A todos los directores financieros que aprobaron un presupuesto de IA este año les dijeron lo mismo: los precios por token se están desplomando, así que el costo de la IA bajará. Luego llegó la factura y era mayor que la del año pasado. Nada se rompió, nadie gastó de más y el precio por token realmente bajó. Aun así, la factura subió. Si eso suena a error, no lo es. Es una regla económica de 160 años haciendo exactamente lo que siempre ha hecho, y es el hecho más malinterpretado en la planificación de IA empresarial de hoy.
Esa regla se llama la paradoja de Jevons. El analista de IA Nate B Jones ha vuelto a ella repetidamente durante el último año, en episodios sobre mercados laborales, oferta de cómputo y gasto empresarial, porque explica la brecha entre lo que las organizaciones presupuestan para IA y lo que realmente pagan. En Big Hat Group vemos la misma brecha en cada proyecto: líderes que planificaron para una curva de precios descendente y ahora viven sobre una curva de consumo ascendente. Este artículo presenta la paradoja, expone las cifras y plantea qué hacer al respecto. Es el complemento de nuestro Modelo de madurez de IA, que explica cómo evolucionan las organizaciones; este explica cuánto cuesta esa evolución.
¿Qué es la paradoja de Jevons?
En 1865, el economista inglés William Stanley Jevons estudió el consumo de carbón de Gran Bretaña y observó algo que contradecía el sentido común. La máquina de vapor de James Watt era mucho más eficiente que los motores a los que sustituía, así que cabría esperar que Gran Bretaña quemara menos carbón. En cambio, el consumo de carbón se disparó. El motor eficiente hizo que la energía de vapor fuera económica para aplicaciones que nunca antes habían justificado el combustible: fábricas, ferrocarriles, barcos, bombas. La eficiencia eliminó una barrera de costo, y la demanda se precipitó a llenar el espacio que dejó.
El patrón se ha repetido con cada recurso importante desde entonces. La computación en la nube es la analogía moderna más cercana. El cómputo se abarató drásticamente por unidad durante la década de 2010, y las facturas de la nube subieron, porque el cómputo barato hizo racional ejecutar cargas de trabajo para las que nadie habría aprovisionado un servidor. Lo mismo está ocurriendo ahora con la inferencia de IA, y está ocurriendo más rápido que con cualquier recurso de la historia.
Satya Nadella invocó la paradoja de Jevons por su nombre a principios de 2025, después de que los modelos de bajo costo de DeepSeek sacudieran brevemente el mercado. Su respuesta fue que, a medida que la IA se vuelve más eficiente y accesible, su uso se disparará. Tenía razón, y los datos desde entonces han sido contundentes.
Dos curvas que corren en direcciones opuestas
La economía de la IA está gobernada por dos curvas que se mueven en direcciones opuestas al mismo tiempo. La curva de precios cae rápido. La curva de consumo sube más rápido. La segunda curva es la que tu presupuesto necesita seguir.
La curva de precios. Los costos de inferencia por token están cayendo a ritmos que hacen que la ley de Moore parezca suave: entre 10x y 200x al año, según el benchmark que midas. La materia prima se está deflactando más rápido que cualquier recurso de cómputo en la historia.
Deflación del precio por token, según la recopilación de Nate B Jones (feb. 2026)
| Benchmark | Costo en 2022 | Costo en 2026 |
|---|---|---|
| Rendimiento equivalente a GPT-4 | $20 por millón de tokens | Unos $0.40 por millón de tokens |
| Claude 4.5 Sonnet | No disponible | $3 por millón de tokens de entrada, con proyección de llegar a centavos en uno o dos años |
La curva de consumo. Mientras los precios caen, todas las medidas de uso y gasto están subiendo, y las organizaciones que más gastan están entre las empresas de mayor crecimiento del mundo. Gastan más que sus ingresos porque esperan que la curva de consumo justifique la apuesta.
