Qué cuesta realmente la IA: comparación TCO empresarial

Los precios por token no son sus costes de IA

Cuando las empresas hablan de costes de IA, la discusión casi siempre empieza por los precios de tokens. Es comprensible: los proveedores promocionan sus modelos con precios de entrada y salida por millón de tokens, y estas cifras son fáciles de comparar. Un modelo premium cuesta 5 dólares por millón de tokens de entrada, un modelo económico 0,25 dólares. La diferencia parece dramática.

Pero en la práctica, los precios de tokens representan solo entre el 20 y el 35 por ciento de los costes reales. Quien reduce su planificación presupuestaria de IA a los precios de tokens subestima los costes totales en un factor de tres a cinco. La verdadera pregunta no es: “¿Cuánto cuesta un token?”. La pregunta es: “¿Cuánto cuesta operar IA de forma productiva, segura y conforme en mi empresa?”

Este artículo presenta las cuatro categorías de coste que abarca toda implantación de IA empresarial, compara tres escenarios de 26.000 a 410.000 euros en el primer año y explica cómo Model Switching puede reducir los costes de tokens entre un 40 y un 60 por ciento.

Las cuatro categorías de coste

Toda implantación de IA en el contexto empresarial se distribuye en cuatro categorías de coste. La ponderación relativa varía según el escenario, pero la estructura se mantiene.

1. Costes de modelo: tokens y hosting (20-35%)

La categoría más visible: tasas de API para modelos en la nube o costes de hosting para modelos self-hosted. Con APIs en la nube se paga por token (entrada y salida por separado). Con self-hosting se paga alquiler de GPU, electricidad y mantenimiento. Los costes dependen directamente del volumen de uso: un chatbot con 50 usuarios genera volúmenes de tokens diferentes a diez agentes especializados con 1.000 usuarios.

Lo que se suele pasar por alto: el self-hosting es más económico que las APIs en la nube a partir de un determinado volumen, pero los costes de entrada son mayores. Una sola GPU con 80 GB de VRAM cuesta aproximadamente 1.200 euros al mes con un proveedor de hosting europeo, independientemente de si está totalmente utilizada o no. Para detalles sobre la decisión de hosting, consulte Estrategias de hosting de IA para empresas.

2. Infraestructura e integración (25-35%)

La categoría más grande y más frecuentemente subestimada. Abarca todo lo necesario para integrar un modelo de lenguaje en su panorama IT existente:

• API Gateway y capa de enrutamiento: Un componente central que dirige las solicitudes al modelo adecuado, aplica límites de tasa y rastrea costes.
• Pipeline RAG: Si su IA debe acceder a conocimiento interno, necesita un pipeline de Retrieval-Augmented Generation: base de datos vectorial, modelo de embedding, estrategia de fragmentación, indexación.
• Integración de sistemas: Integración con sistemas existentes: ERP, CRM, gestión documental, ticketing. Cada interfaz requiere esfuerzo de desarrollo.
• Portal Enterprise AI: Una interfaz a través de la cual los empleados realmente utilizan la IA, con SSO, gestión de permisos y Audit Trail.

Estos costes son en gran medida puntuales. Se producen principalmente en los primeros tres a seis meses y se amortizan durante la vida útil. Pero deben planificarse y presupuestarse; de lo contrario, surgen costes ocultos por soluciones improvisadas y retrabajos.

3. Gobernanza y compliance (15-20%)

Desde el EU AI Act, la gobernanza ya no es un lujo opcional. En España, la AESIA (Agencia Española de Supervisión de Inteligencia Artificial) actuará como autoridad de supervisión. Los costes en esta categoría incluyen:

• Clasificación de riesgos: Evaluación de todos los sistemas de IA según las categorías del EU AI Act. Para sistemas de alto riesgo se requiere una evaluación formal de conformidad.
• Documentación técnica: El EU AI Act exige documentación exhaustiva del origen de los datos, procedimientos de entrenamiento, indicadores de rendimiento y medidas de mitigación de riesgos.
• Audit Trail y monitorización: Registro continuo de todas las decisiones de IA, especialmente en procesos de toma de decisiones automatizados.
• Protección de datos: Tratamiento conforme al RGPD y a la LOPDGDD (Ley Orgánica 3/2018). Contratos de encargo de tratamiento, evaluaciones de impacto en protección de datos para el tratamiento de datos personales.
• Asesoría externa: Asesoramiento jurídico para cuestiones regulatorias, Delegado de Protección de Datos (DPD), y en su caso organismo de evaluación de conformidad.

