Microsoft cancela licencias de Claude Code y expone el problema real de los costos de IA en las empresas
Microsoft está en el centro de una discusión que nadie en el mercado tecnológico esperaba tener tan pronto: usar IA en el día a día corporativo puede costar más que mantener empleados humanos en la nómina.
Suena contradictorio, ¿verdad?
La promesa siempre fue que la inteligencia artificial reduciría costos, optimizaría procesos y haría a las empresas más ágiles y competitivas. Pero la realidad que empieza a emerger entre bastidores de las grandes corporaciones cuenta una historia bastante diferente — y un poco más complicada de lo que las presentaciones dejaban entrever. 🤔
El caso más reciente vino directamente desde dentro de la propia Microsoft, que decidió cancelar la mayoría de las licencias de Claude Code después de que la herramienta se volviera popular demasiado rápido entre ingenieros, diseñadores y gerentes de producto. Según el sitio The Verge, la empresa está redirigiendo a sus desarrolladores hacia GitHub Copilot CLI como alternativa interna.
Y la gigante de Redmond no está sola en esta situación.
Desde Uber hasta Nvidia, pasando por Meta y Amazon, el patrón se repite: cuanto más las empresas incentivan el uso intensivo de IA, más la cuenta sorprende — negativamente.
Qué pasó con Claude Code dentro de Microsoft
Claude Code es una herramienta de IA desarrollada por Anthropic, orientada a ayudar a equipos técnicos en la escritura, revisión y depuración de código. Cuando llegó a las manos de los equipos internos de Microsoft, hace unos seis meses, la adopción fue casi inmediata. Miles de ingenieros de software, diseñadores de producto y gerentes de proyecto comenzaron a integrar la herramienta en su flujo de trabajo diario, y el uso escaló de forma orgánica y bastante acelerada.
El problema es que ese crecimiento rápido vino acompañado de una factura igualmente abultada — y que rápidamente llamó la atención de los ejecutivos responsables del presupuesto de tecnología.
La decisión de cancelar la mayor parte de las licencias no se tomó por cuestiones de calidad o rendimiento de la herramienta. Al contrario, Claude Code entregaba resultados y los propios ingenieros ya dependían de él en su día a día. La cuestión central era financiera: el volumen de uso generado por los empleados impulsó los costos operativos a un nivel que no estaba en los planes originales. Cuando multiplicas el precio por token o por llamada de API por el número de interacciones que un equipo entero hace a lo largo del día, el monto final puede sorprender a cualquier director financiero — y fue exactamente lo que ocurrió.
Vale destacar que, según The Verge, la cancelación de las licencias de Claude Code no afecta el acuerdo más amplio entre Microsoft y Anthropic en el programa Foundry. Ese acuerdo incluye una inversión de hasta 5 mil millones de dólares de Microsoft en Anthropic, acceso de los clientes de Foundry a los modelos Claude y el compromiso de Anthropic de adquirir 30 mil millones de dólares en capacidad de cómputo en Azure. Es decir, la alianza estratégica entre ambas empresas sigue firme — lo que cambió fue el uso interno descontrolado de la herramienta. 💸
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
El episodio enciende una alerta importante sobre cómo las empresas están pensando la adopción de IA generativa. Muchas organizaciones liberan el acceso a las herramientas sin una estrategia clara de gobernanza de uso, sin límites definidos de consumo y, sobre todo, sin un entendimiento real de cómo los costos escalan conforme el compromiso aumenta. Microsoft, aun siendo una de las mayores inversoras en el ecosistema de IA del mundo, cayó en esa trampa dentro de su propia casa.
Uber reventó el presupuesto de IA en apenas cuatro meses
Microsoft no es la única gran empresa enfrentando este problema. El caso de Uber es quizás aún más revelador. Según un reportaje de The Information, el CTO de la compañía, Praveen Neppalli Naga, reveló en abril que la empresa ya había quemado todo el presupuesto previsto para herramientas de IA de codificación de 2026 — en apenas cuatro meses.
Esto ocurrió después de que la propia Uber incentivara activamente la adopción de estas herramientas. La empresa llegó a crear rankings internos que clasificaban a los equipos por su nivel de uso de herramientas de IA. La lógica era simple: a mayor uso, mayor productividad. Pero la lógica financiera no acompañó a la lógica de adopción, y el resultado fue un desbordamiento presupuestario que forzó a la empresa a replantear completamente su estrategia.
