AI Prime. El patrón: firma un contrato empresarial con un proveedor de IA principal (Anthropic for Teams, OpenAI Enterprise o Microsoft 365 Copilot según el perfil de la plantilla), consigue SSO, cumplimiento SOC 2, garantías de cero retención de datos, logs de auditoría y asignación de coste por equipo. Detén la dispersión de notas de gastos. Fija una lista clara de herramientas aprobadas para la capa específica de desarrollador (Cursor para trabajo en el IDE, GitHub Copilot para autocompletado de código, Claude Code para tareas de código agénticas), cada una con un presupuesto por equipo.

Referencias de precios a mediados de 2026, de fuentes públicas y datos de seguimiento de gasto agregado:

Son precios de tarifa y medias de referencia. Los precios reales empresariales en los niveles de OpenAI y Anthropic siguen bajo NDA, y la realidad concreta de un CFO depende por completo de los compromisos de volumen negociados. Trata los números de arriba como un ancla de planificación, no como un presupuesto.

El problema de gobernanza más difícil de esta palanca es la IA en la sombra: el ingeniero que saca la tarjeta de crédito personal para suscribirse a una herramienta que la empresa no ha aprobado porque le hace ir más rápido. He visto este patrón repetirse en media docena de encargos, y la respuesta correcta nunca es teatro de ejecución. La respuesta correcta es una vía de aprobación rápida y ligera que permita a un desarrollador argumentar a favor de una herramienta nueva, conseguir una asignación de presupuesto por equipo si el argumento es bueno y no sentir que la función financiera le trata como al enemigo. El plan del CFO aquí es ser el equipo que dice «sí» rápido a las herramientas correctas, no el que dice «no» despacio a todo.

Más allá de las licencias por puesto, los costes ocultos más amplios que pillan a los CFO:

• El coste de inferencia a escala de producción suele dominar la partida, con el 80-90 % del coste de vida del sistema.
• La base de datos vectorial y la infraestructura RAG añaden coste recurrente real. Pinecone, Weaviate, el hospedaje de pgvector necesitan presupuesto.
• El talento de administración de IA es el nuevo rol especialista que la mayoría de equipos financieros no ha presupuestado. Contempla al menos una contratación a jornada completa para cualquier empresa que haya pasado del piloto.
• Las auditorías de seguridad y revisiones de compliance para despliegues de IA son ya su propia partida, sobre todo con el plazo de aplicación del EU AI Act en agosto de 2026.

Las encuestas a CFO de Deloitte dejan una cifra incómoda: menos del 1 % de los directivos declara un ROI del 20 % o superior en su inversión en IA generativa. La mayoría paga por IA sin capturar aún el valor. El CFO que cierra ese hueco captura el presupuesto para los próximos dieciocho meses de despliegue de IA. El que no, se sienta en una revisión financiera en la que preferiría no estar.

El plan de 90 días del CFO

Si tienes las cuatro palancas en su sitio con el nivel adecuado de seriedad, quitas la sorpresa de la partida de IA. La forma del plan que está siguiendo un CFO puntero en 2026:

Días 1 a 30. Audita el gasto actual. Suma todas las partidas de IA entre tarjetas de crédito, tarjetas corporativas, notas de gastos y facturas directas de API. Construye una vista única del gasto total de IA por equipo. La mayoría de funciones financieras que hacen esto por primera vez descubren que su gasto real es de 2 a 3 veces mayor que la partida que seguían. Identifica a los tres que más gastan y ten una conversación sobre qué usan y por qué.

Días 31 a 60. Firma un contrato empresarial con el proveedor principal. Despliega un gateway (Portkey, Helicone o LiteLLM detrás de un responsable de ingeniería que lo lidere) delante de cada desarrollador. Fija presupuestos mensuales por equipo a nivel de gateway. Configura límites de presupuesto en la consola nativa de cada clave directa de API. Publica una lista de herramientas aprobadas para la capa de desarrollador.

Días 61 a 90. Pasa una carga por clasificación de tareas. Elige una carga de alto volumen y baja complejidad (triaje de primer nivel de atención al cliente, resumen de documentos internos, emparejamiento de FAQs) y mígrala a un modelo de pesos abiertos barato en Together AI o Fireworks. Mide el coste por resolución antes y después. He visto esta única migración devolver entre el 60 y el 90 % del coste mensual de una carga sin ningún cambio visible en la experiencia de usuario. Úsala como prueba de concepto para la siguiente migración. Monta tu revisión financiera mensual de IA con las partidas mapeadas a resultados de negocio, no a recuentos de tokens.

Tres meses de trabajo disciplinado cambian la conversación de «¿por qué ha vuelto a subir la partida de IA?» a «sabemos exactamente dónde está la partida de IA y aquí va la próxima carga que vamos a mover a infraestructura más barata».

Hacia dónde va esto: Agentic FinOps

Gartner le ha puesto nombre a esta disciplina: Agentic FinOps. El enmarque de 2026 es que las cargas de IA agéntica han desacoplado el coste del uso humano. Un equipo de ingeniería de 10 personas puede mover un consumo de tokens equivalente al de un equipo de 1.000 personas con chat pre-agéntico. El tooling tradicional de FinOps, construido para optimización de costes de infraestructura en la nube, aún no maneja el patrón de consumo recursivo de agentes hablando con otros agentes. La pila de tooling de 2026 (CloudZero AI, el emparejamiento de Portkey y Langfuse, las ofertas dedicadas de agentic-FinOps) es lo que llena ese hueco.

El CFO que trata el coste de IA como un problema tratable con un plan conocido, en lugar de como una variable misteriosa a la que temer, captura la credibilidad para seguir financiando las iniciativas de IA que funcionan. El CFO que espera a la siguiente sorpresa se ve arrastrado a una conversación con el consejo sobre por qué existe la partida de IA. De las dos posturas, en mi experiencia la primera es la única que sobrevive a 2027.

Este artículo acompaña a IA para el director general y el consejero delegado, que plantea el caso a nivel ejecutivo para patrocinar un trabajo serio de IA. Se complementa con qué es RAG y qué podría hacer en tu empresa en el lado de arquitectura, y con la disciplina aburrida que evita que la alucinación sea un problema en el lado de calidad. Cada uno es una palanca distinta sobre la misma transición de fondo: de la IA como demo emocionante a la IA como infraestructura gestionada dentro de una cuenta de resultados real.

Para un recorrido estructurado por el gasto de IA actual de tu empresa, la dispersión de proveedores y los huecos de gobernanza, la auditoría de IA de Converly es el encargo que saca a la luz cómo sería el plan para tu situación concreta. El Audit produce un informe que el equipo directivo puede aprobar, y el encargo de implementación que sigue instala la disciplina junto con las herramientas que elijas.

Solo educativo, no es asesoramiento financiero. Las referencias de precios se han recopilado de fuentes públicas y datos de seguimiento de gasto agregado a mediados de 2026; los contratos empresariales concretos pueden diferir. La historia del gasto de Uber aparece en fuentes públicas; no hemos verificado de forma independiente las cifras exactas.