Una mañana de lunes de mayo de 2026, el CTO de una mediana empresa abre el panel de facturación de Anthropic y se queda helado. En su primer día con tarificación por tokens, el gasto en IA se ha multiplicado por siete. Sus palabras textuales: «Hemos creado un monstruo».
No es ficción. Es uno de los casos reales recogidos por el periodista del Financial Times Jamie John y otros colegas. Antes, la empresa pagaba 200$ por usuario al mes y los ingenieros llamaban a Claude sin límites. Con la nueva facturación por tokens, el mismo uso produjo una factura descomunal. La reacción del CTO fue instintiva: recortar presupuestos, restringir el acceso y preguntarse si cada línea de código generada por IA merecía realmente ese precio.
No es el único. En los últimos dos meses, desde las Fortune 200 hasta las startups de IA más agresivas de Silicon Valley, CTOs y CFOs han empezado a hacer la misma cuenta: ¿el output de la IA cubre su factura?
1. La máquina de subsidios: quemando entre 40 y 70 veces lo que pagas
David Rosenthal (alias «dshr»), en su artículo AI’s Affordability Crisis del 23 de junio, resume el modelo de negocio de las plataformas de IA como un «algoritmo de camello»: el primer gramo es gratis, y cuando estás enganchado, sube el precio. La metáfora no es elegante, pero los datos la respaldan.
SemiAnalysis hizo una prueba de estrés: ¿cuántos tokens puede consumir un usuario con una suscripción de 200$ al mes? Respuesta: Claude de Anthropic quema hasta 8.000$, y ChatGPT de OpenAI llega a 14.000$. Es decir, los subsidios ocultos que reciben los clientes empresariales son de 40x y 70x respectivamente.
El tamaño del agujero también se mide desde las cuentas. Los datos financieros de OpenAI en 2025 —filtrados por el periodista Ed Zitron— muestran: ingresos de 13.070 millones de dólares, costes y gastos totales de 34.000 millones, y unas pérdidas operativas de 20.920 millones. Entre esas pérdidas hay 41.550 millones no monetarios derivados del «cambio de valor razonable al pasar de entidad sin ánimo de lucro a entidad con ánimo de lucro», pero incluso descontando esa partida, las pérdidas operativas reales rondan los diez mil millones.
Un detalle que escuece: OpenAI dedicó el 44% de sus ingresos (5.730 millones) a ventas y marketing. Y a ese nivel de inversión, la adopción empresarial sigue aplanándose.
Estos números admiten dos lecturas opuestas. La pesimista: si regalas el producto y aun así no lo quieren, ¿qué te hace pensar que funcionará subiendo el precio? La optimista —defendida por varios usuarios de HN— sostiene que ese 44% en marketing demuestra justo lo contrario: el mercado aún necesita educación, y cuando la curva de adopción cruce el punto crítico, el peso del marketing bajará solo. Quién lleva razón: no hay veredicto.
2. El frenazo colectivo de las empresas
El usuario de HN «burningChrome» aporta perspectiva de primera línea. Trabaja en una Fortune 200 que recorrió el arco de adopción estándar: los tres primeros meses fueron el «Lejano Oeste» —todos los equipos usando cualquier LLM sin control, algunos incluso cancelaron contratos de SaaS porque con herramientas caseras de IA «sentían que el coste era cero»—. Luego la empresa firmó contratos corporativos con Anthropic y Google. Un mes después, dirección vio el consumo de tokens y cortó el acceso a Claude y Gemini. ¿Quieres recuperarlo? Rellena varios formularios, pasa por múltiples niveles de aprobación y presenta un caso de negocio sólido. Ah, y antes ponte a la cola con otros miles de empleados.
«La empresa está en modo control de daños. Alguien vio la factura y decidió cerrar la fiesta». Su resumen es conciso y letal.
No es un caso aislado. Varios comentaristas de HN describen trayectorias casi idénticas. Un usuario señala que los departamentos de TI han empezado a bombardear con correos recordando a los desarrolladores que «los modelos baratos ya son suficientes», mientras imponen topes de tokens o de gasto para los modelos premium. Otro, que trabaja con clientes Fortune 100, observa un patrón emergente: las empresas asignan a los desarrolladores un presupuesto mensual de IA de 500$ y exigen demostrar incrementos de productividad medidos en entregables —no en líneas de código—.
No voy a juzgar si estas medidas son razonables o no. Pero sí confirmo un hecho a nivel de ingeniería: cuando la decisión de compra pasa de «úsalo y luego vemos» a «demuéstrame el ROI primero», la balanza del poder de fijación de precios se está deslizando de los vendedores hacia los compradores.