Este tipo de incentivo no quedó restringido a Uber. Meta también se sumó a esta ola. Un empleado de la empresa creó un panel interno bautizado como Claudeonomics — en referencia al modelo Claude de Anthropic — para rastrear qué profesionales estaban usando más IA en el trabajo. Por su parte, Amazon comenzó a incentivar a sus equipos a practicar lo que llamaron internamente tokenmaxxing, es decir, usar la mayor cantidad posible de tokens de IA — los bloques básicos de computación que alimentan los modelos de lenguaje.
La carrera por el uso máximo de IA se transformó casi en una competencia cultural dentro de las big tech. Pero el problema es que, en un modelo de precios basado en tokens, más uso significa automáticamente más gasto. 📈
Cuando la IA cuesta más que el salario de un empleado
Este fenómeno plantea una pregunta que pocos estaban dispuestos a formular en voz alta hasta hace poco: ¿y si la IA fuera, al menos por ahora, más cara que las personas a las que debería reemplazar o complementar?
Bryan Catanzaro, vicepresidente de aprendizaje profundo aplicado de Nvidia, fue bastante directo al respecto en una entrevista reciente con el sitio Axios. Según él, para su equipo, el costo de computación ya supera con creces el costo de los empleados. Cuando alguien de la propia Nvidia — la empresa que más gana con la revolución de la IA — hace esa afirmación, es imposible ignorar el mensaje.
El modelo de precios de las grandes plataformas de IA — generalmente basado en consumo por tokens, por solicitud o por suscripción premium por usuario — fue diseñado para ser accesible al inicio, pero puede escalar de manera agresiva conforme el uso se intensifica. Cuando una empresa tiene cientos o miles de empleados utilizando estas herramientas de forma continua durante la jornada laboral, el costo agregado puede superar rápidamente lo que estaba previsto en el presupuesto de tecnología. Y lo peor: muchas veces ese desbordamiento solo se percibe cuando la factura ya llegó.
Hay además otro factor que complica esta ecuación: la dificultad de medir el retorno real sobre la inversión. A diferencia de un empleado cuyo desempeño puede evaluarse por métricas de entrega, velocidad o calidad, el valor generado por una herramienta de IA es mucho más difuso y subjetivo. Un ingeniero puede usar Claude Code para resolver un problema en 20 minutos que tomaría dos horas sin la herramienta, pero cuantificar eso de forma consistente y convertirlo en un número financiero concreto es un desafío real para cualquier gestor.
Cuando el beneficio es nebuloso y el costo es explícito en la factura, la decisión de recortar licencias se vuelve mucho más fácil de justificar. 📊
La paradoja de los tokens: el precio unitario baja, pero la cuenta total sube
Existe una paradoja interesante en toda esta historia que merece atención. El costo individual de cada token de IA está bajando — y debería seguir bajando. Un informe reciente de Gartner estima que, para 2030, la inferencia en un modelo de lenguaje con un billón de parámetros costará a las empresas de IA casi un 90% menos de lo que costaba en 2025. Es decir, la materia prima de la IA se está abaratando.
Pero aquí entra el detalle que lo cambia todo: los modelos más avanzados, especialmente los agentes de IA, consumen muchos más tokens por tarea que los modelos estándar. Según proyecciones de Goldman Sachs, la IA agéntica puede impulsar un aumento de 24 veces en el consumo de tokens para 2030, alcanzando unos impresionantes 120 cuatrillones de tokens al mes conforme consumidores y empresas adopten agentes de IA a gran escala.
Esto significa que, incluso con tokens más baratos, el gasto total de las empresas puede subir significativamente. Gartner fue bastante clara en este punto: tokens más baratos no se van a traducir en IA empresarial más barata. Las razones son tres:
- Los modelos agénticos exigen muchos más tokens por tarea
- El aumento en el consumo puede superar la caída en el costo unitario
- Los proveedores de IA no van a trasladar íntegramente la reducción de costos a los clientes
Will Sommer, analista sénior de Gartner, fue enfático al advertir que los directores de producto no deben confundir la deflación de tokens básicos con la democratización del razonamiento de frontera. En otras palabras, solo porque el token se abarató no significa que usar IA de punta se haya vuelto accesible.
El sueño de los 100 agentes de IA por empleado puede salir caro
Este escenario de costos crecientes complica bastante los planes más ambiciosos del mercado. El CEO de Nvidia, Jensen Huang, ya ha declarado públicamente que cree en un futuro donde 100 agentes de IA trabajarán junto a cada empleado de la empresa. Forma parte de una ola mayor de CEOs que promueven la visión de un entorno corporativo dominado por trabajadores digitales operando en todas las áreas del negocio.
