Microsoft cancela licencias de IA y expone un problema que nadie quería enfrentar: la tecnología cuesta más que pagar empleados
Microsoft está en el centro de una discusión que promete sacudir al sector tecnológico en los próximos meses — y quizás en los próximos años.
La promesa que sostuvo miles de millones en inversiones era simple: la IA reduciría costos, eliminaría trabajo repetitivo y potenciaría la productividad de los equipos. Solo que la realidad está presentando una factura bien diferente de lo que cualquier proyección optimista había anticipado.
En lugar de ahorrar, las grandes empresas están viendo cómo sus presupuestos de tecnología se evaporan en cuestión de meses — a veces semanas. El episodio que involucra la cancelación masiva de licencias de Claude Code dentro de la propia Microsoft es solo la punta del iceberg de un problema que empresas como Uber, Meta y Amazon también ya están sintiendo en carne propia. 🤯
Y lo que vuelve todo esto aún más curioso es que el costo de usar IA está, en algunos casos, superando el costo de simplemente contratar humanos para hacer el mismo trabajo.
No es exageración, no es alarmismo. Es lo que los propios números y declaraciones de ejecutivos del sector están señalando — incluyendo una afirmación sorprendente que vino desde dentro de Nvidia, la empresa que más se beneficia con la expansión de la inteligencia artificial en el mundo.
Entonces, ¿qué está pasando realmente con la economía de la IA? Vamos a entenderlo. 👇
Microsoft canceló licencias de IA que ella misma incentivó
Parece contradictorio, pero es exactamente lo que ocurrió. Microsoft — una de las mayores inversionistas en inteligencia artificial del planeta, socia estratégica de OpenAI y desarrolladora de Copilot — recortó la mayoría de las licencias directas de Claude Code, la herramienta de IA de Anthropic orientada a programación. En su lugar, está dirigiendo a los ingenieros hacia el uso de GitHub Copilot CLI.
Según un reportaje de The Verge, la decisión llegó apenas seis meses después de que la empresa abriera el acceso a Claude Code, animando a miles de desarrolladores, gerentes de proyecto, diseñadores y otros empleados a experimentar con la herramienta para codificación. La adopción fue rápida — quizás demasiado rápida. La escala de uso creció hasta el punto de forzar a la empresa a dar marcha atrás con una herramienta que sus propios ingenieros ya habían incorporado a su rutina de trabajo.
Un detalle importante: la cancelación de las licencias de Claude Code no afecta el acuerdo comercial de Microsoft con Anthropic vía Foundry. Ese acuerdo incluye una inversión de hasta 5 mil millones de dólares en Anthropic, acceso de los clientes de Foundry a los modelos Claude y un compromiso de Anthropic de comprar 30 mil millones de dólares en capacidad de cómputo Azure, también según el reportaje de The Verge.
Lo irónico aquí es que Microsoft ya posee sus propias herramientas de IA para desarrollo, como GitHub Copilot. Aun así, equipos internos buscaban alternativas externas, lo que por sí solo dice bastante sobre cómo el mercado todavía está intentando descubrir qué herramienta realmente entrega resultados — y cuál solo genera facturas a fin de mes.
Uber quemó el presupuesto anual de IA en cuatro meses
Microsoft no está sola en esto. El caso de Uber quizás sea aún más revelador sobre el tamaño del problema.
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.
Según un reportaje de The Information, el CTO de Uber, Praveen Neppalli Naga, reveló en abril que la empresa ya había quemado todo el presupuesto de 2026 para herramientas de codificación con IA en apenas cuatro meses. Detalle: la propia empresa había incentivado activamente la adopción, creando rankings internos que clasificaban a los equipos por su nivel de uso de las herramientas de IA.
Es decir, el liderazgo empujó el uso, los equipos lo adoptaron con entusiasmo, y el resultado financiero fue un reventón presupuestario monumental antes siquiera de que terminara el primer semestre. Esto plantea una pregunta inevitable: cuando la estrategia de adopción de IA se mide por el volumen de uso en vez del retorno concreto, lo que ocurre es justamente eso — gastos descontrolados sin contrapartida clara.
Meta, Amazon y la carrera por consumir más tokens
El patrón se repite en otras gigantes. En Meta, un empleado creó un panel apodado Claudeonomics — en referencia al modelo Claude de Anthropic — para rastrear qué trabajadores estaban usando más IA. Era básicamente un marcador de quién consumía más recursos computacionales.
Ya en Amazon, surgió internamente el término tokenmaxxing, un incentivo para que los empleados usaran el máximo posible de tokens de IA — que son las unidades básicas de procesamiento computacional de los modelos de lenguaje. Cada pregunta hecha, cada línea de código generada, cada respuesta revisada consume tokens. Y los tokens cuestan dinero.
