Evitar costes de la IA en la empresa
La acelerada implantación de la inteligencia artificial en las corporaciones se está dando de bruces frente un obstáculo financiero.
Reconocidas figuras del sector, como Sam Altman, ya advierten que los presupuestos destinados a IA suponen un "enorme problema", mientras que gigantes tecnológicos se plantean cancelar licencias de modelos de terceros al no poder afrontar su coste, y empresas de movilidad están agotando su presupuesto anual de IA en pocos meses.
Para entender este escenario y lograr que los proyectos tengan un retorno de inversión (ROI) positivo, David Villalón, cofundador y CEO de la tecnológica Maisa, disecciona las causas de esta crisis y plantea algunas soluciones estructurales.
Los 3 grandes errores en la adopción de la IA
Villalón advierte que las facturas insostenibles y poco predecibles al pasar de una prueba piloto a producción real son fruto de una estrategia equivocada. Nueve de cada diez líderes empresariales ya no se preguntan qué puede hacer la IA, sino cómo se compara el coste de implementarla con el coste del método tradicional al que pretende sustituir, puesto que ningún director financiero aprobaría un sistema que cuesta 100 veces más por mejores que sean los resultados. Resolver la ecuación del ROI es la próxima gran barrera que debe superar el sector.
Estos son los tres errores críticos:
Error 1: Gestión reactiva del coste
El problema de muchas empresas es que operan bajo la falsa creencia de que la IA se puede gestionar como el almacenamiento en la nube (cloud): se lanza el producto, se monitoriza la factura y se optimiza después; pero la realidad es que la IA probabilística rompe este modelo. Los reintentos, tareas complejas y casos extremos en entornos de producción disparan los costes de la IA respecto a los entornos limpios de las pruebas piloto. Por este motivo, las empresas carecen de un coste unitario fiable y acaban descubriendo el ROI real "por las malas" tras gastar el presupuesto del año en un solo trimestre.
Error 2: Pagar "por token" en tareas rutinarias
Otro de los errores comunes de las empresas es utilizar modelos de IA gigantes, costosos y de propósito general para tareas rutinarias, pagando un "peaje" constante por token a proveedores externos que controlan los precios. La industria ha intentado mitigarlo con herramientas de enrutamiento (routing), pero estas solo deciden qué modelo responde y no cambian la manera en la que se ejecuta el trabajo.
Error 3: Racionar el uso como única salida
En muchos casos, y ante el miedo a enfrentar costes impredecibles, los directivos limitan quién accede a la IA y para qué. Es decir, limitan su uso. Sin embargo, limitar el uso es solo una forma de postergar y ralentizar la adopción de esta tecnología. Un presupuesto fijo necesita operar con números conocidos. La barrera no es que el coste sea alto, sino que es incierto.
La solución: cambio estructural para reducir costes
Para que la adopción masiva sobreviva, Villalón propone cambiar la arquitectura subyacente mediante la creación de agentes de IA gestionados por una tecnología propia: la Knowledge Processing Unit (KPU).
A diferencia de los enrutadores, la KPU es agnóstica, se sitúa por encima de los modelos y desglosa el flujo de trabajo en pasos discretos respaldados por código. El éxito radica en un proceso de eficiencia en dos fases:
1. Validación: se usan los grandes modelos de frontera al inicio para asegurar la máxima precisión y capturar una "traza" determinista de cómo realizar la tarea perfectamente.
2. Destilación y soberanía: a partir de miles de registros de estas ejecuciones perfectas, Maisa entrena un modelo de IA más pequeño, rápido y especializado (SLM). La gran ventaja es que este nuevo modelo pasa a ser propiedad del cliente, quien lo instala y ejecuta en sus propios servidores para tener el control total.
El ROI de la destilación en entornos reales
Los datos extraídos de un caso real en el que Maisa ha aplicado este modelo de destilación en el sector bancario, concretamente en el ciclo de concesión de préstamos para automóviles, demuestran el impacto de esta fórmula en entornos regulados de alto volumen.
Caso de Estudio: Sector bancario (concesión de préstamos para automóviles)
Reducción de coste total:
- Coste inicial por documento procesado con modelo generalista (LLM): 5,25 $
- Coste optimizado con modelo destilado de Maisa (SLM): 0,51 $
- Resultado: reducción x10 veces el coste operativo (aprox. 90%)
Ahorro técnico por tokens:
- Tokens de entrada: Caída de 0,75 $ a 0,13 $ por millón (5,8 veces menos)
- Tokens de salida: Desplome de 4,50 $ a 0,38 $ por millón (casi 12 veces menos)
Expansión del talento humano (no reemplazo):
- Los agentes de IA asumen el trabajo cognitivo repetitivo, como revisar identidades, pólizas e ingresos.
- Los analistas humanos recuperan su tiempo para centrarse exclusivamente en excepciones y tareas de alto juicio analítico.
