Durante los últimos años, el negocio de la inteligencia artificial se ha basado principalmente en el consumo: número de consultas efectuadas, volumen de texto procesado o licencias contratadas por persona usuaria. En este modelo, una de las unidades básicas de facturación es el token, es decir, el fragmento mínimo de texto que el modelo procesa o genera. Puede ser una palabra corta, una parte de una palabra o un signo de puntuación. Sin embargo, expertos de la UOC apuntan a un cambio de fondo: la evolución de la IA generativa hacia agentes de IA capaces de ejecutar procesos completos está desplazando el valor del uso técnico de la herramienta hacia el resultado obtenido. "La clientela no quiere comprar cómputo, sino una tarea resuelta: un informe, una campaña, una reserva, una incidencia cerrada o una mejora de la productividad", explica Carles Méndez-Ortega, profesor de los Estudios de Economía y Empresa e investigador del grupo i2TIC-IA Lab de la UOC.
El debate ya está presente en los medios internacionales y en la investigación académica, aunque en España ha tenido menos visibilidad pública. Un estudio reciente concluye que los agentes de IA consumen muchos más tókenes que los chats convencionales: planifican, consultan herramientas, verifican y ejecutan acciones. En las tareas analizadas, llegaban a consumir hasta mil veces más tókenes.
La cuestión, por tanto, ya no es solo cuánto texto genera una IA, sino qué tarea logra completar. En lugar de pagar por tókenes, consultas o accesos, las organizaciones podrían empezar a pagar por incidencias resueltas, procesos completados, campañas ejecutadas o ahorros generados.
Del chatbot al agente: cuando la IA deja de responder y empieza a actuar
Mientras que los chatbots actuales se limitan principalmente a conversar, los nuevos agentes inteligentes pueden interactuar con aplicaciones, bases de datos, calendarios o correos electrónicos. "Un chatbot suele limitarse a conversar. Un agente de IA, en cambio, va un paso más allá, porque no solo responde, sino que puede actuar", explica Antonio Pita, profesor de los Estudios de Informática, Multimedia y Telecomunicación e investigador del grupo ICSO de la UOC.
Según el experto, la diferencia es comparable a la existente entre un asesor y un ejecutor. "El chatbot ayuda a pensar, redactar o diseñar, mientras que el agente ayuda a hacer. Es como pasar de un pensador a un ejecutor", resume. Completar procesos de principio a fin modifica la percepción del valor de la tecnología. Si un sistema puede resolver una incidencia, gestionar una cita, tramitar un pedido o corregir un error de programación, el valor ya no está en cuántos mensajes intercambia la IA, sino en el resultado final.
Para Méndez-Ortega, este cambio puede alterar profundamente el modelo de negocio de la IA, porque desplaza la unidad de valor. La tecnología deja de monetizarse únicamente como uso técnico de un modelo y empieza a vincularse directamente con el impacto económicoque genera. "En la práctica, acerca la IA al lenguaje tradicional de la empresa: ahorro de costes, sustitución o aumento de trabajo humano, reducción de tiempos y resultados medibles", afirma.
Los primeros sectores en experimentar esta transición podrían ser aquellos en los que los resultados son fáciles de definir y medir: centros de atención al cliente, gestión administrativa, compras, recursos humanos o determinadas tareas de desarrollo de software. "El valor no está en cuántos mensajes intercambia la IA, sino en si la cita queda modificada, la incidenciaqueda cerrada o la clientela obtiene una respuesta satisfactoria", señala Pita.
Algo parecido puede ocurrir en compras, cuando un agente compara proveedores, solicita presupuestos o tramita un pedido; en recursos humanos, cuando filtra candidaturas o agenda entrevistas; o en desarrollo de software, cuando corrige un error, genera una prueba automática o documenta código.
El fin de las licencias por persona usuaria y el debate sobre quién asumirá los costes
Este cambio amenaza uno de los pilares tradicionales de la industria del software: el cobro de licencias por persona usuaria. Si un único agente de IA es capaz de realizar el trabajo que antes requería de varias personas, ese modelo pierde parte de su lógica económica.
"El modelo de licencia por usuario tiene cada vez menos sentido", afirma Méndez-Ortega. Durante los próximos años convivirán diferentes fórmulas: algunas compañías mantendrán una cuota fija de acceso, mientras que otras incorporarán pagos variables vinculados al número de agentes desplegados, al volumen de actividad o a las tareas completadas.
"En ámbitos como atención al cliente, ventas, programación, marketing o análisis financiero, tendría sentido cobrar por cada ticket resuelto, lead cualificado, código validado, informe entregado o proceso automatizado", explica el experto.
Este modelo de pago por tareas ofrece ventajas para ambas partes. La clientela reduce su incertidumbre: ya no paga por acceder a una tecnología, sino por un resultado concreto y verificable. Para el proveedor, supone una oportunidad de crecimiento: si sus agentes completan más tareas con éxito, sus ingresos aumentan directamente en función del valor que generan. Sin embargo, el modelo también plantea desafíos. Para que funcione, es necesario definir con precisión qué constituye un resultado satisfactorio y cómo medirlo.
"Solo tiene sentido aplicarlo a acciones que puedan medirse con claridad, como incidencias resueltas, pedidos tramitados o errores corregidos, porque si el resultado es ambiguo o difícil de evaluar será complicado establecer un acuerdo justo entre proveedor y cliente", advierte Pita. Otro riesgo es que el proveedor tienda a evitar las tareas más complejas o costosas, y que la clientela tenga que dedicar recursos a supervisar y verificar cada resultado, lo que traslada parte de la carga de control a la parte compradora.
A estos retos se suma el coste de la inferencia, el proceso mediante el cual un modelo ya entrenado genera una respuesta. Un estudio de 2025 sobre la economía de la inferenciasubraya que desplegar estos sistemas a escala implica equilibrar el coste por token, la velocidad, la memoria y la latencia. Algunos analistas hablan de una posible crisis de inferencia: si los precios bajan mientras el uso se multiplica, la presión sobre los márgenes aumentará. Otro estudio analiza la inferencia como actividad productiva, con su coste marginal, economías de escala y calidad, lo que constituye una base para futuros modelos de precios.
Según Méndez-Ortega, esa presión se repartirá entre los distintos actores de la cadena de valor. "Una parte la asumirán los proveedores de modelos, otra las plataformas que integran la IA en sus productos y otra las empresas de infraestructura, como las de chips, nube, centros de datos y energía", señala.
No todas las compañías partirán de la misma posición. "Quienes tendrán más capacidad para mantener márgenes serán los actores integrados verticalmente, es decir, aquellos que controlen modelos, infraestructura, distribución y la relación directa con la clientela", afirma. También estarán mejor situadas las empresas capaces de especializar modelos, optimizar la inferencia, asignar cada tarea a modelos más baratos o integrar la IA en productos de alto valor añadido.
En cambio, los proveedores que vendan solo acceso indiferenciado a modelos por API (interfaz de programación), cobrando por cada consulta o token consumido, sin ofrecer servicios adicionales ni personalización, pueden sufrir más presión competitiva, porque la clientela podrá comparar precio, rendimiento y coste por tarea con más facilidad.
A medida que la IA se convierta en una infraestructura cada vez más ubicua, algunos analistas comparan su evolución con la de tecnologías como internet o la electricidad: herramientas imprescindibles cuyo valor económico acaba concentrándose cada vez más en los servicios construidos sobre ellas y menos en el acceso.
Si esa tendencia se consolida, el futuro de la IA podría medirse menos por tókenes consumidos y más por problemas resueltos.