La paradoja de la IA: por qué usarla puede salir más caro que el trabajo humano que reemplaza

El entusiasmo por la inteligencia artificial generativa parece no tener techo. Empresas de todos los tamaños invierten millones en herramientas que prometen automatizar tareas, reducir costos y aumentar productividad. Sin embargo, un número creciente de experiencias concretas está revelando una paradoja incómoda: en muchos casos, implementar y mantener estos sistemas termina saliendo más caro que seguir pagando el salario del empleado que se buscaba reemplazar.

El consumo masivo de tokens es uno de los principales culpables. Cada interacción con modelos como GPT-4o, Claude 3.5 o Grok implica un costo por token que, cuando se escala a miles de usuarios o procesos automatizados, se acumula rápidamente. Lo que en una prueba piloto parece marginal, en producción se transforma en una factura mensual que sorprende hasta a los CFO más experimentados.

La infraestructura digital y el consumo energético agravan el problema. Entrenar y correr estos modelos requiere data centers con GPUs de última generación, sistemas de refrigeración intensivos y una huella de carbono que ya genera críticas ambientales. Según estimaciones recientes, una sola consulta compleja puede consumir tanta energía como dejar encendida una bombilla LED durante varias horas.

El caso de Uber

Uber fue una de las primeras grandes compañías en apostar fuerte por agentes autónomos de IA para atención al cliente y optimización de rutas. En 2024 escaló el uso de modelos de lenguaje para manejar consultas de riders y drivers. El resultado: una reducción inicial de tickets humanos, pero un aumento del 40% en el gasto en computación en la nube durante el segundo semestre. Según fuentes internas, el costo por interacción terminó siendo superior al de un operador humano en varios mercados de América Latina. La empresa terminó ajustando el flujo: ahora los agentes de IA solo intervienen en casos de baja complejidad y derivan el resto a personas.

Microsoft y el costo oculto de Copilot

Microsoft promovió Copilot como la gran herramienta de productividad para sus 365 usuarios. Sin embargo, en reportes financieros de 2025 la compañía reconoció que el margen de ganancia en Azure AI se vio presionado por el volumen de inferencia. Un estudio interno filtrado mostró que para algunos clientes enterprise el costo adicional de tokens y capacidad de cómputo superaba el ahorro en horas-hombre. “Estamos en una fase donde la IA genera más valor en tareas creativas y de alto margen que en automatización masiva de procesos repetitivos”, admitió un ejecutivo bajo condición de anonimato.

NVIDIA y la otra cara del boom

Irónicamente, NVIDIA, la empresa que más se benefició del auge de la IA con sus chips H100 y Blackwell, también enfrenta el problema en su propia operación. La compañía usa IA internamente para tareas de código, testing y soporte técnico. Fuentes cercanas indican que el gasto energético de sus propios clusters de inferencia creció un 180% en los últimos 18 meses. Aunque NVIDIA no lo publica en detalle, analistas estiman que el costo por consulta interna ya supera en algunos departamentos al salario equivalente de un ingeniero junior en países de bajos costos.

Por qué ocurre esta paradoja

Hay tres razones estructurales. Primero, los modelos actuales siguen siendo ineficientes: requieren mucha más computación de la que un cerebro humano necesita para la misma tarea. Segundo, los casos de uso no siempre están bien definidos; muchas empresas aplican IA a procesos que no justifican el costo marginal. Tercero, los precios de los tokens todavía no han bajado al ritmo que prometen los proveedores. Mientras OpenAI, Anthropic y Google compiten por market share, los descuentos por volumen siguen siendo limitados para medianas empresas.

Desde el punto de vista del inversor, esto tiene implicancias concretas. Las compañías que hoy cotizan con valoraciones basadas en “ahorro masivo por IA” podrían estar sobreestimando los beneficios netos. Los que invierten en data centers, utilities y energías renovables, en cambio, parecen mejor posicionados para capturar el verdadero gasto que genera esta tecnología.

Qué deberían hacer las empresas argentinas

Para quienes operan localmente, la ecuación es aún más compleja por el costo del dólar, las restricciones a la importación de hardware y la tarifa eléctrica. Antes de escalar un piloto de agente IA conviene hacer un cálculo completo de costo total de propiedad (TCO) que incluya:

• Consumo de tokens proyectado a volumen real
• Costo de integración y mantenimiento humano (nadie confía ciegamente en la IA)
• Consumo energético y posibles aumentos tarifarios
• Riesgo regulatorio y de privacidad

En muchos casos, la respuesta sigue siendo que un empleado bien capacitado, con herramientas más simples, genera mejor relación costo-beneficio en tareas de atención, análisis básico o generación de contenido rutinario.

La IA no es una panacea ni un fraude. Es una herramienta poderosa cuando se usa en los casos correctos y con expectativas realistas. La paradoja actual nos recuerda que la tecnología más disruptiva de la década también tiene que pasar por la misma vara que cualquier otra inversión: el retorno neto debe ser positivo. Por ahora, para muchas empresas, todavía no lo es.