"La IA cuesta más que la persona a la que sustituye": el titular que hay que leer con cuidado

En las últimas semanas ha circulado un titular que suena contraintuitivo y que por eso mismo se ha compartido mucho: la IA está costando más que los trabajadores a los que reemplaza. Forbes lo tituló sin rodeos, AI Costs More Than The People It Replaced. Axios recogió una frase de un vicepresidente de Nvidia asegurando que, en su equipo, el coste del cómputo supera ya el coste de los empleados. Fortune informó de que Uber agotó todo su presupuesto anual de IA para programación en cuatro meses.

Estos datos son reales. El problema no está en los datos, está en la generalización que se hace a partir de ellos.

Lo que de verdad está pasando

Los casos que alimentan el titular comparten un patrón muy concreto: son empresas usando modelos de frontera, sin control de gasto, en tareas de desarrollo de software altamente agénticas, donde una sola solicitud de usuario puede disparar entre diez y veinte llamadas encadenadas al modelo. Amazon y Meta construyeron internamente clasificaciones para medir el uso de IA entre sus equipos de ingeniería, y algunos empleados terminaron “quemando” tokens en tareas sin sentido solo para subir en el ranking. Un empleado de Anthropic llegó a gastar 150.000 dólares en un mes usando Claude Code; para que ese gasto compensara, ese ingeniero tendría que producir el equivalente al trabajo de once ingenieros normales.

Esto no es un problema de que la IA sea inherentemente cara. Es un problema de gobernanza del gasto: modelos de frontera aplicados sin criterio, sin enrutamiento hacia modelos más baratos, y con incentivos internos que premiaban el consumo en lugar del resultado. Un estudio del MIT citado en la cobertura de Forbes encontró que la automatización con IA es económicamente viable en aproximadamente el 23% de los puestos analizados. Para el 77% restante, la persona sigue siendo más barata, sencillamente porque esos puestos no encajan con el tipo de tarea que la IA resuelve bien.

Lo que el titular no cuenta: dónde la IA sí es mucho más barata

En paralelo a esos casos de sobrecoste, existen datos igual de sólidos que muestran justo lo contrario en tareas bien definidas. Un análisis de 2026 sobre flujos de atención al cliente encontró que la IA gestiona interacciones rutinarias a un coste de entre 0,25 y 0,50 dólares por contacto, frente a entre 3 y 6 dólares por un agente humano: una reducción de entre el 85% y el 92%, con retorno de la inversión en un plazo de cuatro a seis meses. Investigadores de Stanford y Carnegie Mellon encontraron que agentes de IA completaban ciertas tareas un 88% más rápido y con hasta un 96% menos coste que personas, en el tipo de trabajo estructurado y de alto volumen para el que estos sistemas están diseñados.

La diferencia entre ambos mundos no es el modelo de IA que se usa. Es el tipo de tarea. Sustituir a un agente de centralita que gestiona restablecimientos de contraseña es un problema estructurado, de alto volumen y tolerante a fallos. Sustituir a un analista financiero que redacta un informe de crédito, o a un abogado que revisa una cláusula contractual, es un problema contextual, de bajo volumen por caso, y que exige una precisión que los agentes actuales no sostienen sin supervisión humana constante.

El error de fondo: la falacia del modelo grande

Un análisis de 2026 sobre la crisis de costes de inferencia empresarial le pone nombre a este error: la “falacia del modelo grande”, la suposición de que hace falta un modelo de frontera para cualquier tarea. Las empresas que caen en ella ven cómo su factura de IA se dispara mientras el coste por token individual, paradójicamente, sigue bajando: los precios de inferencia han caído entre 9 y 900 veces por año según el tipo de tarea, y Gartner anticipa una caída adicional del 90% de aquí a 2030. Lo que sube no es el precio por token, es la cantidad de tokens que se gastan sin control cuando no existe un enrutamiento que mande cada tarea al modelo adecuado.

La conclusión que sí sostienen los datos

Decir que “la IA es más cara que un trabajador humano” como afirmación general es tan impreciso como decir lo contrario. Lo que muestran los datos de 2026 es algo más matizado: la IA sale sistemáticamente más barata cuando se aplica a tareas estructuradas, repetitivas y bien acotadas, y puede salir más cara que una persona cuando se aplica sin control a tareas complejas con modelos de frontera y sin ningún mecanismo de enrutamiento de coste. El titular alarmista y el titular triunfalista describen, en realidad, dos escenarios distintos de la misma tecnología, no dos verdades contradictorias sobre ella.