La proporción de gobernanza crece con la complejidad del despliegue de IA. Un chatbot individual para consultas de conocimiento general tiene requisitos de gobernanza más bajos que un sistema de IA que preselecciona candidaturas.

4. Personal y desarrollo de competencias (20-30%)

Los sistemas de IA deben operarse, mantenerse y desarrollarse. Simultáneamente, los empleados deben ser capaces de utilizar los sistemas. Esta categoría incluye:

• ML-Ops / AI-Engineering: Al menos una persona responsable de gestión de modelos, optimización de prompts, monitorización y resolución de problemas. En el escenario enterprise, un equipo dedicado.
• AI Literacy: Formación para todos los usuarios, legalmente obligatoria desde febrero de 2025 según el EU AI Act. Incluye formación inicial y actualizaciones periódicas.
• Gestión del cambio: Acompañamiento de la organización en la transición. Nuevos procesos, nuevos roles, nuevas responsabilidades.

En escenarios pequeños, el desarrollo de competencias puede realizarse internamente, sin costes de personal adicionales, pero con costes de oportunidad. En escenarios mayores se necesita personal dedicado o apoyo externo.

Distribución de costes de un vistazo

Costes de modelo (Tokens/Hosting)      ████████░░░░░░░░░░░░  20-35%
Infraestructura e integracion          ██████████░░░░░░░░░░  25-35%
Gobernanza y compliance                ██████░░░░░░░░░░░░░░  15-20%
Personal y competencias                ████████░░░░░░░░░░░░  20-30%

La distribución cambia con el tiempo: en el primer año dominan infraestructura e integración. A partir del segundo año aumentan las proporciones relativas de costes de modelo y personal, mientras desaparecen los costes de integración puntuales.

Tres escenarios en comparación

Los tres escenarios siguientes representan puntos de entrada típicos. Las cifras son valores de referencia basados en experiencia de proyectos con empresas de distintos tamaños. Sus costes reales dependen de la infraestructura IT existente, los requisitos de integración y el modelo operativo elegido.

Escenario 1: Entrada (aprox. 26.000 euros / 12 meses)

Un caso de uso claramente definido: un chatbot de conocimiento interno para un departamento, basado en API en la nube. 50 usuarios, volumen de consultas moderado, sin integración de sistemas más allá de la carga de documentos. La gobernanza se limita al tratamiento conforme al RGPD y la LOPDGDD y una documentación básica. Sin costes de personal porque el departamento IT interno asume la operación junto con el trabajo diario.

Este escenario es el típico Proof of Concept. Demuestra el valor, valida la tecnología y proporciona datos empíricos para la escalación. Un PoC bien definido con un caso de uso claro se sitúa típicamente entre 15.000 y 30.000 euros y es realizable en cuatro a seis semanas.

Escenario 2: Estándar (aprox. 148.000 euros / 12 meses)

Tres agentes especializados para distintos procesos, por ejemplo análisis documental, comunicación con clientes y gestión de conocimiento interno. 200 usuarios, hosting híbrido: solicitudes no críticas via API en la nube, datos sensibles via modelo self-hosted. Integración con al menos un sistema existente. La gobernanza incluye clasificación de riesgos según el EU AI Act y documentación formal. Un ingeniero ML-Ops se encarga parcialmente de la gestión de modelos y la monitorización.

Este escenario es la entrada productiva. La organización ha completado el PoC y escala a varios departamentos. La infraestructura está diseñada para el crecimiento.

Escenario 3: Enterprise (aprox. 410.000 euros / 12 meses)

Diez o más agentes especializados en múltiples áreas de negocio. Más de 1.000 usuarios. Arquitectura multi-modelo con GPUs propias. Integración profunda en ERP, CRM, sistemas de RRHH y gestión documental. Gobernanza a nivel enterprise: evaluación formal de conformidad para sistemas de alto riesgo, Audit Trail, dashboard de gobernanza. Dos ingenieros ML-Ops a tiempo completo para operación y desarrollo continuo.

Este escenario presupone que la organización ha completado la fase de experimentación y opera la IA como infraestructura estratégica. Los 410.000 euros parecen una inversión considerable, y lo son. Pero se distribuyen en un sistema que acelera cientos de procesos, reduce tasas de error y mejora las bases de decisión.

Contexto: ¿cuánto cuestan las alternativas?