Consumo y gasto de IA empresarial, según lo reportado en los episodios de feb. 2026
| Métrica | Cifra |
|---|---|
| Gasto promedio en IA por organización, 2026 | $85,000 al mes, un 36 % más que el año anterior |
| Organizaciones que planean gastar más de $100,000 al mes | 45 %, frente al 20 % anterior |
| Gasto promedio en LLM por empresa, 2025 | $7 millones al año, frente a $4.5 millones en 2023 |
| Gasto promedio en LLM por empresa, proyección 2026 | Más de $11 millones al año |
| Tokens procesados por Google al mes | 1.3 mil billones (1.3 × 10¹⁵), un aumento de 130x en aproximadamente un año |
| Gasto de Perplexity en IA en la nube en 2024 | 164 % de sus ingresos de 2024 |
La cifra de Google merece una segunda mirada. Google es el operador de infraestructura de IA más sofisticado del planeta, y su consumo se multiplicó por 130 en aproximadamente un año. Su curva de consumo es tu indicador adelantado.
Cómo se ve a nivel de tarea
Las curvas abstractas se vuelven concretas cuando miras a un solo trabajador del conocimiento que usa la IA de forma intensiva. Los recuentos de tokens son mucho mayores de lo que suponen la mayoría de los responsables de presupuesto.
Consumo de tokens de un trabajador del conocimiento
| Actividad | Costo en tokens |
|---|---|
| Análisis complejo, como revisar 50 documentos y sintetizar los hallazgos | Unos 500,000 tokens |
| Una jornada completa de programación activa asistida por IA | Millones de tokens |
| Una sesión de investigación con múltiples iteraciones | Hasta 10 millones de tokens |
| Uso anual intensivo, línea base actual | Unos 1,000 millones de tokens al año |
| Techo proyectado para los usuarios más intensivos, a 18 meses | 25,000 millones de tokens al año o más |
Todo eso es antes de que los agentes entren en escena.
El multiplicador agéntico. Un humano tiene límites físicos. Teclea, hace pausas, asiste a reuniones y, en su pico absoluto, quizá sostenga 50 millones de tokens en un día. Un sistema agéntico no tiene ninguno de esos límites. Monitorea, analiza, responde y planifica de forma continua, y un solo agente puede consumir miles de millones de tokens al día. Una flota de agentes ejecutándose en paralelo consume billones. Esto no es un salto escalonado en el consumo. Es un cambio de varios órdenes de magnitud, y es la razón por la que la curva de consumo seguirá superando a la curva de precios durante años.
La matemática empresarial
Toma una organización de 10,000 personas que paga un precio combinado de $2 por millón de tokens. La factura depende por completo del nivel de consumo para el que planifiques.
Factura anual de cómputo para una organización de 10,000 personas a $2 por millón de tokens
| Nivel de consumo | Factura anual de cómputo |
|---|---|
| 1,000 millones de tokens por trabajador (los usuarios intensivos de hoy) | $20 millones |
| 10,000 millones de tokens por trabajador (proyección a 18 meses) | $200 millones |
| 100,000 millones de tokens por trabajador (escala agéntica completa) | $2,000 millones |
Los marcos de planificación tradicionales empeoran esto. Los modelos de capex, los calendarios de depreciación y los ciclos de compra plurianuales asumen dos cosas: que la demanda es predecible y que la oferta estará disponible cuando la necesites. Bajo la paradoja de Jevons, ninguna de las dos suposiciones se sostiene. La demanda crece de forma no lineal a medida que mejora la capacidad, y la oferta de cómputo está restringida durante el resto de la década.
El trabajo cognitivo es el nuevo carbón
La paradoja se aplica al trabajo con la misma claridad con que se aplica al cómputo. La IA está hundiendo el costo de un tipo específico de trabajo: la cognición tokenizable. Redactar, resumir, analizar, investigar, programar, planificar y generar variaciones son formas de pensamiento que pueden capturarse como texto, y su costo marginal se acerca a cero.
