Durante los últimos dos años hemos escuchado el mismo discurso:
“La IA reemplazará millones de empleos.”
“Las empresas serán mucho más eficientes.”
“Podrás hacer el trabajo de dos o tres personas.”
Y, siendo honesto, parte de eso ya está ocurriendo. Yo mismo no habría podido construir NeuraPRO en el tiempo que lo hice sin Claude, Cursor, GitHub Copilot y ChatGPT. Hoy utilizo IA todos los días en una multinacional para automatizar procesos, desarrollar herramientas internas y gestionar proyectos. Además, llevo meses estudiando cómo funciona por dentro: agentes, MCP, Skills y Subagents.
Cuanto más aprendo, más convencido estoy de que estamos viviendo una revolución tecnológica comparable a la llegada de Internet. Pero también empiezo a creer que estamos mirando el problema desde el ángulo equivocado.
No es la capacidad. No es la seguridad. No es la calidad de los modelos.
Es algo mucho más simple:
¿Quién paga la factura?
Cuando la IA deja de ser una demo
Hace unos meses tuvimos acceso prácticamente libre a Claude en mi trabajo. Y ocurrió exactamente lo que uno esperaría: empezamos a construir. Mucho.
En mi caso desarrollé un Planner completamente integrado con Jira, Confluence y nuestro portal interno. Hoy puedo crear proyectos completos, mantener dependencias entre tareas, reorganizar calendarios sin romper la planificación, asignar ingenieros, crear tareas automáticamente, actualizar Jira con un clic, calcular esfuerzo, medir el avance global y exportar la planificación para compartirla con otros equipos.
Todavía tiene muchísimo por mejorar, pero ya resuelve problemas reales. Y probablemente termine utilizándose mucho más allá de mi equipo.
Después cambió todo
Con el paso de las semanas empezaron a aparecer límites: charlas internas, buenas prácticas, correos recomendando optimizar prompts, utilizar modelos más económicos cuando fuera posible y pensar antes de lanzar consultas complejas.
Y ahí entendí algo.
No era un problema técnico. La IA seguía funcionando exactamente igual. No era un problema de seguridad.
Era un problema de costes.
Y creo que muchas empresas hicieron exactamente lo mismo: primero dejaron que los equipos experimentaran libremente y después analizaron los datos. ¿Cuánto se utilizó? ¿Cuánto tiempo realmente se ahorró? ¿Cuánto costó?
Si yo hubiera tenido que tomar esa decisión como responsable tecnológico, probablemente habría hecho exactamente lo mismo. Porque no existe una mejor forma de entender una tecnología que verla funcionando en producción.
No es solo una percepción
Mi experiencia no parece ser un caso aislado.
Durante los últimos meses han aparecido varios informes mostrando que muchas empresas están empezando a controlar el consumo de IA mucho más de cerca. Algunos estudios indican que cada vez más organizaciones están imponiendo presupuestos, cuotas de uso o promoviendo modelos más económicos porque el coste operativo está creciendo mucho más rápido de lo esperado.
Al mismo tiempo, compañías como Microsoft, Google, Meta, OpenAI y Anthropic siguen anunciando inversiones de decenas de miles de millones de dólares en infraestructura para poder soportar la demanda creciente de modelos de IA.
La tecnología avanza, pero hacerla funcionar sigue siendo extraordinariamente caro.
Hagamos un ejercicio simple
Imaginemos una empresa con 5.000 empleados. No todos desarrollan software; muchos simplemente utilizan IA para su trabajo diario: leer documentación, preparar presentaciones, resumir reuniones, analizar contratos, consultar procedimientos internos, escribir código o responder correos.
Ahora imaginemos que cada uno realiza solo 20 consultas relevantes al día. No preguntas simples, sino consultas donde la IA debe leer documentación, entender tickets de Jira, revisar páginas de Confluence, analizar archivos, utilizar herramientas mediante MCP o razonar antes de responder.
Cada una consume contexto, procesamiento y tokens.
Multiplica eso por cinco mil personas, después por veinte días laborales y luego por doce meses.
De pronto la IA deja de ser simplemente una herramienta de productividad. Se convierte en una nueva línea de gasto que puede representar millones de dólares al año.
