La inteligencia artificial está llegando a más productos, flujos de trabajo y áreas de negocio. A medida que crece su adopción, las organizaciones deben gestionar una combinación cada vez más compleja de modelos, proveedores, cargas de trabajo y patrones de consumo.
Esto plantea un desafío para los líderes de Finanzas y Tecnología: ¿cómo comprender la economía de la IA para tomar mejores decisiones sobre inversión, uso y valor?
El informe State of Tokenomics 2026, de Tokenomics Foundation, ofrece una perspectiva sobre cómo las organizaciones están abordando esta cuestión. La investigación reúne 472 respuestas de 11 sectores y señala una brecha: aunque la adopción de IA avanza, muchas empresas aún tienen dificultades para relacionar sus costos con resultados de negocio que puedan demostrar.
Para los profesionales de FinOps, estos hallazgos amplían la conversación más allá del precio de los tokens o de la factura mensual. Plantean preguntas sobre atribución, responsabilidades, gobernanza y cómo hacer que la inversión en tecnología sea comprensible para quienes toman decisiones de negocio.
Estas son cinco señales que vale la pena considerar.
1. La gestión de costos de IA empieza por medir el valor
El informe identifica demostrar valor o ROI como el desafío de tokenomics más mencionado: el 43% de los participantes señaló este tema. Por separado, el 39% dijo no tener confianza en que podría relacionar el gasto en IA con un resultado de negocio medible y aceptable para su CFO.
Estos resultados destacan una diferencia importante para FinOps: la visibilidad del gasto no equivale a medir el valor.
Saber cuánto consumió una carga de trabajo, qué proveedor se utilizó o qué equipo generó el gasto ayuda a explicar la inversión. Pero, por sí solo, no demuestra si esa inversión mejoró un proceso, respaldó un producto o contribuyó a un resultado medible.
El desafío se hace más evidente cuando las organizaciones dependen únicamente de métricas técnicas de consumo. El volumen de tokens, la cantidad de solicitudes o el uso de modelos ayudan a entender la actividad, pero quizá no respondan las preguntas que importan al negocio:
- ¿Qué trabajo respaldó la carga de trabajo de IA?
- ¿Quién la utilizó y con qué propósito?
- ¿Qué cambió como resultado?
- ¿Qué resultado debe medirse para este caso de uso?
- ¿El valor generado justifica la inversión?
No existe una única métrica de resultados adecuada para todas las cargas de trabajo de IA. Un caso de atención al cliente, por ejemplo, puede requerir indicadores distintos a los de un flujo de desarrollo de software o una herramienta interna de conocimiento.
Lo esencial es definir el resultado relevante para cada caso de uso e interpretar el consumo dentro de ese contexto. Para FinOps, esto significa pasar de la pregunta “¿Cuánto gastamos?” a “¿Qué permitió esta inversión y cómo evaluaremos si valió la pena?”
2. Las organizaciones piden transparencia, no solo precios más bajos
Cuando se preguntó a los participantes qué querían de los proveedores de modelos y tokens, el 23% solicitó más transparencia y datos granulares. Solo el 4% pidió precios más bajos. El informe también indica que el 19% mencionó estándares como FOCUS.
Es una señal relevante. Gestionar la economía de la IA no es únicamente una cuestión de compras. Las organizaciones necesitan información suficiente para entender qué impulsa el uso y para que esos datos sean útiles entre equipos y proveedores.
Sin datos suficientemente detallados, resulta más difícil:
- Atribuir el consumo a los usuarios, equipos, proyectos o cargas de trabajo correctos.
- Explicar las variaciones del gasto a lo largo del tiempo.
- Comparar patrones de uso de manera significativa.
- Prever la demanda y planificar presupuestos.
- Definir responsabilidades por el consumo y los resultados.
Un mayor nivel de detalle no demuestra automáticamente el valor de negocio. Sin embargo, puede ofrecer una base más sólida para la asignación, la previsión y la toma de decisiones informadas.
Esto también conecta la economía de la IA con prácticas conocidas de FinOps. La asignación y la consistencia de los datos son importantes porque los equipos necesitan una visión compartida y confiable antes de decidir cómo actuar. A medida que las organizaciones consumen IA a través de distintos canales, contar con datos consistentes se vuelve aún más importante para comprender el panorama completo.
