McKinsey advierte una brecha de coste de hasta 30 veces en agentes de IA

El 26 de septiembre, McKinsey advirtió que el coste de ejecutar una misma tarea con agentes de inteligencia artificial puede diferir hasta 30 veces. La diferencia no depende únicamente del modelo elegido: agentes que persiguen el mismo resultado pueden realizar distinto número de pasos, llamadas al modelo, consultas a herramientas, comprobaciones y repeticiones antes de terminar.

La advertencia llega cuando las empresas pasan de los chatbots y las pruebas aisladas a aplicaciones más complejas. Un agente puede dividir una petición en subtareas, razonar sobre ellas, llamar a sistemas externos, inspeccionar las respuestas, corregir su enfoque y continuar. Cada una de esas fases puede añadir consumo de tokens y capacidad de cómputo.

El coste real está en terminar el trabajo

El precio por token ha caído con fuerza. El AI Index 2025 de Stanford calculó que consultar un modelo con un rendimiento equivalente a GPT-3.5 en un benchmark estándar de conocimiento y razonamiento pasó de costar 20 dólares por millón de tokens en noviembre de 2022 a 0,07 dólares en octubre de 2024. La OCDE estimó en julio de 2026 que los precios de modelos de texto a texto ajustados por calidad descendieron casi un 80 % entre enero de 2024 y abril de 2026.

Sin embargo, una unidad más barata no implica necesariamente un gasto menor. Coforge afirmó en una reciente sesión con directivos que, durante los siete meses anteriores, el coste unitario de los tokens necesarios para ofrecer el mismo nivel de inteligencia se redujo unas 100 veces, mientras que el consumo de tokens creció unas 8.000 veces. Son observaciones de la compañía sobre las plataformas que seguía, no una medición de todo el mercado, pero describen cómo el menor precio puede ampliar rápidamente el uso.

• Medir el coste de una tarea completada y no solo los tokens utilizados.
• Incluir llamadas al modelo, herramientas, computación, orquestación y supervisión humana.
• Comparar agentes que buscan el mismo objetivo con procesos distintos.
• Reservar los modelos más caros para los trabajos que realmente requieran mayor capacidad.

La programación es un foco de gasto

McKinsey destacó especialmente a los equipos de desarrollo de software, donde la automatización de código mediante agentes puede requerir muchos tokens. Un documento de trabajo de 2026, elaborado por investigadores de la Universidad de Michigan, Stanford, All Hands AI, Google DeepMind, Microsoft AI y MIT, concluyó que las tareas de programación agentiva consumían alrededor de 1.000 veces más tokens que las tareas comparadas de razonamiento y conversación sobre código.

El mismo trabajo encontró diferencias de hasta 30 veces en el consumo total de tokens entre ejecuciones de una misma tarea. Ese resultado no demuestra que todo recorrido largo sea ineficiente: en algunos casos, más pasos pueden producir un resultado de mayor utilidad. Sí muestra que dos ejecuciones aparentemente comparables pueden tener costes muy distintos si el agente prueba alternativas, reinicia partes del proceso o utiliza más herramientas.

Los presupuestos pasan al primer plano

La encuesta de IA de McKinsey para 2026 halló que cerca de un tercio de las organizaciones encuestadas invertiría más del 10 % de su presupuesto de tecnología y comunicaciones en IA. El 60 % planeaba aumentar el gasto durante el año siguiente, y aproximadamente una quinta parte afirmó que el gasto en IA ya estaba presionando sus costes operativos. Directivos de McKinsey describieron esas partidas como cada vez más concretas y visibles.

Otra encuesta de McKinsey, Enterprise AI FinOps, publicada en mayo de 2026 y basada en 75 participantes cualificados de cinco sectores, indicó que el 93 % había superado su presupuesto de IA. McKinsey también citó datos de Menlo Ventures según los cuales el gasto empresarial en grandes modelos de lenguaje aproximadamente se triplicó en los doce meses hasta finales de 2025. Son resultados de encuestas y estimaciones de mercado, no un recuento completo de todas las compañías.

La productividad necesita una cuenta completa

McKinsey había señalado anteriormente que la IA agentiva puede reducir entre un 35 % y un 40 % el tiempo humano dedicado a algunas tareas de oficinas de transformación, y más del 70 % en ciertos casos. Pero ahorrar tiempo no basta para probar la rentabilidad. Las empresas deben valorar si la respuesta es fiable, qué revisión humana exige, si el tiempo liberado se aprovecha de verdad y qué valor genera frente al coste total.

Para compañías españolas y latinoamericanas, la implicación práctica es vigilar la economía de cada flujo de trabajo, no solo la tarifa de acceso a un modelo. Pueden combinar modelos pequeños o de pesos abiertos en tareas concretas con modelos de frontera para los casos más exigentes. McKinsey sostiene que, durante los próximos doce meses, medir conjuntamente costes y beneficios de los agentes será una cuestión de gestión cada vez más importante.