Microsoft cancela licencias de Claude Code y expone el problema real de los costos de la IA: la tecnología puede salir más cara que los empleados
Microsoft está en el centro de una discusión que promete sacudir el mercado tecnológico en los próximos años. La empresa canceló la mayoría de las licencias directas de Claude Code para sus ingenieros, migrando todo hacia GitHub Copilot CLI, después de apenas seis meses ofreciendo la herramienta internamente.
¿El motivo? La adopción fue demasiado rápida, y la factura llegó antes de lo esperado.
Según The Verge, este movimiento no afecta el acuerdo de Microsoft con Anthropic a través de Foundry, que incluye una inversión de hasta 5 mil millones de dólares en la creadora de Claude y un compromiso de 30 mil millones de dólares de Anthropic para la compra de capacidad computacional en Azure. El recorte se dirigió específicamente a las licencias internas de Claude Code, que miles de desarrolladores, gerentes de proyecto, diseñadores y otros empleados de la empresa usaban a diario para tareas de programación.
Este movimiento encendió una alerta importante: mantener inteligencia artificial funcionando a escala dentro de una empresa puede salir más caro que pagar los salarios de empleados humanos.
Y Microsoft no está sola en esto.
Uber, por ejemplo, quemó el presupuesto completo de herramientas de IA para programación de 2026 en apenas cuatro meses. El CTO de la empresa, Praveen Neppalli Naga, confirmó la situación a The Information en abril, revelando que la compañía había incentivado activamente el uso de estas herramientas mediante rankings internos que clasificaban a los equipos por el volumen de consumo de IA.
Bryan Catanzaro, vicepresidente de deep learning aplicado en Nvidia, fue directo al grano en una entrevista reciente con Axios:
Para mi equipo, el costo de computación supera con creces el costo de los empleados.
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.
Esa frase resume bien la paradoja que las grandes empresas de tecnología están empezando a enfrentar de cerca, y que pone en jaque parte de las promesas hechas sobre el retorno financiero de la IA generativa. 🤔
Qué hay detrás de esta cuenta tan elevada
Cuando las empresas comenzaron a distribuir herramientas de inteligencia artificial a sus equipos, la idea era clara: aumentar la productividad, reducir el tiempo dedicado a tareas repetitivas y, al final del día, ahorrar dinero. El problema es que esa ecuación funciona bien en el papel, pero en la práctica el consumo de recursos computacionales crece de una forma que pocos gestores anticiparon. Cada consulta realizada a un modelo de lenguaje, cada línea de código generada por un asistente, cada análisis automatizado tiene un costo real de infraestructura. Y cuando multiplicas eso por cientos o miles de empleados usando estas herramientas todo el día, la cifra final puede ser aterradora.
En el caso de Microsoft, el Claude Code de Anthropic estaba siendo usado directamente por los ingenieros para tareas de programación y automatización. La herramienta es poderosa, pero el modelo de cobro por uso significa que cuanto más trabajan los equipos, más crece la factura. Seis meses fueron suficientes para que la empresa se diera cuenta de que el volumen de uso estaba muy por encima de lo proyectado inicialmente, y que continuar con las licencias directas representaría un gasto difícil de justificar sin un análisis más profundo de retorno sobre la inversión. La solución encontrada fue consolidar todo dentro de GitHub Copilot CLI, una plataforma que la propia Microsoft ya controla y puede gestionar con mayor previsibilidad de costos.
Este tipo de movimiento revela algo importante sobre cómo el mercado todavía está aprendiendo a manejar la IA a escala corporativa. No basta con ofrecer la herramienta y cruzar los dedos para que los resultados aparezcan. Es necesario monitorear el consumo de cerca, crear políticas de uso claras y entender que el costo operativo de modelos de lenguaje avanzados es una variable que puede escaparse de control muy rápidamente si no hay una gobernanza adecuada. La tecnología es increíble, pero necesita estar dentro de una planificación financiera realista.
Tokens más baratos, cuentas más altas: la paradoja emergente
Microsoft y Uber no son casos aislados. El comportamiento de incentivar el uso masivo de IA se extendió por las mayores empresas de tecnología del mundo. En Meta, un empleado creó un panel bautizado como Claudeonomics, en referencia al modelo Claude de Anthropic, para rastrear qué trabajadores estaban consumiendo más IA. Amazon, por su parte, comenzó a estimular a sus empleados a hacer lo que llaman tokenmaxxing, que básicamente significa usar la mayor cantidad posible de tokens de IA, los bloques básicos de computación de estos modelos.