3. La otra cara: igual la IA sí vale lo que cuesta
Antes de decir que «la IA es demasiado cara», conviene establecer la referencia. Algunos comentaristas de HN lanzan contraargumentos sólidos.
«travisb» hace una cuenta distinta: la IA es el «contratista definitivo» —disponible bajo demanda, sin tiempos muertos, sin procesos de contratación, sin negociar contratos—. Un ingeniero humano en Estados Unidos, con coste totalmente cargado (salario + beneficios + oficina + gestión), ronda los 95$ por hora. Si la IA puede sustituir de forma equivalente el output humano en un abanico amplio de tareas, pagar más de 200$ por hora sigue siendo económicamente racional. «Con ese nivel de utilización, las cuentas de los proveedores de IA tendrían mucha mejor pinta».
«qurren» es aún más directo: «Si un ingeniero cobra X al año y la IA le ayuda a producir el triple, la empresa debería estar encantada de pagar hasta 2X en costes de IA». Pero en la práctica observa justo lo contrario: muchas empresas se quejan cuando el gasto en IA apenas roza el 0,1X.
Esta asimetría sugiere dos posibilidades: o las empresas no confían en la contribución real de la IA a la productividad, o están jugando al póker —quedarse con las ganancias de productividad mientras esperan que el proveedor siga quemando dinero en subsidios—.
Hay además una aclaración contable importante. El usuario de HN «raincole» señala que de los 38.500 millones de pérdidas netas de OpenAI en 2025, unos 30.000 millones corresponden a un «tratamiento contable único» por la conversión de sin ánimo de lucro a entidad lucrativa. Descontando esa partida, la pérdida operativa real es mucho menor, y los objetivos internos apuntan a rentabilidad en 2026. Esto implica que los datos de 38.500 millones que citaba dshr quizás exageran la magnitud de las pérdidas recurrentes.
La perspectiva inversora también se está fracturando. Un usuario de HN que dice venir del sector de gestión patrimonial observa que en los últimos meses las conversaciones con clientes han pasado de «cómo subirnos al tren de la IA» a «cómo proteger el patrimonio cuando la IA reviente». Otro usuario cuestiona inmediatamente la credibilidad de la fuente: «¿Trabajas en una oficina de gestión patrimonial o estás repitiendo lo que has oído?». La pregunta en sí misma deja al descubierto lo borrosa que es la frontera entre «narrativa» y «hecho» en el debate económico actual sobre la IA.
4. ¿La grieta está en la tecnología o en la cuenta de resultados?
Un dato clave del artículo de dshr viene del Financial Times y Panmure Liberum: asumiendo el escenario más optimista de «coste cero» —calculando solo el retorno de ingresos frente a inversión en capital—, la rentabilidad implícita de las inversiones en IA de los cinco grandes hyperscaler es: Microsoft -9,2%, Alphabet -15,7%, Amazon +7,2%, Meta -28,8%, Oracle -35,6%. Solo Amazon sale en positivo, y por los pelos.
Estas cifras necesitan dos capas de contexto. Primera: asumen coste operativo cero, lo que subestima brutalmente la profundidad real de las pérdidas. Segunda: miden el retorno de «lo ya invertido» frente a «los ingresos actuales» —si los ingresos futuros crecen de forma masiva (por un salto en las capacidades de los modelos o por una subida de precios), los números podrían reescribirse—. Qué escenario es más probable depende de si crees que la curva de ingresos puede alcanzar a la curva de inversión.
Will Lockett hizo un cálculo muy simplificado: supongamos que el sector de la IA acumula unos 3 billones de dólares de deuda en los próximos años, al 3% de interés y a 10 años. Solo el servicio de la deuda exigiría 309.000 millones de beneficio anual. Con la hipótesis generosa de un margen del 10%, paridad de coste con la mano de obra humana, y capacidad de realizar la mayoría de tareas laborales, cada puesto sustituido aportaría unos 6.600$ de beneficio anual al proveedor de IA. Entonces, solo para pagar la deuda haría falta sustituir 46,8 millones de empleos en EE.UU., aproximadamente el 27% del empleo actual.
Apunto dos correcciones de ingeniería. Una: el coste total para el empleador no es solo el salario, incluye cotizaciones, seguro médico, espacio de oficina, etc. Según la Oficina de Estadísticas Laborales de EE.UU., los beneficios representan alrededor del 30,1% del coste total del empleador, lo que eleva el beneficio equivalente por puesto a unos 9.500$ y reduce los puestos a sustituir a 32,5 millones. Dos: todo este cálculo asume que la IA alcanza una capacidad equivalente a la humana —y un estudio del MIT de 2024 muestra que en el 77% de los escenarios, usar humanos sigue siendo mejor que usar IA—. Las incertidumbres van en direcciones opuestas y no se cancelan entre sí.
