La nueva economía de la IA: por qué la tokenomía importa

Por: Nicolás Deino, Managing Director Financial Services Lead de Accenture Chile

Muchas organizaciones siguen gestionando la inteligencia artificial como administraban el software empresarial hace una década: esperando a que llegue la factura. Sin embargo, ese enfoque resulta insuficiente en un entorno donde el gasto ya no depende de licencias fijas, sino del consumo. A medida que empleados, agentes y flujos de trabajo incorporan IA de forma cotidiana, surge un nuevo costo de hacer negocios: los tokens.

Los tokens son las unidades de datos que procesan los modelos de IA. Cada instrucción, respuesta o interacción consume tokens y genera un costo. La tokenomía, entonces, es la disciplina que conecta ese consumo con el valor que se obtiene. Lo que comenzó como una preocupación técnica se está convirtiendo rápidamente en un tema estratégico. Los directorios piden explicaciones sobre el retorno de la inversión en IA, los CEO exigen mayor control financiero y los CFO buscan que los CIO puedan demostrar, con evidencia, qué valor está generando cada dólar invertido.

Un nuevo estudio de Accenture revela que 78% de las organizaciones espera que su consumo de tokens aumente durante los próximos dos años. Sin embargo, solo 35% puede calcular el costo por resultado de negocio, incluso para su principal caso de uso de IA, mientras que la mayoría opera sobre estimaciones generales. Esta brecha explica por qué los directorios están formulando tres preguntas cada vez más frecuentes: ¿qué está impulsando los costos de la IA?, ¿qué tan rápido crecerán? y ¿qué valor concreto está generando para el negocio?

La oportunidad es significativa. Más allá de reducir gastos, la tokenomía permite convertir el consumo de IA en un activo gestionable y medible. Según la investigación, las organizaciones que adoptan prácticas avanzadas de gestión pueden capturar hasta US$55 millones de valor por cada US$100 millones de inversión anual en IA, combinando costos evitados con una mejor capacidad para demostrar resultados financieros.

Las empresas líderes están avanzando sobre cinco frentes. El primero es la visibilidad: registrar para cada interacción qué equipo utiliza la IA, qué modelo emplea, cuánto cuesta y qué resultado genera. Sin esa información, cualquier decisión posterior se basa en suposiciones. El segundo es la responsabilidad financiera. Asignar los costos a las áreas que los generan impulsa comportamientos más eficientes y una mejor toma de decisiones. Aun así, solo el 7% de las empresas utiliza modelos de chargeback para gestionar los costos de IA.

La tercera disciplina consiste en asignar cada tarea al modelo adecuado. Accenture descubrió que el 90% de las más de 9.000 tareas analizadas no requiere modelos de frontera; versiones intermedias pueden producir resultados equivalentes a una fracción del costo. La cuarta es exigir un caso de negocio antes de que una iniciativa llegue a producción, definiendo desde el inicio qué impacto financiero se espera alcanzar y cómo será medido. Hoy, menos del 20% del gasto en tokens puede vincularse a un resultado económico cuantificable.

Finalmente, está el desarrollo de capacidades en toda la organización. Más de la mitad de las solicitudes de IA son enviadas a modelos más avanzados y costosos de lo necesario. En muchos casos, el problema no es la falta de criterio, sino la ausencia de orientación clara sobre cuándo utilizar cada herramienta.

El liderazgo en IA dependerá cada vez menos de quién tiene acceso a la tecnología y más de quién es capaz de gobernarla con disciplina. Las organizaciones que logren visibilidad, responsabilidad financiera y una medición rigurosa del valor estarán en mejores condiciones para escalar la IA con confianza. Porque, en la nueva economía de la inteligencia artificial, el desafío ya no es solo innovar, sino demostrar que cada token consumido genera valor para el negocio.