Este comportamiento generalizado de maximización de uso termina creando un problema estructural. Con el sistema de precios basado en tokens, el trabajo se vuelve más caro a medida que el uso aumenta y los modelos se vuelven más sofisticados. Goldman Sachs publicó recientemente una proyección que muestra que la IA agéntica puede impulsar un aumento de 24 veces en el consumo de tokens hasta 2030, con consumidores y empresas adoptando agentes de IA a gran escala. La estimación es de impresionantes 120 cuatrillones de tokens por mes. A medida que los negocios recurren a agentes de IA para aumentar la productividad, los costos agregados pueden subir bruscamente, incluso si el precio individual de cada token baja.
Y sí, se espera que el costo unitario de los tokens disminuya significativamente. Un informe reciente de Gartner señaló que para 2030, la inferencia en un modelo de lenguaje con un billón de parámetros — básicamente, un modelo de IA extremadamente sofisticado — costará a las empresas de IA casi un 90% menos de lo que costaba en 2025. Parece una buena noticia, ¿verdad? No tanto.
La propia Gartner advirtió que tokens más baratos no se van a traducir en IA empresarial más barata. Y las razones son bastante claras:
- Los modelos agénticos exigen muchos más tokens por tarea que los modelos estándar
- El aumento en el consumo puede superar la caída en los costos unitarios
- Los proveedores de IA no van a trasladar íntegramente las reducciones de costo a los consumidores
Will Sommer, analista sénior de Gartner, lanzó una advertencia contundente sobre este escenario: Los directores de producto no deben confundir la deflación de tokens como commodity con la democratización del razonamiento de frontera.
Traduciendo: el hecho de que cada token individual sea más barato no significa que operar sistemas avanzados de IA vaya a costar menos. En realidad, puede costar significativamente más, porque los modelos más avanzados simplemente consumen muchos más tokens para realizar sus tareas.
Cuando la IA cuesta más que la gente
La declaración de Bryan Catanzaro, de Nvidia, no fue una exageración retórica. Refleja una realidad que se está volviendo cada vez más común en empresas que operan en la frontera de la inteligencia artificial. Equipos de investigación y desarrollo que trabajan con modelos grandes, experimentos de entrenamiento e inferencia a gran escala ya conviven con presupuestos de computación que fácilmente superan la nómina salarial. Esto ocurre porque el poder computacional necesario para ejecutar estos sistemas no es barato, especialmente cuando hablamos de GPUs de última generación e infraestructura en la nube funcionando continuamente durante días o semanas seguidas.
El caso de Uber es quizás el ejemplo más emblemático de esta nueva realidad. La empresa tenía un presupuesto planificado para todo el año 2026, destinado al uso de herramientas de IA por parte de los equipos internos, y ese presupuesto se consumió en apenas cuatro meses. No porque las herramientas se usaron mal o porque hubo un desperdicio evidente, sino simplemente porque el incentivo al uso fue demasiado exitoso. Los equipos adoptaron las herramientas, empezaron a depender de ellas en el día a día, y el consumo escaló de una forma que los modelos de previsión financiera no capturaron con precisión. Cuando la adopción es un éxito, la cuenta puede convertirse en un problema — y esa es una paradoja para la que pocas empresas estaban preparadas.
Todo esto coloca una presión nueva sobre los gestores de tecnología y sobre los CFOs que necesitan justificar estas inversiones ante los consejos directivos. La promesa de la IA generativa siempre fue que se pagaría sola con ganancias de productividad, pero calcular ese retorno de forma precisa sigue siendo un desafío enorme. ¿Cuántas horas de trabajo se ahorraron? ¿Cuántos errores se evitaron? ¿Cuántas decisiones se tomaron más rápido? Estas preguntas son válidas, pero las respuestas rara vez llegan con la claridad necesaria para equilibrar una hoja de gastos que sigue creciendo mes a mes con los costos de infraestructura y licenciamiento.
La visión de 100 agentes de IA por empleado va a tener un precio
Jensen Huang, CEO de Nvidia, declaró recientemente que cree en un futuro donde 100 agentes de IA van a trabajar junto a cada empleado dentro de su propia empresa. Esta visión forma parte de una ola más amplia de CEOs de grandes corporaciones promoviendo un futuro agéntico, en el cual trabajadores digitales operan de forma autónoma en diferentes áreas de las organizaciones.
