El coste de un agente de IA no se limita al precio que anuncian OpenAI, Anthropic o Google. Para una empresa, el coste real proviene de los tokens consumidos, pero también de la orquestación, las conexiones al sistema de información, la seguridad, las pruebas y la supervisión humana. Un prototipo puede costar unos cuantos miles de euros. Un agente en producción, fiable y controlado, suele suponer varias decenas de miles de euros al año.
Coste del agente de IA: lo que realmente pagas
Un agente de IA es un programa informático que utiliza un modelo de inteligencia artificial para razonar, recurrir a herramientas y ejecutar una tarea con cierta autonomía. La diferencia con respecto a un simple chatbot es considerable: el agente no solo responde, sino que actúa. Puede consultar una base de datos, abrir un ticket, realizar un seguimiento con un cliente, comparar datos o preparar una decisión.
Esta autonomía cambia la economía del proyecto. Una solicitud de un usuario puede desencadenar varias llamadas al modelo, búsquedas en una base de datos vectorial (una base que encuentra textos por similitud de significado), verificaciones, repeticiones en caso de error y, en ocasiones, una validación humana. Ahí es donde el presupuesto se dispara.
Para entender el contexto funcional antes de pasar a las cifras, puedes leer nuestra guía sobre los Agentes de IA en las empresas y su incorporación a la producción. La cuestión del coste viene justo después: un caso de uso mal diseñado se convierte rápidamente en una máquina de consumir API.
Tokens y API: el precio nominal suele ser engañoso
Los principales proveedores facturan el uso por token, es decir, por bloques de palabras procesadas por el modelo. En 2026, OpenAI indica, por ejemplo, para gpt-5-chat-última versión una tarifa de 1,25 dólares por millón de tokens en entrada y 10 dólares por millón de tokens en sortie. Anthropic anuncia, según su tabla de precios «Claude Platform 2026», unos precios estándar de alrededor de 3 dólares por millón de tokens en la fase inicial y de 15 dólares en la fase posterior al periodo de lanzamiento mencionado, hasta el 31 de agosto de 2026.
Sobre el papel, parece poco. Es cierto si se trata de una interacción aislada. Pero un agente suele consumir muchos más recursos que un chatbot, ya que revisa el contexto, recurre a herramientas, reformula sus planes, comprueba sus resultados y puede volver a empezar. McKinsey recordaba en 2026 que la economía relevante no es el precio del token, sino el coste por tarea completada.
El modelo de facturación comunicado por OpenAI es sencillo: tokens de entrada multiplicados por su tarifa, tokens de entrada almacenados en caché multiplicados por su tarifa y, a continuación, tokens de salida multiplicados por su tarifa. La caché de prompts (la reutilización de un contexto ya procesado) puede, por tanto, reducir considerablemente el coste, sobre todo si tus agentes vuelven a leer siempre las mismas instrucciones, procedimientos o documentos.
| Partida de gastos | Orden de magnitud observado | Qué factores influyen en el importe de la factura |
|---|---|---|
Tokens de OpenAI gpt-5-chat-última versión |
1,25 $ / 1M de entrada; 10 $ / 1M sortie en 2026 | Longitud de las respuestas, número de llamadas, caché, reintentos |
| Tokens Anthropic Claude Platform | 3 $ / 1M de entrada; 15 $ / 1M sortie de serie 2026 | Modelo elegido, uso por lotes, volumen, política de proveedores |
| Prototipo de agente de IA | Entre 5.000 y 20.000 €, dependiendo del alcance del proyecto | Número de herramientas conectadas, calidad de los datos, requisitos del RGPD |
| Agente de IA en producción para pymes | A menudo, entre 25 000 y 80 000 € el primer año | Integraciones, seguridad, supervisión, mantenimiento, SLA |
| Observabilidad y evaluación | Desde unos cientos hasta varios miles de euros al mes | Volumen de trazas, herramientas como LangSmith, pruebas automatizadas |
Estas cantidades no son precios de catálogo universales. Ofrecen una base realista para el debate en el mercado francés, donde el coste de desarrollo, integración y mantenimiento suele tener más peso que el de los tokens por sí solos.
¿Por qué un agente cuesta más que un chatbot?
Un chatbot responde. Un agente decide una secuencia de acciones. Esta diferencia tiene un impacto directo en los plazos, el presupuesto y los riesgos operativos.
Un comercial que califica una solicitud puede consultar el historial del CRM, consultar una tabla de tarifas, redactar una respuesta, solicitar una validación y, a continuación, crear una tarea en HubSpot, Salesforce o Pipedrive. Cada paso puede ser fiable por separado, pero es necesario supervisar el conjunto. De lo contrario, un error mínimo se convierte en una acción real.
