La inteligencia artificial ha demostrado su capacidad para automatizar procesos, acelerar la toma de decisiones y mejorar la productividad. Sin embargo, a medida que las organizaciones avanzan desde los proyectos piloto hacia implantaciones a gran escala, el desafío ya no es únicamente tecnológico, sino económico. Así lo confirma David Villalón, CEO y cofundador de Maisa, quien advierte de que la rentabilidad se ha convertido en el principal condicionante para extender el uso de la IA dentro de las empresas. En su análisis, señala que muchas organizaciones siguen abordando estos proyectos con estrategias que disparan los costes y dificultan obtener un retorno claro de la inversión.
Los datos reflejan esta realidad. El informe 2025 State of AI Cost Management, elaborado por Mavvrik y Benchmarkit, indica que el 80 % de las empresas ha registrado desviaciones superiores al 25 % respecto a sus previsiones de gasto en IA, mientras que casi una de cada cuatro reconoce haber subestimado esos costes en más de un 50 %. A ello se suma que, según un estudio de la iniciativa NANDA del MIT, el 95 % de los pilotos de IA generativa no llega a traducirse en beneficios empresariales tangibles y cuantificables.
Para Villalón, detrás de esta falta de rentabilidad suelen repetirse tres errores. El primero se produce al recurrir a los modelos de IA más avanzados, incluso para tareas que podrían resolverse mediante sistemas más simples. Esta práctica incrementa el consumo de infraestructura y hace que los costes crezcan a medida que aumenta el volumen de uso, en ocasiones por encima del valor que la propia tecnología es capaz de generar. En su opinión, el reto ya no consiste en disponer de modelos cada vez más potentes, sino en utilizarlos de forma inteligente.
El segundo problema aparece cuando las organizaciones intentan trasladar directamente a producción proyectos piloto diseñados para entornos muy controlados. Durante las pruebas iniciales, los costes suelen ser reducidos y el número de usuarios limitado, pero la situación cambia cuando la IA comienza a utilizarse de forma masiva. En ese momento surgen excepciones, reintentos, procesos con múltiples pasos de razonamiento y un volumen de operaciones muy superior al previsto. Además, la IA generativa introduce un factor adicional ya que sus costes son variables y dependen de la complejidad de cada consulta. Esta característica dificulta tanto la planificación financiera como la estimación del retorno de la inversión. Como consecuencia, algunas empresas optan por restringir el acceso a determinadas herramientas para contener el gasto, limitando así el impacto transformador que pretendían alcanzar.
El tercer error identificado por el CEO de Maisa es diseñar procesos completos alrededor de un único modelo de inteligencia artificial. Según explica, esta estrategia obliga a utilizar capacidades avanzadas de razonamiento durante todas las fases del proceso, incluso en tareas repetitivas o de escasa complejidad que podrían ejecutarse mediante soluciones mucho más eficientes desde el punto de vista económico.
Frente a esto, Villalón plantea un cambio de enfoque. En lugar de centrar la estrategia en seleccionar el mejor modelo disponible, propone optimizar previamente los procesos. La idea pasa por dividir los flujos de trabajo en tareas concretas y asignar a cada una la tecnología más adecuada. De esta forma, los modelos de mayor capacidad quedarían reservados para aquellas actividades donde realmente aportan valor, mientras que el resto del proceso podría apoyarse en modelos especializados más pequeños, automatizaciones tradicionales o sistemas basados en código. El resultado sería una estructura más eficiente, capaz de contener el crecimiento de los costes conforme aumenta el uso de la IA. Este planteamiento también aporta una mayor flexibilidad tecnológica. Al desacoplar los procesos de un modelo concreto, las organizaciones pueden incorporar nuevas soluciones, combinar diferentes tecnologías o sustituir modelos existentes sin necesidad de rediseñar completamente sus operaciones.
En un momento en el que las empresas buscan convertir la inteligencia artificial en una herramienta de uso cotidiano, la eficiencia operativa empieza a perfilarse como el factor decisivo para lograr que el despliegue masivo de esta tecnología sea también sostenible desde el punto de vista económico.