5. Código abierto y bajadas de precio: dos posibles salidas
En la discusión de HN emergen dos variables que podrían debilitar la narrativa de crisis.
La primera es el impacto del código abierto. «tacone» señala que el duopolio OpenAI-Anthropic carece por naturaleza de presión competitiva en precios, mientras que los modelos chinos y open source compiten de verdad en esa dimensión. Modelos como GLM 5.2 están acercándose al rendimiento de los modelos frontera a costes mínimos. Un usuario plantea la pregunta ingenua: ¿por qué gastar 8.000$ al mes en Claude cuando puedes comprar una máquina AMD o un Mac Mini por el equivalente a un mes y ejecutar modelos abiertos de nivel similar?
El punto ciego de esta lógica es la latencia y el throughput. Como señala «wqatwt»: la inferencia por lotes en la nube es mucho más eficiente que la inferencia local en una sola máquina —más allá del coste del hardware, la latencia y el throughput son igual de críticos—. Para aplicaciones con agentes sensibles a la latencia, el despliegue local no es necesariamente más económico.
La segunda variable es la posibilidad de que las plataformas bajen los precios por iniciativa propia. El artículo de dshr cita a Sam Altman diciendo que el coste se ha convertido en un «problema enorme» para los clientes y que OpenAI está considerando recortes «significativos» para plantar cara al liderazgo de Anthropic en el mercado empresarial. Por su parte, Anthropic anunció en junio una «pausa» en los cambios de tarificación por tokens de su Agent SDK —pisó el freno justo antes de que la subida entrara en vigor—. Pero detecto una tensión lógica: si bajar precios es comercialmente viable, ¿por qué ambos han esperado hasta la víspera de la IPO para planteárselo? Si no lo es, esto se parece más a una concesión táctica para «mantener la narrativa de crecimiento hasta que se complete la IPO».
6. La tercera vía de la crisis
El usuario de HN «woeirua» ofrece un marco que esquiva el plano de los «costes técnicos»: «En el fondo esto es un problema de viabilidad financiera. Los modelos se están abaratando a una velocidad brutal —el año que viene Fable 5 costará menos que Sonnet hoy—. El problema no está ahí. El problema es que muchas empresas descubrirán que simplemente no obtienen ROI de la IA. Producir código más rápido no significa más beneficios. La mayoría de las ideas empresariales ya son malas de por sí —implementar ideas malas más rápido con IA no genera crecimiento de beneficios—».
Esta perspectiva traslada el debate del «plano técnico» al «plano de aplicación». Sugiere que, incluso si el coste de inferencia cayera a cero, la sostenibilidad económica de la IA seguiría en duda —porque el cuello de botella de la extracción de valor está en la calidad de la demanda misma—.
El testimonio del usuario «gexla» refuerza esta sospecha: «Cada vez que veo el indicador de coste en la herramienta y me acuerdo de que igual estoy haciendo algo inútil, caigo en la cuenta de que probablemente todo el mundo está haciendo lo mismo. Gastando dinero imaginario para construir valor imaginario. Luego abro las redes sociales y veo una muralla interminable de contenido generado por IA hablando sobre habilidades, sistemas, agentes y el ‘wiki-sistema Karpathy’ para fabricar más cosas inútiles».
Es una inquietud de orden casi existencial. Pero conviene reconocer que puede ser un sesgo de superviviente: quienes están creando valor de verdad igual no vienen a HN a debatir sobre costes.
Sobre hacia dónde va esto, el mar de datos está lleno de señales contradictorias. La inversión en infraestructura de IA de los grandes hyperscaler alcanzará en 2026 los 725.000 millones de dólares, un 36% más interanual. Al mismo tiempo, los frenos presupuestarios de los clientes empresariales ya están activados, pasando del «uso ilimitado» a la «asignación por ROI». Estas dos tendencias no pueden convivir eternamente: o la inversión demuestra que merece la pena y los ingresos aceleran para alcanzarla, o nos espera un ajuste de cuentas brutal vía descubrimiento de precios.
A quién creer y a quién no depende de cómo respondas a una pregunta central: cuando se acaben los subsidios y las empresas dejen de actuar por «miedo a perdérselo» y empiecen a actuar por «miedo a perder dinero», ¿quedará en pie una herramienta de productividad revolucionaria o habrá sido una clásica mala asignación de capital?
No es una pregunta que yo pueda responder. Pero es la pregunta que todo el que siga este sector debería seguir haciéndose.
El análisis anterior se basa en información pública y discusiones de la comunidad. Si tienes una perspectiva diferente o información adicional, eres bienvenido al debate.