La idea es emocionante, sin duda. Pero los informes de Microsoft y Uber sugieren que, si el consumo de tokens crece más rápido de lo que bajan los costos unitarios, ese futuro puede llegar acompañado de una factura mucho más pesada de lo que los ejecutivos imaginan hoy. La complejidad de las tareas que los agentes de IA necesitan resolver exige cadenas de razonamiento largas, múltiples etapas de procesamiento y volúmenes enormes de tokens por cada operación completada.
Poner 100 agentes trabajando para cada empleado no es solo una cuestión de capacidad técnica. Es, ante todo, una cuestión económica que necesita cuadrar las cuentas a fin de mes. Y por lo que los datos están mostrando ahora, esa cuenta todavía no cuadra para la mayoría de las empresas que intentaron escalar el uso de IA internamente. 📊
Qué cambia de aquí en adelante
El escenario actual no significa que las empresas vayan a renunciar a la inteligencia artificial. Todo lo contrario. Pero señala que la fase de distribución irrestricta y entusiasta está llegando a su fin, dando paso a un enfoque más estratégico y cuidadoso de uso. Las organizaciones están empezando a tratar el consumo de IA con el mismo nivel de rigor que aplican a cualquier otro recurso corporativo, creando límites de uso, categorizando casos de aplicación por valor generado y priorizando las herramientas que entregan resultados medibles en lugar de simplemente adoptar todo lo que aparece en el mercado.
Herramientas que usamos a diario
Para los empleados que usan estas herramientas en el día a día, esto puede significar cambios concretos en la forma en que acceden a la IA en el trabajo. Políticas más estrictas de uso, aprobaciones para determinados tipos de consulta, o incluso la sustitución de herramientas más caras por alternativas más accesibles controladas internamente son movimientos que deberían volverse más comunes a lo largo de los próximos meses. Microsoft ya dio un ejemplo claro de esto al migrar a sus ingenieros de Claude Code a GitHub Copilot CLI, una decisión que mezcla control de costos con consolidación de plataforma dentro de su propio ecosistema.
Otro punto relevante es que tanto Anthropic como Microsoft no comentaron públicamente los detalles de esta decisión cuando fueron contactadas por Fortune, lo que sugiere que el tema es delicado internamente y que las empresas todavía están calibrando cómo comunicar estos cambios sin perjudicar la narrativa de innovación que sostiene sus estrategias de mercado.
Los modelos de precios necesitan evolucionar
La gran pregunta que queda es si los modelos de precios de las herramientas de IA van a evolucionar para acompañar esta nueva realidad. Hoy, la mayor parte de los cobros se hace por volumen de uso, lo que funciona bien para casos puntuales pero se vuelve complicado cuando el uso es intenso y continuo. Existen caminos posibles que pueden hacer esta ecuación más sostenible:
- Modelos basados en resultado, donde el cobro está vinculado al valor entregado y no al volumen consumido
- Suscripciones con topes de consumo que ofrezcan previsibilidad presupuestaria
- Paquetes corporativos diseñados para uso a gran escala con descuentos progresivos
- Herramientas internas propietarias que reduzcan la dependencia de proveedores externos
Estos modelos pueden ser el camino para lograr una ecuación más equilibrada, tanto para las empresas de tecnología que venden las herramientas como para las organizaciones que necesitan justificar cada línea del presupuesto de innovación.
La madurez del mercado pasa por aquí
Lo que estamos viendo en este momento es, en realidad, una señal de maduración del mercado de IA corporativa. Toda tecnología disruptiva pasa por este ciclo: entusiasmo inicial, adopción acelerada, choque con la realidad de los costos y, finalmente, estabilización con modelos de uso más inteligentes y sostenibles. La inteligencia artificial generativa no será diferente.
Los informes sobre Microsoft y Uber no son noticias sobre el fracaso de la IA. Son noticias sobre empresas aprendiendo, en tiempo real, a calibrar expectativas con la realidad operativa. Y esa calibración es esencial para que la tecnología entregue, de hecho, el valor que promete a largo plazo. Las empresas que logren encontrar ese equilibrio entre innovación y responsabilidad financiera probablemente serán las que lideren la próxima fase de esta transformación tecnológica. 💡
Mientras tanto, el mensaje que queda para el mercado es claro: la IA es poderosa, transformadora y está llena de potencial, pero no es gratuita. Y pretender que el costo no importa es la receta más rápida para convertir una revolución tecnológica en un problema en el balance general.
