Agentes de inteligencia artificial y economía unitaria: cómo medir el retorno real de la automatización en las operaciones

Entre 2023 y 2025, casi todas las grandes y medianas empresas brasileñas vivieron la fase del encanto turístico con la Inteligencia Artificial generativa. Se crearon comités de innovación, se presentaron decenas de pruebas de concepto (PoCs) en pantallas grandes y prácticamente todo producto de software ganó un ícono de estrellita prometiendo un asistente inteligente.

En 2026, sin embargo, la conversación en la oficina del director financiero (CFO) y del director de tecnología (CTO) cambió de tono. Con el costo de oportunidad del capital en niveles elevados, nadie aprueba ya presupuestos millonarios solo porque una tecnología es fascinante. La pregunta ahora es quirúrgica: ¿cuál es la economía unitaria (unit economics) real de ese agente de IA en producción?

Entender la matemática detrás de los sistemas basados en agentes autónomos es lo que separa a los equipos de ingeniería que están generando una palanca histórica de productividad de aquellos que simplemente están cambiando la nómina por facturas descontroladas de APIs en dólares.

1. De “Costo por Token” a “Costo por Tarea Resuelta”

El primer error de quienes empiezan a escalar agentes de IA en las operaciones (ya sea en atención al cliente, triaje jurídico, conciliación financiera, análisis de crédito o automatización de código) es mirar únicamente la lista de precios por millón de tokens publicada por los proveedores de modelos.

Un token aislado parece increíblemente barato. El problema es que un flujo agéntico (agentic workflow) en producción no realiza una única llamada simple de pregunta y respuesta. Para resolver un ticket complejo de logística o analizar una discrepancia fiscal, un agente frecuentemente:

1. Lee un contexto largo de documentos e historial del cliente (input tokens pesados).
2. Realiza llamadas de razonamiento interno (chain-of-thought o reasoning tokens).
3. Consulta dos o tres herramientas externas (base de datos, ERP, API de rastreo), lee los retornos en formato JSON y rehace el plan si encuentra un error.
4. Pasa la respuesta por un segundo modelo validador (guardrail) antes de mostrarla al usuario.

De repente, una sola interacción de soporte que parecía costar fracciones de centavo consumió 80 mil tokens acumulados en cinco etapas. Si al final de este ciclo el agente no logra resolver el problema y transfiere al cliente molesto a un agente humano (que necesitará leer todo de nuevo desde cero), usted pagó dos veces: pagó la nube en dólares y pagó la hora humana completa.

Por eso, la única métrica financiera que importa en la ingeniería de IA es el CPTR (Costo por Tarea Resuelta con Éxito):

Fórmula ejecutiva del CPTR: CPTR = (Inferencia + Infraestructura + Supervisión Humana) / Tareas Concluidas con Éxito Sin Retrabajo

2. Cuatro técnicas de arquitectura para reducir el costo de IA en hasta un 80%

Cuando tratamos a los agentes de IA como sistemas de ingeniería de producción sujetos a las leyes de la eficiencia económica, cuatro decisiones arquitectónicas cambian por completo la viabilidad financiera del proyecto:

1. Separe lo que es probabilístico de lo que es determinístico: Los grandes modelos de lenguaje son brillantes para comprender lenguaje natural desestructurado, extraer intenciones de un texto confuso o sintetizar documentos. Pero son caros y lentos para validar un documento de identidad, sumar ítems de una factura o comprobar si un pedido está dentro del plazo de devolución de 7 días. Nunca gaste tokens donde un if/else de código tradicional se resuelve en microsegundos con costo cero y 100% de precisión.
2. Enrutamiento en cascada (Model Routing): en cualquier operación empresarial, cerca del 70% al 80% de las demandas son variaciones de casos simples y conocidos, y solo el 20% exige razonamiento profundo. Coloque un clasificador ligero o un modelo compacto y económico en la puerta de entrada; active los modelos grandes de razonamiento avanzado exclusivamente cuando la complejidad de la tarea lo exija.
3. Uso agresivo de Prompt Caching y estado ligero: si su agente necesita consultar un manual de políticas internas de 30 páginas en cada llamada, asegúrese de que esas instrucciones fijas permanezcan en el prefijo almacenado en caché de la solicitud, reduciendo entre un 75% y un 90% el costo de lectura repetida.
4. Límites estrictos de iteración (Circuit Breakers de bucle): los agentes autónomos que reciben permiso para intentar corregir sus propios errores cuando una API falla pueden entrar en bucles infinitos de intentos durante la madrugada, quemando miles de dólares en minutos. Todo agente en producción necesita tener un límite estricto de pasos (max steps) y un presupuesto máximo de tokens por sesión.

3. Superando la Ley de Baumol con responsabilidad financiera

Vimos en otros artículos de esta serie que Brasil sufre desde hace treinta años con la Ley de Baumol: más de dos tercios de nuestra economía están en el sector de servicios, donde el trabajo manual y administrativo de oficina ha crecido muy poco en productividad.

Los agentes de inteligencia artificial son la herramienta más importante de nuestra generación para romper este estancamiento, permitiendo que un equipo reducido de analistas, abogados, médicos, contadores o ingenieros procese diez veces más volumen con calidad superior. Pero esta revolución solo se sostiene en el balance de su empresa si está guiada por la disciplina clásica de la ingeniería: medir cada centavo de entrada, auditar la calidad de la salida y garantizar que la tecnología reduzca el costo unitario de la operación cada mes que pasa.

Continúe profundizando: lea también Arquitectura de sistemas críticos: cuánto cuesta 1 hora fuera de servicio y la paradoja del 99,99% y Energía limpia y centros de datos de IA: la gran ventaja competitiva que Brasil no puede desperdiciar. Explore también la práctica de Ingeniería DevOps y Arquitectura Crítica, las Herramientas de Diagnóstico y los Estudios de Caso.

Referencias y lecturas verificables

• FinOps Foundation (2025). Cloud & AI Unit Economics Working Group Framework. Linux Foundation.
• NIST (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). U.S. Department of Commerce.
• Baumol, W. J., & Bowen, W. G. (1966). Performing Arts, The Economic Dilemma: A Study of Problems Common to Theater, Opera, Music, and Dance. Twentieth Century Fund.