La predicción intuitiva es que las empresas producirán menos de este trabajo porque ya no necesitan pagar a personas para hacerlo. La realidad de Jevons es que las empresas están produciendo muchísimo más. El volumen de producción cognitiva se está disparando, no contrayendo. En la práctica, eso se ve así:
- Más segmentos de clientes, cada uno con su propio mensaje detallado
- Más pruebas A/B, porque cada variante es casi gratis de producir
- Más informes y análisis internos, solicitados porque se puede
- Más primeros borradores entre los que elegir antes de comprometerse con uno
- Todo el backlog de software en juego, no solo los diez elementos principales
El trabajo que antes confería ventaja competitiva porque era difícil de producir ahora es trivialmente fácil de producir. Eso crea dos presiones a la vez. El piso de costo del trabajo cognitivo ha caído casi a cero, así que producirlo ya no es un diferenciador. Y la verdadera restricción se desplaza aguas arriba, hacia el criterio, la rendición de cuentas y la ejecución física: las cosas que la IA todavía no puede hacer, y aquello para lo que tu organización debería estar optimizando ahora.
Tres motores que aceleran el consumo
Tres fuerzas empujan la curva de consumo hacia arriba, y cada una amplifica a las demás.
La capacidad desbloquea el uso. Cada vez que un modelo mejora de forma significativa en algo, como el razonamiento complejo o la planificación de varios pasos, abre aplicaciones que antes no funcionaban. Cada mejora crea nueva demanda no lineal. Pasar de gestionar un agente a gestionar diez multiplica por diez la huella de tokens, y cuanto mejores son los modelos, más agentes vale la pena ejecutar.
La integración multiplica los puntos de contacto. La IA ya no es una herramienta independiente que abres cuando la necesitas. Está integrada en clientes de correo, editores de documentos, entornos de desarrollo, sistemas CRM y mesas de servicio. Cada integración es una puerta a un consumo ambiental y continuo que nadie decidió conscientemente iniciar.
El giro agéntico. El paso de sistemas con humanos en el circuito a sistemas agénticos, donde la IA llama a la IA en bucles automatizados, es el mayor motor de todos. Un solo flujo de trabajo agéntico puede consumir más tokens en una hora de los que una persona genera en un mes, y las empresas apenas están empezando a desplegarlos a escala.
Qué deberían hacer las empresas al respecto
La paradoja no es una razón para frenar. Es una razón para planificar correctamente. Estos son los movimientos que separan a las organizaciones que obtienen valor de la IA de las que solo obtienen facturas.
- Deja de presupuestar la IA como una herramienta de reducción de costos. La premisa es errónea. La paradoja de Jevons garantiza que las ganancias de eficiencia serán absorbidas por un uso ampliado, no contabilizadas como ahorros. Presupuesta la IA como una inversión de expansión de capacidades con su propio retorno, no como una jugada de reducción de plantilla que de algún modo hará que la partida se encoja.
- Construye la gestión de tokens como una capacidad organizacional. La habilidad escasa ya no es el acceso a los modelos; todo el mundo lo tiene. La habilidad escasa es saber apuntar los tokens: estructurar el contexto que recibe cada modelo para que haga el trabajo con menos, enrutar cada tarea al modelo correcto al costo correcto, diseñar bucles de agentes que sostengan la calidad en el tiempo en lugar de degradarse, y medir si la inteligencia comprada está produciendo los resultados que necesitas. Que lo llames gestión de tokens, operaciones de inteligencia o ingeniería de contexto todavía no importa. Las organizaciones que construyen esta capacidad se están distanciando de todas las demás.
- Construye una capa de enrutamiento interna. Las mejores empresas operan una plataforma interna que envía el trabajo al modelo correcto al precio correcto: modelos baratos para tareas bien definidas, modelos de vanguardia para trabajo ambiguo o de alto riesgo. Negocian acuerdos de API a medida, se comprometen con pisos de consumo a cambio de capacidad dedicada y mantienen opcionalidad multiproveedor para que los precios de ningún proveedor dicten su hoja de ruta. Nuestra práctica de automatización con IA construye exactamente esta capa.
- Trata la eficiencia de tokens como una ventaja competitiva, no como control de costos. Tus competidores tienen acceso a los mismos modelos que tú. La organización que completa la misma tarea con la mitad de los tokens tiene el doble de capacidad efectiva. La pregunta correcta no es «¿cómo hago que mis agentes sean más baratos?», sino «¿estoy gastando en lo correcto?». Agentes más capaces haciendo más trabajo a precios por token más bajos seguirán produciendo una factura total mayor. El apalancamiento está en rediseñar los flujos de trabajo, no solo en ajustar los prompts.
