El gasto en IA se estanca mientras las guerras de precios y las ganancias de eficiencia frenan el crecimiento de ingresos

El uso corporativo de la IA está alcanzando volúmenes récord, pero el gasto total se ha estancado, según nuevos datos de la plataforma de operaciones financieras Ramp. Esta divergencia sugiere que la intensa competencia de precios y la mayor eficiencia de los clientes están limitando el crecimiento de ingresos para grandes proveedores de modelos como OpenAI y Anthropic justo cuando se preparan para salir a bolsa.

Qué ocurrió

El análisis de Ramp muestra que el gasto en tokens creció solo un 1,5% durante agosto y septiembre de 2026, una fuerte desaceleración frente al crecimiento intermensual del 42% observado en julio. Aunque octubre registró una ligera re-aceleración del 8,9%, la tendencia general indica que la era del hipercrecimiento podría estar pausándose. Ara Kharazian, economista principal de Ramp, señala que el 1% superior de las empresas con alta intensidad de IA, a menudo denominadas las más "AI-pilled", han visto su gasto por empleado caer ligeramente por debajo del pico mensual de $10.000 alcanzado en verano. Dado que este pequeño grupo impulsa una parte desproporcionada de los ingresos totales, incluso una pequeña interrupción en su consumo es suficiente para aplastar el crecimiento general del mercado.

La desaceleración no se debe a una falta de demanda. Los volúmenes de tokens continúan subiendo, lo que indica que las empresas están usando la IA con mayor frecuencia. Sin embargo, el costo por unidad de trabajo ha caído significativamente. Las empresas medianas ahora gastan entre $12 y $15 por empleado al mes, mientras que el 10% superior gasta entre $600 y $1.000. Kharazian argumenta que no está claro si industrias más amplias, como la atención sanitaria o el comercio minorista automotriz, alcanzarán alguna vez los niveles altos de gasto vistos en software y finanzas. Sin nuevos casos de uso altamente costosos que emerjan para reemplazar la actual meseta, las trayectorias de ingresos para los proveedores de modelos enfrentan vientos contrarios significativos.

Cómo funciona

El principal motor de este estancamiento del gasto es una feroz guerra de precios entre los principales proveedores de IA. En septiembre, OpenAI redujo a la mitad los precios de API para sus modelos GPT-6 Sol y GPT-6 Luna. Anthropic respondió con reducciones significativas para Fable 5.1 y Opus 5.5, una medida que la propia compañía admitió que recortó su crecimiento proyectado de ingresos en aproximadamente $600 millones. Estos recortes, combinados con descuentos empresariales diseñados para fidelizar clientes, han transformado el mercado en un entorno favorable al comprador. A diferencia de monopolios tecnológicos anteriores donde los precios iniciales bajos eventualmente llevaban a costos más altos, el sector de la IA sigue siendo altamente competitivo, con nuevos entrantes como Meta, Nvidia y varios proveedores de código abierto manteniendo la presión sobre los precios.

Más allá de los recortes de precios externos, las empresas se están volviendo más sofisticadas en la gestión de sus presupuestos de IA. Las compañías están implementando valores predeterminados más estrictos para evitar el uso de modelos costosos en tareas de larga duración e imponen límites presupuestarios rígidos a los empleados. También están empleando enrutadores (routers) para derivar consultas simples desde modelos estándar hacia alternativas más baratas y ligeras. Por ejemplo, herramientas como Jev permiten a las empresas manejar salidas simples de sí/no a una fracción del costo de los modelos de propósito general. Como resumió Akshay Kothari, cofundador de Notion, "los tokens van brrr. los costos van ahhh", destacando cómo el aumento del uso ya no se traduce linealmente en un aumento del gasto.

Detalles clave

• El crecimiento del gasto en tokens se ralentizó al 1,5% en agosto y septiembre de 2026, frente al 42% en julio.
• OpenAI redujo a la mitad los precios de API para GPT-6 Sol y GPT-6 Luna en septiembre, provocando recortes similares por parte de Anthropic.
• Las reducciones de precios de Anthropic disminuyeron su crecimiento proyectado de ingresos en unos $600 millones.
• El 1% superior de las empresas con mayor gasto en IA está viendo caer sus costos por empleado por debajo del pico mensual de $10.000.
• Las empresas medianas gastan $12-$15 por empleado mensualmente, mientras que el 10% superior gasta $600-$1.000.
• La valoración potencial de la IPO de Anthropic ha caído de $2 billones a una estimación de $1,2–$1,3 billones.

Por qué importa

Para líderes de software y fundadores técnicos, este cambio señala una transición de la adopción experimental a la eficiencia operativa. La suposición de que los presupuestos de IA crecerían indefinidamente junto con el uso se está rompiendo. En su lugar, las organizaciones se están centrando en la economía unitaria, buscando formas de mantener o aumentar la producción mientras reducen el costo por token. Este entorno favorece a los equipos que pueden implementar estrategias robustas de enrutamiento, monitorear el uso de cerca y seleccionar el modelo más rentable para cada tarea específica, en lugar de recurrir por defecto a la opción más capaz o costosa.

Los inversores y ejecutivos también deben recalibrar las expectativas sobre los ingresos de los proveedores de IA. El camino hacia la rentabilidad para los proveedores de modelos se vuelve más empinado mientras compiten en precio en un mercado saturado. Si bien nuevos productos como los agentes personales son promocionados como el próximo motor de crecimiento, los expertos permanecen escépticos de que igualen la productividad económica de los agentes de codificación. En consecuencia, las empresas pueden encontrarse en una posición de negociación más fuerte, capaces de aprovechar la competencia entre OpenAI, Anthropic y alternativas de código abierto para asegurar mejores términos y menores costos.

Qué puedes hacer

• Audita tu gasto actual en IA para identificar tareas que actualmente usan modelos costosos y que podrían ser manejadas por alternativas más ligeras y baratas.
• Implementa enrutadores de modelos para dirigir automáticamente consultas simples, como clasificación o preguntas de sí/no, a endpoints de bajo costo.
• Establece topes presupuestarios estrictos y restricciones de modelos predeterminados para el acceso de empleados para prevenir el uso sin control de niveles premium.
• Negocia descuentos empresariales con múltiples proveedores, aprovechando la actual guerra de precios para asegurar mejores tarifas a largo plazo.
• Monitorea internamente las tendencias de volumen de tokens versus costo para asegurar que tus ganancias de eficiencia igualen o superen los promedios del mercado.
• Evalúa herramientas de código abierto o especializadas como Jev para casos de uso específicos y estrechos donde los modelos de propósito general son excesivos.