FinOps para agentes de AI: por qué medir horas ya no alcanza

En 2024, el 31% de los practicantes de FinOps era responsable de gestionar gasto de AI. Hoy es el 98%.

Es la adopción más rápida de una responsabilidad nueva que registró esa disciplina, y llegó sin manual. La función que pasó una década construyendo prácticas para gobernar infraestructura cloud recibió una estructura de costos que no se parece a la anterior: consumo por token, variable por interacción, y con un comportamiento que ninguna planilla de licencias anticipa.

Para una empresa de tecnología el problema tiene una capa más, y es la que casi no se está discutiendo: en una consultora de IT o una fábrica de software, el gasto en AI no es overhead. Es costo de entrega de un proyecto de un cliente. Y ningún playbook de FinOps está escrito para eso.

Durante dos décadas el software empresarial se presupuestó por asiento. Costo fijo por usuario, previsible, modelable, comparable año contra año. Finanzas sabía cuánto iba a costar antes de que se usara.

El consumo agéntico rompe las tres propiedades.

No es lineal. Según el análisis de Gartner de marzo de 2026, los workloads agénticos consumen entre 5 y 30 veces más tokens por tarea que una consulta conversacional estándar. La razón es estructural: un agente no responde una vez. Planifica, llama herramientas, valida su propio output y reintenta la cadena cuando un paso falla. La investigación de McKinsey de julio de 2026 pone número a esa mecánica: cerca del 60% del costo de una tarea agéntica corresponde a refinar la respuesta, no a producirla. Reintentos, re-prompts, loops de validación.

No es previsible por usuario. Dos personas con el mismo acceso pueden diferir en tres órdenes de magnitud de consumo según qué le pidan. El mismo asiento, la misma licencia, un costo completamente distinto.

Y no se corrige solo con precios. Acá está la objeción que todo CTO plantea, y conviene tenerla resuelta: los tokens se están abaratando muy rápido. La investigación de Epoch AI sobre economía de inferencia muestra que, a un nivel fijo de capacidad, el costo por token cae entre 5 y 10 veces por año. Es cierto y no alcanza. El precio unitario baja; la cantidad de unidades por tarea sube más rápido. La factura crece igual.

Por eso la métrica útil no es costo por token. Es costo por tarea completada con éxito. Y hay una razón adicional para evitar la primera: optimizar costo por token premia usar menos AI, que no es el objetivo de nadie.

Los dos casos más documentados del año no son historias de descontrol. Son historias de estructuras de costos que se comportaron de una forma que el modelo financiero no contemplaba.

Uber habilitó un agente de código a unos 5.000 ingenieros en diciembre de 2025. La adopción pasó de 32% a 84% del equipo en cuatro meses. En abril de 2026 el presupuesto anual completo de AI estaba consumido.

El segundo es más específico y más útil como advertencia. Según reportó el Financial Times, Amazon detectó internamente varios sobrecostos severos en implementaciones de AI generativa. El caso más grave fue una tarea de cruce de datos aparentemente simple —vincular información de autores con listados de producto— que terminó con una factura cercana a USD 1,8 millones: 860% por encima del presupuesto del proyecto. La anomalía no se detectó hasta casi cinco meses después. Otros dos proyectos acumularon USD 541.000 y USD 134.000 de gasto imprevisto. La observación que dejaron los ingenieros de la compañía es la que vale para cualquier empresa: errores de código que un programador corrige prácticamente sin costo se vuelven catastróficamente caros cuando los ejecuta un modelo en loop.

Cinco meses. Ese es el dato. No el monto.

Todo el contenido disponible sobre FinOps para AI está escrito para el mismo lector: alguien que administra el presupuesto de tecnología de una empresa que consume tecnología. Ahí el gasto en AI es un costo de operación, se compara contra un presupuesto anual y se discute en el comité de IT.

En una consultora de IT o una fábrica de software la posición es otra. El gasto agéntico ocurre adentro de proyectos de clientes, con fecha de inicio, alcance comprometido y un margen esperado. Es costo de venta, no gasto de estructura. Y eso cambia tres cosas:

La unidad de ingreso y la unidad de costo se separaron. Estas empresas facturan en horas, en FTEs o a precio cerrado. Ahora una parte creciente del costo de entrega se consume en tokens, que no tienen ninguna relación con las horas cargadas. Si solo se mide una de las dos, el margen por proyecto está mal calculado por un monto desconocido. No subestimado: desconocido, que es peor para tomar decisiones.