Estas iniciativas revelan una cultura corporativa donde el objetivo principal era maximizar la adopción, casi como si el simple acto de usar IA ya fuera sinónimo de innovación. El problema es que, en un modelo de precios basado en consumo, más uso significa obligatoriamente más gasto. Y sin métricas claras de retorno, la inversión se convierte en costo puro. 💸
¿Qué está haciendo que la IA sea tan cara?
Para entender el tamaño del problema, vale la pena mirar cómo funciona en la práctica el modelo de precios de la IA. La mayoría de las herramientas cobra por uso — ya sea por token procesado, por llamada a la API, por hora de cómputo o por suscripción por usuario activo. En el papel, los valores unitarios parecen razonables. El problema es que el volumen de uso en entornos corporativos crece muy rápido, y los costos escalan junto con él, muchas veces sin que los gestores se den cuenta hasta que reciben la factura.
Es una dinámica parecida a la de los servicios de streaming por consumo: parece barato hasta que ves cuánto realmente usaste al final del mes.
La situación se vuelve aún más compleja cuando miramos hacia el futuro de los agentes de IA. Goldman Sachs publicó recientemente una proyección indicando que la IA agéntica — aquella que funciona de forma autónoma, ejecutando tareas sin intervención humana — puede generar un aumento de 24 veces en el consumo de tokens hasta 2030, con empresas y consumidores adoptando agentes de IA a gran escala. La estimación habla de impresionantes 120 cuatrillones de tokens por mes.
Hay además otro factor que complica bastante el panorama: la infraestructura necesaria para ejecutar modelos de IA de vanguardia es extraordinariamente cara. Las GPUs de Nvidia llegan a costar decenas de miles de dólares por unidad, y los centros de datos que sostienen estos modelos consumen energía en volúmenes que impresionan a cualquier gestor de presupuesto. Todo eso se va incorporando en los precios que las empresas de IA cobran a los clientes finales, formando una cadena de costos que solo tiende a crecer mientras la demanda siga caliente.
La paradoja de los tokens: más baratos individualmente, más caros en total
Aquí está quizás el punto más contraintuitivo de toda esta historia. El costo unitario de los tokens de IA está, sí, bajando — y debería seguir bajando de forma significativa en los próximos años.
Un informe reciente de la consultora Gartner estimó que, para 2030, el costo de inferencia en un modelo de lenguaje de un billón de parámetros — básicamente un modelo de IA extremadamente sofisticado — será casi un 90% menor de lo que era en 2025.
Solo que la misma Gartner se encargó de alertar: tokens más baratos no significan IA empresarial más barata. Existen tres razones principales para ello:
- Los modelos agénticos consumen muchos más tokens por tarea que los modelos tradicionales de chat o generación de texto
- El aumento en el consumo total puede superar la caída en el costo unitario, haciendo que la cuenta final suba incluso con tokens más baratos
- Los proveedores de IA no necesariamente trasladan la reducción de costos a los clientes — tal como ocurre en muchos otros sectores
Will Sommer, analista sénior de Gartner, fue directo al grano en un comunicado público: los directores de producto no deben confundir la deflación de tokens commoditizados con la democratización del razonamiento de frontera.
En términos más simples: el hecho de que procesar texto se haya abaratado no significa que usar IA avanzada para tareas complejas se haya vuelto accesible. Son cosas completamente diferentes. 📊
La afirmación que nadie esperaba escuchar de Nvidia
Si ya era sorprendente ver a Microsoft recortar gastos en IA, aún más inesperado fue lo que vino de Nvidia. Bryan Catanzaro, vicepresidente de deep learning aplicado de la empresa, declaró públicamente en una entrevista con Axios una frase que resonó por todo el sector:
Para mi equipo, el costo de cómputo está muy por encima de los costos de los empleados.
La empresa que fabrica los chips que literalmente alimentan la revolución de la inteligencia artificial — y que vio cómo sus acciones se disparaban en los últimos años gracias a esta ola — tuvo a uno de sus ejecutivos reconociendo públicamente que, en determinados contextos, mantener humanos todavía sale más barato que ejecutar IA para el mismo trabajo.
Esta admisión no significa que Nvidia esté apostando en contra de la inteligencia artificial, ni de lejos. Lo que revela, sin embargo, es que hasta los mayores beneficiarios de esta ola están reconociendo que el modelo económico actual todavía tiene vacíos serios. La eficiencia que la IA promete aún depende mucho del tipo de tarea, del volumen de uso, de la calidad de los datos disponibles y del nivel de automatización que la empresa logre implementar alrededor de las herramientas.