En los proyectos que llevamos a cabo, a menudo nos encontramos con la misma trampa: la empresa presupuesta el modelo de IA y luego descubre demasiado tarde el coste de los conectores, los derechos de acceso, los registros de auditoría y las pantallas de control. No es nada espectacular. Sin embargo, es precisamente lo que hace que el agente sea útil en el día a día.
Los costes recurrentes incluyen la orchestración (la lógica que controla el agente), la base de datos vectorial como Pinecone, Weaviate o PostgreSQL con pgvector, la observabilidad con herramientas como LangSmith, las evaluaciones automatizadas, la seguridad de las API, la gestión de secretos, los flujos de datos, los registros y la revisión humana. InfoWorld ya señalaba en 2026 estas partidas como las grandes categorías olvidadas en los presupuestos de IA agentiva.
El cálculo útil: razonar en función de las tareas completadas
La clave de una buena gestión no es el mensaje enviado, sino la tarea completada con un nivel de calidad aceptable. Una respuesta incompleta, que un empleado ha activado tres veces, no supone un ahorro.
Tomemos como ejemplo un agente «support» que gestiona 10 000 solicitudes al mes. Si cada solicitud cuesta 0,08 € en API, pero requiere 0,70 € de supervisión humana, el coste real se acerca a los 0,78 €, sin contar siquiera la infraestructura. Por el contrario, un agente más caro en términos de tokens puede resultar rentable si reduce los errores, las escaladas y el tiempo dedicado por los equipos.
InfoWorld presentaba en 2026 un ejemplo de agente que consumía 2,5 millones de tokens al día, lo que supone unos 2 738 dólares al año en coste de tokens por agente, hors infraestructura y operaciones. Esta cifra ilustra bien la paradoja: la línea de API puede seguir siendo modesta, mientras que el coste total se dispara en cuanto se añaden las capas necesarias para la producción.
Por lo tanto, una buena decisión consiste en comparar tres indicadores: el coste por tarea completada, el porcentaje de intervención humana y el índice de error aceptable. Sinceramente, un agente autónomo solo se justifica si el volumen, la repetitividad o el valor de la tarea compensan los gastos de control.
Las desviaciones presupuestarias más frecuentes
Los excesos no siempre se deben a un mal proveedor. A menudo se deben a un ámbito de aplicación demasiado amplio. Un agente al que se le pide que «gestione las solicitudes de los clientes» sin límites concretos multiplicará las vías posibles y, por lo tanto, las llamadas, las excepciones y los controles.
- Bucles de reflexión no controlados: El agente se revisa, se corrige, vuelve a ejecutar una herramienta y, a continuación, vuelve a empezar sin un límite estricto.
- El contexto es demasiado largo: Se introducen documentos completos en lugar de seleccionar los fragmentos útiles mediante una búsqueda vectorial.
- Ausencia de caché: Las mismas instrucciones del sistema y los mismos documentos de referencia se facturan repetidamente.
- Shadow AI: Algunos equipos utilizan herramientas de inteligencia artificial sin un marco de gobernanza, lo que genera costes ocultos y riesgos para los datos.
- No hay presupuesto por proyecto: Todo depende de una única clave API, lo que hace imposible gestionarlo correctamente.
La «shadow AI» merece una atención especial: da la impresión de agilizar los procesos, pero oculta los gastos y las posibles fugas. Hemos detallado estos aspectos en un artículo sobre el Shadow AI en la empresa, junto con las razones que llevan a los trabajadores a eludir los canales oficiales.
Además, los principales actores están incorporando medidas de seguridad. OpenAI ofrece un «Usage Dashboard» para realizar un seguimiento de la actividad de la API, los volúmenes de tokens, los filtros por proyecto y los exports. Google anunció en agosto de 2026 funciones de FinOps para Gemini Enterprise con el fin de gestionar mejor las cuotas de los costes de la API. Databricks también informó en 2026 sobre controles de gasto para evitar el consumo excesivo de tokens.
Infraestructura, seguridad y datos: el coste oculto
Un agente de IA empresarial suele manejar datos sensibles: contratos, tickets de asistencia, presupuestos, información de clientes y documentos de recursos humanos. El RGPD, en vigor desde 2018, exige controlar los fines, los accesos, la conservación y las posibles transferencias de datos hors la Unión Europea. El presupuesto debe tener en cuenta esta gobernanza.
La seguridad no se limita al cifrado. Es necesario gestionar los derechos por perfil, registrar las acciones, ocultar determinados datos, filtrar los archivos adjuntos, proteger las API y prever un modo de funcionamiento alternativo en caso de que el proveedor de IA no esté disponible. Con este presupuesto, es mejor reducir el alcance funcional que sacrificar estas capas.