Los costes de un sistema de IA nunca deben evaluarse de forma aislada. La magnitud de comparación relevante es: ¿cuánto cuestan los procesos sin IA? Si tres gestores dedican dos horas diarias cada uno a la clasificación de documentos, eso supone aproximadamente 180.000 euros anuales a coste completo, para una tarea que un agente entrenado resuelve en segundos. El ROI raramente es la pregunta. La pregunta es con qué rapidez se materializa.

Optimización de costes mediante Model Switching

La palanca más eficaz para los costes de modelo no es elegir un modelo más barato, sino el uso diferenciado de múltiples modelos. Este principio se llama Model Switching o Model Routing.

El principio

No toda solicitud necesita un modelo premium. La mayoría de las solicitudes empresariales (respuestas estándar, clasificación simple, extracción de datos de documentos estructurados) pueden responderse con modelos económicos con un nivel de calidad suficiente. Solo para tareas complejas (razonamiento en múltiples pasos, análisis de contratos, preparación de decisiones) es necesario un modelo premium.

Una lógica de enrutamiento decide automáticamente qué modelo procesa cada solicitud. Los criterios son configurables:

• Complejidad: Solicitudes simples a modelos económicos, complejas a modelos premium.
• Sensibilidad de datos: Solicitudes con datos personales a modelos self-hosted, solicitudes no críticas a APIs en la nube.
• Requisitos de latencia: Aplicaciones en tiempo real a modelos rápidos y pequeños. Procesamiento por lotes a modelos potentes sin presión temporal.
• Límite de costes: Limitación automática cuando se alcanza un presupuesto de equipo o departamento.

Potencial de ahorro

En la práctica, las solicitudes empresariales se distribuyen típicamente así:

• 60-70% solicitudes estándar: Clasificación simple, FAQ, extracción de datos. Los modelos económicos son suficientes.
• 20-30% complejidad media: Resúmenes, análisis estructurado, borradores. Modelos con buena relación calidad-precio.
• 5-15% alta complejidad: Razonamiento en múltiples pasos, análisis de contratos, documentos estratégicos. Modelos premium.

Cuando el 65 por ciento de las solicitudes utiliza un modelo económico que cuesta una vigésima parte del modelo premium, los costes de tokens se reducen entre un 40 y un 60 por ciento, con calidad de resultado equivalente para el uso global. Los detalles sobre la selección de modelos y los perfiles de rendimiento de los modelos actuales se encuentran en el artículo correspondiente de esta serie.

Implementación

Model Switching requiere tres componentes:

1. Motor de enrutamiento: Una lógica central que analiza las solicitudes entrantes y las dirige al modelo adecuado. Puede implementarse de forma basada en reglas (detección de palabras clave, rol de usuario, clasificación de datos) o basada en modelos (un pequeño modelo de clasificación evalúa la complejidad).
2. Registro de modelos: Un directorio central de todos los modelos disponibles con sus perfiles de rendimiento, costes y disponibilidad.
3. Monitorización de costes: Un dashboard que hace transparente el consumo de tokens por modelo, por equipo y por caso de uso. Sin transparencia no hay optimización.

El esfuerzo de implementación de Model Switching es manejable, típicamente de dos a cuatro semanas. El ahorro comienza inmediatamente.

Planificación presupuestaria: tres recomendaciones

Primero: planifique con TCO, no con precios de tokens. Cuando un proveedor le presenta los costes de tokens, falta al menos el 65 por ciento del presupuesto. Exija un cálculo TCO que cubra las cuatro categorías.

Segundo: empiece con un PoC, pero planifique la escalación. Un PoC de 15.000 a 30.000 euros demuestra el valor. Pero la arquitectura del PoC debe construirse de forma que escale sin reconstrucción. De lo contrario, paga los costes de integración dos veces.

Tercero: implemente Model Switching desde el principio. La capa de enrutamiento tiene un coste puntual bajo y ahorra de forma continua. Quien enruta de forma diferenciada desde el inicio evita el lock-in a un único modelo y mantiene el control de costes.

Gosign construye infraestructura de IA con estructura de costes transparente, desde el análisis TCO hasta la operación productiva. Si quiere saber cuánto cuesta la IA en su configuración concreta, hable con nosotros.

Agendar reunión. 30 minutos para calcular sus costes de forma realista.

Bert Gogolin

Director General, Gosign

AI Governance Briefing

IA empresarial, regulación e infraestructura - una vez al mes, directamente de mi parte.

Dirección de emailSuscribirse

Sin spam. Cancelable en cualquier momento. Política de privacidad