Sin esos factores alineados, el retorno sobre la inversión puede tardar mucho más en aparecer de lo que cualquier discurso de ventas sugiere. 🤔
El sueño de 100 agentes de IA por empleado puede salir caro
Para poner en perspectiva el tamaño de la apuesta que se está haciendo, vale recordar una declaración reciente de Jensen Huang, CEO de Nvidia. Afirmó creer que, en el futuro, 100 agentes de IA trabajarán junto a cada empleado de la empresa.
Huang forma parte de una ola más amplia de CEOs que están promoviendo un futuro agéntico, donde trabajadores digitales operan de forma autónoma por toda la empresa. La visión es ambiciosa y, en muchos sentidos, emocionante.
Herramientas que usamos a diario
Pero si el consumo de tokens crece más rápido de lo que baja el costo unitario, ese futuro puede venir con una factura mucho más pesada de lo que los ejecutivos están previendo. La matemática simple es implacable: multiplica el consumo por 100 agentes por empleado, multiplica por el número de empleados, multiplica por los tokens necesarios por tarea — y las cifras se vuelven astronómicas bastante rápido, incluso con tokens individualmente más baratos.
Productividad prometida versus productividad real
Aquí está el corazón del debate. La IA claramente mejora la productividad en muchos escenarios — eso es innegable y está documentado en diversos estudios. Los desarrolladores que usan herramientas como GitHub Copilot reportan escribir código más rápido. Los redactores que usan asistentes de escritura logran producir más en menos tiempo. Los equipos de atención al cliente que adoptan chatbots inteligentes consiguen resolver más tickets por hora. Esas ganancias son reales y medibles en situaciones específicas y bien estructuradas.
El problema está en la diferencia entre la ganancia real y la ganancia esperada — especialmente cuando esa ganancia necesita ser lo suficientemente grande para justificar los costos crecientes de la infraestructura de IA. En muchos casos, las empresas subestimaron el esfuerzo necesario para integrar las herramientas en los flujos de trabajo existentes, capacitar a los equipos, ajustar los modelos al contexto específico del negocio y lidiar con los errores y alucinaciones que los modelos todavía cometen con una frecuencia incómoda.
Esos factores consumen tiempo, dinero y energía — recursos que raramente estaban en el presupuesto original del proyecto de IA.
Existe además un componente humano que suele ser subestimado en las proyecciones: la resistencia al cambio. Incluso cuando las herramientas funcionan bien técnicamente, la adopción real dentro de los equipos suele ser menor de lo esperado. Parte de los profesionales usa la IA solo superficialmente, parte la ignora completamente — lo que significa que la empresa paga la licencia de todos, pero cosecha el beneficio de pocos. Esa brecha entre licencia activada y uso efectivo es uno de los mayores generadores de costo invisible en el ecosistema de tecnología corporativa hoy.
Qué cambia esto de aquí en adelante
La discusión que está emergiendo ahora no es sobre abandonar la IA — ninguna empresa seria está contemplando eso. Lo que está cambiando es la forma en que las organizaciones están pensando sobre la adopción de estas herramientas. La fase de experimentación entusiasta está dando paso a un enfoque más criterioso, donde cada licencia necesita ser justificada, cada caso de uso necesita ser evaluado con cuidado y las ganancias de productividad necesitan ser medibles de verdad, no solo estimadas con base en benchmarks genéricos.
Estos reportes y episodios que involucran a Microsoft y Uber pueden echarle un balde de agua fría a las apuestas que las mayores empresas de tecnología hicieron en la IA. Mientras algunos todavía se aferran a la promesa de un renacimiento o revolución vía inteligencia artificial, el costo real de adopción se está mostrando como un cuello de botella persistente. Los acontecimientos también sugieren que la economía de sustituir o complementar el trabajo humano con IA puede ser bastante más complicada de lo que las proyecciones iniciales daban a entender.
Para las empresas de tecnología que desarrollan y venden estas herramientas, el mensaje también es claro: la fijación de precios y el modelo de negocio necesitan evolucionar. Un modelo que genera facturas impredecibles y difíciles de controlar no va a sobrevivir al escrutinio de los directores financieros de las grandes corporaciones por mucho más tiempo. La tendencia es que surjan modelos más predecibles, con límites de uso, paquetes fijos y mayor transparencia sobre lo que se está consumiendo — de forma bastante parecida a lo que ocurrió con el mercado de cloud computing hace algunos años, cuando las empresas se dieron cuenta de que necesitaban más control sobre lo que estaban gastando en la nube.
El episodio de Microsoft con Claude Code puede parecer un detalle aislado, pero en realidad es una señal importante de que el mercado de IA está madurando — y que esa madurez va a exigir honestidad sobre lo que funciona, lo que no funciona y cuánto cuesta realmente todo esto. La promesa de la inteligencia artificial sigue vigente. Lo que se está revisando ahora es el camino para llegar allí, y ese proceso de ajuste es natural, necesario y, en el fondo, saludable para todo el ecosistema de tecnología. 🚀