El desvío es atribuible, y ahí está la buena noticia. A diferencia del gasto cloud compartido, que requiere modelos de asignación discutibles, el consumo agéntico de un proyecto se puede etiquetar por proyecto, por cliente y por modelo de cobro desde el primer día. La capacidad técnica existe. Lo que falta es la decisión de hacerlo y el lugar donde registrarlo.

La base histórica de estimación quedó vieja. Se estima con el histórico de proyectos parecidos, y ese histórico se construyó con una operación sin consumo agéntico y sin horas dedicadas a validar output generado. En modelos a precio cerrado el efecto es inmediato: la referencia con la que se cotiza describe una forma de trabajar que ya no es la actual.

Hay un dato de la encuesta que DoiT encargó a Sapio Research en febrero de 2026 —500 líderes de finanzas en organizaciones de más de 1.000 empleados en Estados Unidos y Reino Unido— que explica buena parte del problema en una línea.

Consultados sobre quién es responsable del gasto en AI, el 55% lo ubicó en tecnología y el 53% en finanzas. La suma pasa el 100%, que en la práctica significa que no es de nadie. Cada área asume que la otra lo está mirando.

El mismo estudio encontró que el 79% de las organizaciones tuvo sobrecostos de AI en los últimos doce meses, y que solo el 15% puede calcular retorno de AI sin fricciones significativas. Y trae un hallazgo contraintuitivo que vale citar completo porque desarma una lectura fácil: las organizaciones que se autoevalúan como maduras en FinOps reportan más sobrecostos, no menos —89% contra 69% en las de etapa inicial, con un desvío promedio de 30,9% contra 16,1%—. No es que controlen peor. Es que miden, y por eso ven el desvío que las otras están teniendo con las luces apagadas.

La encuesta de KPMG del segundo trimestre de 2026, sobre 204 líderes de empresas estadounidenses con facturación superior a USD 1.000 millones, completa el cuadro: solo el 26% tiene visibilidad completa y en tiempo real de lo que cuesta operar sus sistemas de AI.

La conversación de descuento. Ya aparece en el segmento: el cliente pide una rebaja porque "ahora ustedes usan AI". Es una negociación perdida de antemano si la empresa no puede responder qué le costó realmente entregar. Del lado del cliente hay una intuición razonable, el trabajo se hizo más rápido. Del lado de la empresa hay un costo por proyecto que en muchos casos subió, entre consumo agéntico y horas de validación, y no hay dato para ponerlo sobre la mesa.

El modelo de cobro. Por hora, por tarea, por resultado, o híbrido con el trabajo del agente itemizado aparte. Los cuatro son defendibles y cada uno tiene consecuencias distintas sobre el margen. Ninguno se puede elegir con criterio sin datos de costo real por proyecto. Y si la empresa no lo define, lo va a definir el cliente en la próxima renovación.

El proyecto entero. Gartner proyecta que más del 40% de los proyectos de AI agéntica se cancelarán antes de fines de 2027, y la primera causa que enumera no es técnica: son los sobrecostos, junto con valor de negocio poco claro y controles de riesgo insuficientes. Para una empresa que vende implementación de AI a terceros, eso es simultáneamente un riesgo de margen y un riesgo de pipeline.

Etiquetar el consumo por proyecto y por cliente desde el primer día. Es el equivalente a lo que estas empresas ya hacen con horas. Mientras el gasto de AI viva en una línea global de infraestructura, ningún cálculo de rentabilidad por proyecto es real.

Definir un dueño único. No un comité. La responsabilidad natural es de quien tiene el P&L de la unidad de entrega, con finanzas validando. El dato del 55/53 muestra qué pasa cuando la respuesta es "las dos áreas".

Poner techos por corrida, con escalamiento a humano. Presupuesto de pasos y de llamadas a herramientas por tarea, y criterios explícitos de terminación. Un agente que llega a su techo es una señal, no solo un freno. Es también la diferencia entre un sobrecosto de un día y uno de cinco meses.