En el caso de los proyectos conectados a aplicaciones empresariales o móviles, los puntos de entrada de la API cobran especial importancia. En nuestro análisis de los... se incluye un recordatorio útil. vulnerabilidades de seguridad de las API, a menudo invisibles, ya que en las arquitecturas de IA se repiten los mismos errores: tokens mal protegidos, permisos demasiado amplios y falta de limitación del caudal.
El alojamiento también es importante. Algunos proyectos pueden funcionar con una arquitectura en la nube clásica en OVHcloud, Scaleway, AWS, Azure o Google Cloud. Otros requieren un aislamiento más estricto, una región concreta, almacenamiento cifrado o una base de datos gestionada. La elección no es solo técnica; condiciona los plazos de validación jurídica y de seguridad.
Prototipo, prueba piloto, producción: ¿qué plazos hay que tener en cuenta?
Se puede crear un prototipo sólido en un plazo de dos a cuatro semanas si el caso de uso es sencillo y se dispone de los datos necesarios. Su finalidad es verificar la viabilidad, no demostrar que el agente está listo para su puesta en producción. Confundir ambas cosas es un error que sale caro.
Un proyecto piloto operativo suele requerir entre seis y diez semanas. A ello hay que añadir usuarios reales, métricas, medidas de seguridad, una primera fase de evaluación y, en ocasiones, una validación humana. Es en este momento cuando se detectan las excepciones, los documentos mal estructurados, las reglas de negocio implícitas y los costes reales por tarea.
La producción suele tardar entre tres y seis meses para un agente conectado al sistema de información. Por parte de la agencia, lo habitual es limitar desde el principio el ámbito de actuación: una tarea, un público, una fuente de referencia, un presupuesto mensual máximo. Esta disciplina acelera el proyecto en lugar de ralentizarlo.
El caso en el que la solución obvia es la incorrecta: automatizar todo el servicio de atención al cliente desde el principio. A menudo es mejor empezar con un agente que prepare respuestas, clasifique las solicitudes o sugiera medidas a un asesor. Es menos autónomo, pero mucho más cuantificable.
Cómo definir un presupuesto antes de empezar
Antes de firmar un presupuesto o de abrir ampliamente una API, planteate una hipótesis financiera sencilla: ¿cuánto cuesta hoy esa tarea, cuánto costará con el agente y qué riesgo estás dispuesto a asumir en caso de error? Si la respuesta no está clara, tampoco lo está el alcance.
Una buena gestión incluye un límite mensual de tokens, alertas por proyecto, una separación entre los entornos de prueba y de producción, un seguimiento del coste por tarea y una revisión periódica de las indicaciones (instrucciones dadas al modelo). Las herramientas existen, pero no sustituyen a una gobernanza clara.
La cuestión de los datos debe abordarse desde el principio. Un agente que trabaje con documentación obsoleta generará respuestas costosas y erróneas. Para usos sensibles, consulta también nuestro artículo sobre elIntegración de un agente de IA sin fugas de datos, ya que el presupuesto destinado a la seguridad resulta más económico cuando se tiene en cuenta desde la fase de diseño.
Definir este tipo de proyecto desde el principio evita la mayoría de las sorpresas desagradables: elección del modelo, límites de autonomía, presupuesto para la API, derechos de acceso, registro de eventos y supervisión humana. A menudo es aquí donde una perspectiva externa permite ahorrar tiempo, sobre todo cuando el objetivo no es hacer una demostración, sino poner un agente fiable a disposición de los equipos.
Preguntas frecuentes sobre el coste de un agente de IA
¿Cuál es el coste medio de un agente de IA en una empresa?
En el caso de una pyme, suele haber que contar con entre 5.000 y 20.000 € para un prototipo, y luego entre 25.000 y 80.000 € el primer año para un agente de producción, incluyendo integraciones, seguridad y mantenimiento. Los tokens por sí solos no reflejan el coste total.
¿Por qué pueden dispararse los tokens de un agente de IA?
Una sola consulta puede dar lugar a varias llamadas al modelo, búsquedas documentales, verificaciones, reintentos y ciclos de razonamiento. Al no haber un límite estricto, el agente consume muchos más recursos que un chatbot convencional.
¿Es mejor elegir OpenAI, Claude o un modelo de código abierto para reducir los costes?
La opción más económica depende del uso que se le vaya a dar. Una API como OpenAI o Claude reduce los costes de infraestructura al principio, mientras que un modelo de código abierto puede resultar interesante a gran escala, pero requiere más gestión, seguridad y conocimientos internos.
¿Cómo evitar una sorpresa desagradable en la factura de API?
Crea presupuestos por proyecto, activa las tablas de seguimiento, limita las llamadas, utiliza la caché siempre que sea posible y calcula el coste por tarea completada. La gestión de FinOps debe planificarse desde la fase piloto.