La implicación no es que todas las empresas necesiten el mismo nivel de detalle o el mismo modelo de datos. Los líderes deben identificar qué información necesitan para explicar el uso y respaldar decisiones, y luego evaluar si los datos actuales permiten hacerlo.
3. La responsabilidad por la economía de la IA es una cuestión transversal
El informe indica que el 88% de los participantes ha definido quién es responsable de tokenomics. Los líderes o las áreas de Tecnología fueron los responsables más citados, con un 35%, seguidos por la responsabilidad compartida entre distintas áreas, con un 26%. Finanzas fue señalada como responsable por el 5%.
La economía de la IA implica decisiones técnicas, controles financieros y resultados de negocio. Por eso, definir responsabilidades va más allá de decidir qué área aparece en el organigrama.
Los equipos de Tecnología pueden entender la arquitectura y los patrones de uso. Finanzas aporta planificación, previsiones y responsabilidad financiera. Producto y las áreas de negocio pueden definir qué resultados son importantes. Cada perspectiva aporta una parte distinta del contexto.
El informe también señala que las organizaciones con responsabilidades definidas tenían 3,7 veces más probabilidades de afirmar que podían demostrar valor al CFO. Esta es una asociación reportada por la investigación, no una prueba de que asignar un responsable cause mejores resultados. Aun así, subraya la importancia de establecer claramente las responsabilidades.
Un modelo de responsabilidades funcional debería aclarar preguntas como estas:
- ¿Quién es responsable de comprender el consumo?
- ¿Quién define cómo se atribuye el uso?
- ¿Quién establece o revisa los controles de gobernanza?
- ¿Quién determina el resultado esperado para cada caso de uso?
- ¿Quién reúne la información de consumo y resultados?
La responsabilidad no tiene que recaer en una sola área. Un modelo compartido puede funcionar si las responsabilidades y los derechos de decisión están claros. Sin esa claridad, algunas tareas importantes pueden quedar sin dueño: Tecnología hace seguimiento del uso, Finanzas recibe la factura y el área de negocio debe explicar el valor sin tener acceso a ninguna de esas perspectivas.
FinOps puede ayudar a crear una forma de trabajo común entre estas áreas. El objetivo no es convertir cada decisión en una decisión financiera, sino incorporar responsabilidad financiera y contexto de negocio a las decisiones sobre tecnología.
4. El enrutamiento de modelos despierta interés, pero su adopción no demuestra valor por sí sola
Según el informe, el 86% de los participantes está evaluando o utilizando un enrutador de modelos. También indica que quienes utilizan enrutadores tenían cuatro veces más probabilidades de afirmar que podían demostrar valor al CFO.
Esta relación merece atención, pero no debe interpretarse como prueba de que el enrutamiento, por sí solo, genere valor de negocio.
El enrutamiento puede formar parte de la selección de modelos para distintas tareas. Su utilidad depende del caso de uso, de los criterios que se apliquen y de los requisitos del resultado. Las decisiones pueden implicar un equilibrio adecuado entre costo, calidad, rendimiento y otras necesidades técnicas o de negocio.
Por tanto, la pregunta de FinOps no es solo si una empresa usa enrutamiento. También importa si sus decisiones sobre modelos y cargas de trabajo se rigen por los requisitos del negocio y pueden revisarse a lo largo del tiempo.
Un equipo, por ejemplo, puede evaluar si una carga de trabajo tiene criterios claros para seleccionar modelos, si esos criterios son adecuados para la tarea y si el uso y los resultados se revisan después de la implementación. Estas son preguntas operativas, no conclusiones que puedan deducirse únicamente de las tasas de adopción.
La capacidad de enrutamiento puede respaldar la toma de decisiones, pero no sustituye la necesidad de definir responsabilidades, atribuir el consumo o medir resultados. La lección más amplia es evaluar las decisiones tecnológicas en su contexto, en lugar de tratar una capacidad aislada como un atajo para generar valor.
5. La IA puede afectar los precios y los márgenes, no solo los presupuestos de Tecnología
El informe señala que el 52% de los participantes ya cambió o está considerando cambiar sus precios debido a la IA. Otro 30% no reportó cambios, mientras que el 18% afirmó que todavía es pronto para saberlo.
