El 17 de agosto de 2026, Gartner publicó una predicción que incomoda a cualquiera que esté armando un caso de negocio para agentes de inteligencia artificial: el costo de inferencia por flujo de trabajo agéntico aumentará más de cinco veces hasta 2028, mientras que el costo por token caerá 95% para 2030. Las dos cosas son ciertas al mismo tiempo, y esa contradicción aparente es lo que la consultora bautizó como la "paradoja de la inferencia".
La explicación es sencilla una vez que se enuncia. Un chatbot responde una pregunta con una llamada al modelo. Un agente que resuelve un caso completo razona, consulta sistemas, valida, reintenta, escala y documenta: son decenas o cientos de llamadas encadenadas para una sola tarea. Cuando el precio unitario baja, no se traduce en ahorro, sino en permiso para construir aplicaciones más ambiciosas que consumen mucho más. El presupuesto no se contrae: se reasigna hacia arriba.
Por qué los casos de negocio se rompen en producción
El problema de fondo es que los cálculos de retorno que justificaron la mayoría de los despliegues agénticos se hicieron con supuestos de consumo de un chatbot. Las cifras reales en producción son de otro orden de magnitud. Análisis del sector coinciden en que la inferencia a escala es el costo recurrente dominante y que suele subestimarse entre tres y cinco veces, y que una mayoría amplia de empresas superó sus proyecciones originales de gasto en IA en el último año fiscal.
La consecuencia práctica es que muchos pilotos que se veían rentables en la diapositiva dejan de serlo cuando pasan al mundo real, no porque el agente funcione mal, sino porque nadie modeló cuántas veces tendría que pensar para resolver un caso difícil.
Qué se puede hacer al respecto
La recomendación de los analistas no es frenar la adopción, sino administrar el consumo con la misma disciplina con la que se administra cualquier otro costo variable de operación:
- Escalonamiento de modelos: no usar el modelo más caro para tareas triviales. Clasificar primero, razonar después, y solo cuando haga falta.
- Enrutamiento inteligente: dirigir cada tipo de caso al recurso más barato que pueda resolverlo con calidad suficiente.
- Orquestación con límites: definir topes de reintentos, de profundidad de razonamiento y de herramientas invocadas por caso, para que un flujo mal diseñado no se vuelva un agujero de presupuesto.
- Medición por caso resuelto: dejar de mirar el gasto mensual agregado y empezar a mirar cuánto cuesta cerrar un ticket, aprobar una transacción o completar una gestión.
- Automatización determinista donde aplique: muchas tareas repetitivas no necesitan un modelo de lenguaje, necesitan una regla bien escrita.
La lectura para empresas del Caribe y Latinoamérica
En mercados donde los márgenes operativos son más ajustados que en las casas matrices que publican estos estudios, la paradoja de la inferencia se siente antes y más fuerte. Una empresa dominicana que automatiza su mesa de ayuda no puede permitirse descubrir en el tercer mes que cada ticket resuelto por IA cuesta más que el tiempo del agente humano que reemplazó. La disciplina de costos no es un refinamiento posterior: es parte del diseño desde el primer día.
En TEKFENIX diseñamos nuestros productos partiendo de esa premisa. En Servigo365, nuestra mesa de ayuda y plataforma de atención multicanal con IA, la clasificación y el enrutamiento se resuelven antes de invocar razonamiento costoso, de modo que el modelo se usa donde realmente aporta y no en cada interacción por defecto. En Nexturno, la gestión de turnos y colas en sucursales se apoya en lógica determinista y en datos operativos, no en inferencia continua. Y en CumplimientoControl, el monitoreo de medios adversos y la trazabilidad regulatoria se estructuran para que el análisis profundo se active sobre las alertas que lo ameritan, manteniendo el costo por caso bajo control. Si está evaluando llevar agentes de IA a producción y quiere modelar el costo real antes de comprometerse, conversemos.