Y esa cuenta sigue creciendo a medida que utilizamos agentes cada vez más sofisticados.
Los agentes son impresionantes…
…pero también consumen muchísimo.
En los últimos meses he estado estudiando con más profundidad cómo funcionan los agentes modernos, no solo desde el uso práctico, sino también desde lo que ocurre detrás.
Un agente no hace una sola consulta: lee documentación, consulta Jira, busca información en Confluence, invoca herramientas mediante MCP, consulta otros agentes especializados, razona, vuelve a consultar, genera tareas y valida resultados.
Cada uno de esos pasos vuelve a consumir tokens. Muchos más de los que la mayoría imagina.
Como ingeniero me parece increíble.
Como Project Manager inevitablemente pienso otra cosa:
¿Es sostenible cuando toda una organización empieza a trabajar así todos los días?
¿Es realmente más barato que una persona?
Esta es probablemente la pregunta que más me hago últimamente.
Durante mucho tiempo escuché una idea que parecía evidente:
“Será mucho más barato reemplazar personas por IA.”
Hoy ya no estoy tan seguro.
No porque la IA no sea capaz —lo es—, sino porque la duda está en otra parte.
Si un ingeniero experimentado resuelve una tarea en una hora, el coste es conocido. Si un agente necesita analizar cientos de páginas de documentación, recorrer tickets, consultar varias herramientas, razonar durante varios minutos y generar un resultado, el coste también existe. Y todavía estamos aprendiendo cuál de los dos modelos resulta más rentable según el tipo de trabajo.
Creo que ahí está el verdadero debate: no preguntarnos únicamente qué puede hacer la IA, sino cuánto cuesta hacerlo millones de veces cada día.
El mayor aprendizaje que me dejó todo esto
Curiosamente, el mejor resultado que obtuve no fue hacer más preguntas, sino dejar de necesitarlas.
Construir mi Planner consumió muchísimos tokens, pero ahora que existe, gran parte de ese coste desapareció. La lógica quedó implementada. Ya no necesito preguntarle constantemente a un modelo cómo reorganizar tareas o calcular dependencias: el sistema simplemente lo hace.
Y eso cambió completamente mi forma de ver la IA.
Quizás el mayor valor no esté en conversar eternamente con un modelo.
Quizás esté en utilizar esa inteligencia para construir herramientas que después funcionen casi solas.
Mi reflexión
No creo que estemos viviendo una burbuja tecnológica. La IA funciona. Lo veo todos los días. La utilicé para construir NeuraPRO, la utilizo en mi trabajo y sigo estudiándola porque estoy convencido de que cambiará la forma en que trabajamos.
Pero sí creo que estamos viviendo una etapa donde las expectativas van más rápido que la realidad. Hoy hablamos mucho de reemplazar personas y muy poco de costes, de retorno de la inversión o de sostenibilidad.
Y cada vez me pregunto más cómo evolucionará el trabajo humano en este nuevo escenario. Cómo encontraremos el balance entre productividad, tecnología, costes y personas.
Porque una cosa es demostrar que la IA puede hacer un trabajo. Otra muy distinta es demostrar que puede hacerlo todos los días, para miles de personas, durante años, con un coste que una empresa esté dispuesta a asumir.
Quizás por eso cada vez vemos más organizaciones promoviendo modelos más pequeños, optimizando prompts, estableciendo presupuestos y enseñando a gastar menos tokens.
No porque la IA haya fracasado.
Todo lo contrario.
Porque por primera vez dejó de ser una demostración y empezó a utilizarse de verdad.
La siguiente revolución de la IA ya no dependerá solo de crear modelos más inteligentes.
Dependerá de hacer que esa inteligencia sea económicamente sostenible.
Y esa, probablemente, será la innovación más importante de todas.
Lecturas relacionadas:
- NeuraPRO: mi MVP funcionaba, mis clientes no
- Cuando Jira no alcanza
- ¿Estamos entrando en una crisis laboral silenciosa?
✍️ Claudio from ViaMind
“Atrévete a imaginar, crear y transformar.”
POST DESTACADOS
SOBRE MI
Ecosistema ViaMind
- ViaMind — El núcleo de ideas, tecnología y estrategia.
- NeuraPRO — Software práctico para gestionar operaciones reales.