Este hallazgo amplía la conversación sobre la economía de la IA más allá de los costos de infraestructura y de modelos. Si la IA cambia la forma en que se desarrolla, entrega o consume un producto, las organizaciones quizá deban reconsiderar la relación entre costos, precios y márgenes.
Esto no significa que todas las empresas deban cambiar su modelo de precios. Las implicaciones variarán según el producto, las expectativas de los clientes y la manera en que se utiliza la IA. Pero sí puede ser necesario que Finanzas, Producto y Tecnología compartan una visión de cómo el consumo de IA se relaciona con la economía del negocio.
Por ejemplo, una empresa puede necesitar comprender si el uso de IA está asociado con una funcionalidad concreta del producto, si el consumo varía significativamente según el cliente o la actividad y cómo esos patrones afectan la planificación interna. Son preguntas sobre la relación entre el uso de tecnología y el modelo de negocio, no solo sobre el costo de un servicio específico.
FinOps puede ayudar a incluir estas preguntas en las conversaciones sobre previsiones, asignación y gobernanza. Esto cobra importancia cuando las decisiones tecnológicas pueden influir no solo en los gastos operativos, sino también en la economía de los productos y las prioridades de inversión.
Qué significan estas señales para FinOps
En conjunto, los hallazgos sugieren que la economía de la IA no consiste simplemente en contar tokens. Lleva preguntas habituales de FinOps a un nuevo contexto:
- Asignación: ¿Se puede atribuir el consumo a los equipos, productos, cargas de trabajo o actividades de negocio adecuados?
- Visibilidad: ¿Los datos disponibles son suficientemente detallados y consistentes para explicar el consumo?
- Gobernanza: ¿Están claras las responsabilidades y los controles, y reflejan cómo utiliza la organización la IA?
- Previsión: ¿Pueden los equipos utilizar lo que saben sobre el consumo para planificar la demanda futura?
- Medición del valor: ¿Se puede analizar la inversión en IA junto con los resultados importantes para el negocio?
Las organizaciones no necesitan resolver todas estas cuestiones de una vez. Un punto de partida práctico es seleccionar un caso de uso de IA y construir una visión operativa más clara.
Esto puede comenzar con cinco pasos:
- Definir responsabilidades. Aclarar quién se ocupa de los datos de uso, los controles financieros y la medición de resultados.
- Mejorar la atribución. Hacer que el consumo de IA sea comprensible para los usuarios, equipos, cargas de trabajo y proveedores relevantes para la toma de decisiones.
- Elegir métricas significativas. Identificar el resultado relevante para cada caso de uso, en lugar de depender únicamente de métricas de consumo.
- Contextualizar la gobernanza. Establecer controles que respalden un uso adecuado y las necesidades del negocio, sin tratar los límites presupuestarios como el único mecanismo.
- Revisar las decisiones a lo largo del tiempo. Utilizar la información de consumo y resultados para orientar las decisiones sobre cargas de trabajo, modelos e inversiones.
Estos pasos no garantizan el ROI. Ayudan a crear una base más disciplinada para evaluar el uso de IA, tomar decisiones y adaptarse a la evolución de las necesidades del negocio.
De explicar el gasto a tomar mejores decisiones
Los hallazgos del informe apuntan a una brecha entre utilizar IA y poder explicar con confianza su valor de negocio. Una mayor visibilidad puede ayudar a cerrar parte de esa brecha, pero no es el objetivo final. Las organizaciones también necesitan responsabilidades claras, una atribución significativa, una gobernanza adecuada y métricas que conecten la inversión con el propósito de cada caso de uso.
El objetivo no es reducir el gasto en IA a cualquier costo. Es hacer que las inversiones en tecnología sean comprensibles y gobernables para que los líderes puedan tomar mejores decisiones sobre el valor que generan.
Esta es una oportunidad más amplia para FinOps: avanzar desde la visibilidad y el análisis hacia acciones con responsabilidad definida. A medida que crece el uso de IA, las organizaciones necesitarán prácticas operativas que conecten datos, gobernanza y decisiones, no solo una factura más clara.
Fuente: Los porcentajes presentados son resultados reportados en el State of Tokenomics 2026, de Tokenomics Foundation. Describen respuestas a la encuesta y no deben tratarse como referencias universales.