- Asegura capacidad de cómputo antes de que la oferta se estreche aún más. La oferta de DRAM y de memoria de alto ancho de banda está estructuralmente restringida hasta 2028. Los hiperescaladores son competidores además de proveedores, y en un mercado restringido asignan capacidad primero a sus propios productos. Las empresas que fijen ahora compromisos contractuales de capacidad, ya sea mediante capacidad reservada de Azure o acuerdos a nivel de proveedor, estarán en una posición mucho mejor que las que esperen. Nuestro equipo de consultoría de Azure ayuda a los clientes a modelar y reservar la capacidad que su curva de consumo realmente requiere.
- Consigue un plan. Big Hat Group ayuda a las empresas a modelar su curva de consumo real, poner en marcha la gestión y el enrutamiento de tokens, y diseñar las operaciones agénticas que convierten el gasto en IA en capacidad medible en lugar de una factura sin explicación.
Qué significa esto para los líderes de TI e IA empresarial
Tu factura de IA en aumento es un indicador adelantado, no un fracaso. Si el gasto sube mientras los precios por token caen, tu organización está encontrando nuevos usos para la inteligencia más rápido de lo que los proveedores pueden descontarla. Así se ve la adopción. El modo de fallo es una factura plana, que normalmente significa que la IA está atascada en pilotos que nadie usa.
El cuello de botella se ha desplazado del acceso a la puntería. Cualquier organización puede comprar inteligencia de vanguardia por token. Muy pocas pueden dirigirla bien. El diseño de contexto, el enrutamiento de modelos, la ingeniería de bucles de agentes y la medición de resultados son ahora competencias centrales de TI, del mismo modo que la gestión de costos de la nube lo fue hace una década. Si nadie se hace cargo de ellas, pagarás la factura de Jevons sin obtener el beneficio de Jevons.
La capacidad y la opcionalidad de proveedores son decisiones de arquitectura. En un mercado con oferta restringida, de dónde vienen tus tokens y en qué condiciones importa tanto como qué modelo usas. El enrutamiento multiproveedor, la capacidad reservada y una capa de abstracción agnóstica respecto al modelo ya no son lujos. Son la forma de evitar que una curva de consumo ascendente se convierta en una crisis de compras.
La brecha se acumula. Una organización que trata la IA como una partida de costo a minimizar no se queda simplemente atrás frente a un competidor que la trata como capacidad a desplegar. La brecha se amplía cada trimestre, porque la segunda organización está ejecutando más experimentos, más agentes y más producción cognitiva sobre la misma curva de precios descendente. Bajo la paradoja de Jevons, el ganador no es quien menos gasta. Es quien convierte más tokens en resultados.
Consultoría de IA empresarial
Big Hat Group trabaja con líderes de TI e IA empresarial para planificar según la curva de consumo en lugar de la curva de precios: modelar la demanda real de tokens, construir las capas de enrutamiento y contexto que hacen que cada token cuente, asegurar la capacidad para ejecutar agentes a escala y gobernar las operaciones agénticas para que la factura se corresponda con los resultados de negocio.
Contáctanos para planificar tu presupuesto de tokens de IA →
Relacionado: Modelo de madurez de IA: de perseguir modelos a mirar al futuro · Estrategia de IA empresarial más allá de Microsoft Copilot · lean-ctx: la capa de contexto que los agentes de IA realmente necesitan
Este artículo se basa en cuatro episodios de AI News & Strategy Daily de Nate B Jones: The 3-Layer Framework That Predicts Which Jobs AI Will Replace (11 de enero de 2026), Why the Smartest AI Teams Are Panic-Buying Compute (8 de febrero de 2026), $1,000 a Day in AI Costs (20 de febrero de 2026) y You can be ambitious without the huge token bill (20 de septiembre de 2026). Las cifras de gasto y consumo son las reportadas en esos episodios.