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 es uno de los casos más citados de este fenómeno, aunque no por los motivos que muchos imaginan: no se trata de agentes de atención al cliente, sino del uso masivo de asistentes de IA dentro de su propio equipo de desarrollo de software. Según reportó Ámbito Financiero, el 95% de los desarrolladores de la compañía comenzó a usar herramientas de IA de forma habitual y cerca del 70% del código que ingresa a los repositorios ya tiene participación de IA. El presupuesto anual que Uber había destinado a estas herramientas se agotó en apenas cuatro meses, muy por debajo de lo proyectado.

Microsoft y el costo oculto de la adopción interna

Microsoft promovió Copilot como la gran herramienta de productividad para sus usuarios de Microsoft 365. Sin embargo, puertas adentro la compañía también empezó a poner límites al gasto en IA: según el mismo relevamiento de Ámbito Financiero, Microsoft comenzó a retirar las licencias internas de Claude Code y a migrar a sus desarrolladores hacia herramientas propias como GitHub Copilot CLI, en un movimiento motivado principalmente por controlar el costo que generaba el uso intensivo de modelos externos.

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 puertas adentro. Bryan Catanzaro, vicepresidente de Deep Learning Aplicado de la compañía, reconoció que, para su propio equipo, el costo del cómputo necesario para ejecutar IA ya supera el costo salarial de sus empleados. En la misma línea, el CEO Jensen Huang sostuvo que un ingeniero altamente calificado debería usar cientos de miles de dólares anuales en tokens de IA para alcanzar su máxima productividad, según consignó Ámbito Financiero.

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.