Rutear por dificultad de tarea, no por defecto. El reflejo de mandar todo al modelo más capaz disponible es la fuente de sobrecosto más común y la más fácil de corregir. Un análisis de más de 2.000 millones de llamadas empresariales a API en 2026 encontró que las organizaciones con arquitectura de modelos por niveles alcanzaron un costo combinado mediano de USD 2,31 por millón de tokens, contra USD 18,40 en las que ruteaban todo a modelos de frontera.

Registrar el costo por tarea junto con la corrección, no después. Cuando se valida un flujo agéntico, el consumo debería quedar registrado al lado del resultado. Un flujo que da la respuesta correcta a diez veces el costo esperado tiene un defecto, aunque funcione.

FinOps nació para responder una pregunta que el cloud hizo urgente: cuánto cuesta esto realmente, y quién lo consumió. Es la misma pregunta que una empresa de tecnología ya se hace todos los meses sobre las horas de su equipo, con la diferencia de que ahora hay una segunda unidad de costo corriendo en paralelo y sin registro.

Y no es un problema de herramientas de medición de tokens, que existen y son buenas. Es un problema de conectar ese consumo con la única vista que le importa a quien tiene el P&L: cuánto dejó cada proyecto, con cada cliente, bajo cada modelo de cobro.

El diagnóstico del segmento era que se mide mal lo que ya se registra. Los agentes agregaron un renglón que no se registra en ninguna parte.

Los tableros de gestión —Jira, Azure DevOps, Linear, GitHub— resuelven bien tickets, sprints y asignación, y nadie los va a cambiar por esto. Ninguno responde la pregunta financiera. El board dice si la tarea avanza. El margen dice otra cosa.

• FinOps Foundation: 98% de los practicantes gestiona gasto de AI, contra 31% dos años antes. AI cost management identificado como prioridad principal de la disciplina para 2026.
• Gartner, análisis de marzo de 2026: los workloads agénticos consumen entre 5 y 30 veces más tokens por tarea que una consulta conversacional estándar.
• Gartner, Hype Cycle de AI 2026: más de 40% de los proyectos de AI agéntica se cancelarán antes de fines de 2027, por sobrecostos, valor de negocio poco claro y controles de riesgo insuficientes.
• McKinsey, investigación sobre gasto agéntico (julio 2026): cerca de 60% del costo de una tarea agéntica corresponde a refinamiento —reintentos, re-prompts y validación—.
• Epoch AI, investigación sobre economía de inferencia (2026): a nivel fijo de capacidad, el costo por token cae entre 5 y 10 veces por año.
• DoiT / Sapio Research (febrero 2026, 500 líderes de finanzas en organizaciones de más de 1.000 empleados en EE. UU. y Reino Unido, ±4,4 pp): 79% con sobrecostos de AI en doce meses; 15% puede calcular retorno sin fricciones; responsabilidad del gasto asignada a tecnología por 55% y a finanzas por 53%; 89% de sobrecostos en organizaciones maduras en FinOps con desvío promedio de 30,9%, contra 69% y 16,1% en las de etapa inicial.
• KPMG, AI Pulse Q2 2026 (204 líderes de empresas estadounidenses con facturación superior a USD 1.000 M): 26% tiene visibilidad completa y en tiempo real del costo de operación de sus sistemas de AI.
• Financial Times (julio 2026): sobrecostos internos de AI en Amazon, incluido un proyecto de cruce de datos con factura cercana a USD 1,8 M —860% sobre presupuesto— detectado casi cinco meses después, más casos de USD 541.000 y USD 134.000.
• Caso Uber: reportado por prensa especializada sobre la base de declaraciones públicas de ejecutivos de la compañía; presupuesto anual de AI consumido en cuatro meses, con adopción del agente de código pasando de 32% a 84% de unos 5.000 ingenieros.
• Análisis de más de 2.000 millones de llamadas empresariales a API (2026): costo combinado mediano de USD 2,31 por millón de tokens con arquitectura de modelos por niveles, contra USD 18,40 ruteando todo a modelos de frontera.
• COR, Reporte de industria 2026: 1.632 conversaciones con líderes de empresas de tecnología, IT y desarrollo de software.

Volver al Blog