Un reportaje publicado el 5 de junio por TechCrunch documenta el momento en que la factura de los tokens de IA deja de ser abstracta. Uber agotó todo su presupuesto de IA para 2026 en cuatro meses. Microsoft revocó los accesos a Claude Code semanas después de activarlos. Priceline vio su contrato de Cursor multiplicarse por cuatro en la renovación. No son excepciones: el consumo de tokens por developer ha crecido 18,6 veces en nueve meses.
El dato que Carla o Marta necesitan llevar a dirección es este: los engineers que más tokens consumen son dos veces más productivos, pero gastan diez veces más. El ROI existe. Pero la relación entre token consumido y resultado obtenido no es lineal, y nadie ha establecido todavía cómo se mide. Ese vacío es lo que está generando el primer mercado serio de gestión del gasto en IA.
Las empresas más avanzadas adoptan tres respuestas en paralelo. Primera: topes de gasto mensual por empleado — Uber fijó 1.500 dólares al mes por persona para herramientas agénticas. Segunda: smart routing, plataformas que dirigen automáticamente las consultas al modelo más barato según la tarea. Tercera: herramientas de visibilidad del gasto: Ramp, Datadog y New Relic ya tienen módulos para seguir el consumo de IA por equipo y por tarea.
En el mercado de herramientas específicas empiezan a aparecer jugadores nuevos. Pay-i, Faros AI y Jellyfish construyen plataformas dedicadas a la economía de tokens — análogos a lo que Datadog hizo con el cloud. El problema de escala es real: mientras las facturas de cloud se miden en cientos de millones de filas de datos al mes, el gasto en tokens genera billones. Esto no es optimización marginal. Es una disciplina operativa nueva que el mercado está definiendo en tiempo real.
El patrón apunta a algo más estructural. Goldman Sachs proyecta que el uso global de tokens se multiplicará por 24 antes de 2030. La Linux Foundation lanzará en julio la Tokenomics Foundation, un organismo dedicado a crear estándares para medir y auditar el gasto agéntico. Que una fundación de estándares técnicos se dedique a los costes de IA confirma que esto ha dejado de ser un problema de finanzas y ha pasado a ser un problema de gobernanza operativa.
El punto de partida para cualquier empresa mediana es el inventario: quién usa IA, para qué tareas y cuánto consume. Sin ese dato, cualquier conversación sobre ROI o sobre dónde poner límites es especulación. Herramientas como Ramp o Datadog pueden dar esa visibilidad sin integración técnica compleja. El paso siguiente es decidir qué tareas justifican tokens premium — análisis de contratos, generación de propuestas — y cuáles pueden ir a modelos más económicos sin perder resultado.