La visión es emocionante, sin duda. Pero si el consumo de tokens escala más rápido que la caída en los costos unitarios — y todo indica que ese será el caso a corto y mediano plazo — esa realidad puede venir acompañada de una cuenta mucho más pesada de lo que los ejecutivos están proyectando en sus modelos financieros.
No se trata de decir que la IA agéntica no va a ocurrir. Va a ocurrir. Pero el camino entre la visión de 100 agentes por persona y la realidad operativa implica resolver un problema económico que aún no tiene respuesta definitiva. Y los casos de Microsoft y Uber muestran que incluso las empresas más ricas y tecnológicamente avanzadas del planeta están tropezando con esta cuenta. 🤖
Qué dice esto sobre el futuro de la IA en las empresas
La situación que Microsoft y otras gigantes están enfrentando no significa que la IA corporativa sea un fraude o que la promesa de eficiencia haya sido una mentira. Lo que revela es que la transición hacia un entorno de trabajo con IA integrada es más compleja de lo que parecía en las presentaciones de producto, y que las empresas todavía están aprendiendo a gestionar esta nueva variable dentro de sus modelos de negocio. La curva de aprendizaje existe, y tiene costo.
Uno de los principales desafíos que emerge de este escenario es la necesidad de crear políticas internas de uso de IA que equilibren acceso y control. Liberar las herramientas para todo el mundo sin ningún criterio puede resultar en una adopción caótica y gastos fuera de control, como ocurrió con Claude Code en Microsoft. Por otro lado, restringir demasiado el acceso puede generar el efecto opuesto: equipos que podrían ganar productividad real terminan siendo privados de recursos que podrían transformar su trabajo. Encontrar ese equilibrio es una de las tareas más importantes — y menos glamurosas — de los departamentos de tecnología en este momento. 🎯
Herramientas que usamos a diario
El mercado de IA corporativa todavía está en fase de maduración, y los modelos de precios de las plataformas deberían evolucionar conforme la presión de los grandes clientes aumente. Ya existen movimientos en esa dirección: algunas empresas de IA comienzan a ofrecer planes corporativos con topes de consumo, modelos de suscripción con precio fijo por usuario o incluso contratos negociados por volumen. Pero mientras estos formatos no se conviertan en estándar, las organizaciones necesitan tratar el gasto en IA con el mismo rigor financiero que aplican a cualquier otra línea de costo operativo — y no simplemente como una inversión en innovación que justifica cualquier número en la planilla.
El papel de la gobernanza de IA en el control de costos
Lo que queda cada vez más evidente es que la adopción de IA generativa en las empresas necesita estar acompañada de una capa robusta de gobernanza. No basta con comprar licencias, liberar acceso y esperar lo mejor. Es necesario definir quién usa, para qué usa, cuánto puede usar y cómo medir si el uso está generando valor real para el negocio.
Las empresas que están logrando navegar mejor esta fase de transición generalmente comparten algunas prácticas en común. Definen límites de consumo por equipo o por proyecto. Establecen métricas claras para evaluar el retorno de la inversión en IA. Crean comités internos que revisan periódicamente el uso y el costo de las herramientas. Y, quizás lo más importante, tratan la IA como cualquier otro recurso corporativo que necesita gestión activa — y no como una varita mágica que resuelve todo por sí sola.
La ausencia de estas prácticas es justamente lo que llevó a Microsoft y a Uber a las situaciones que ahora encabezan los titulares del sector. Y el aprendizaje que queda es valioso para cualquier organización que esté en proceso de adoptar IA a escala: la tecnología por sí sola no entrega resultados si no hay estrategia detrás de ella.
El episodio de Microsoft con Claude Code es, ante todo, un recordatorio de que adoptar tecnología nueva con inteligencia va mucho más allá de simplemente abrir el acceso para todo el mundo y esperar que la productividad aparezca en los resultados del trimestre.
La IA tiene un potencial real de transformar la forma en que las empresas operan — pero ese potencial necesita ser gestionado con estrategia, datos y, sobre todo, con los ojos bien abiertos hacia lo que aparece en la factura a fin de mes. Ni Anthropic ni Microsoft han comentado oficialmente sobre la situación hasta el momento de la publicación original del reportaje por Fortune. 👀
