Hubo un periodo, no muy lejano, en el que el único criterio que importaba en la adopción empresarial de IA era cuál era el modelo con la puntuación más alta en los benchmarks de razonamiento. La empresa que lanzaba el mejor modelo se llevaba los contratos. Ese periodo está terminando. Y lo que lo está terminando no es una decisión estratégica de las empresas tecnológicas: son las facturas.Lo analiza TheNextWeb el 12 de julio, citando datos de Gartner, declaraciones del CEO de Palo Alto Networks y el patrón emergente del «tokenminimizing» en empresas de todo el mundo.Los números que cambiaron el cálculo empresarialLa paradoja central es esta: el coste por token ha caído dramáticamente en los últimos 18 meses, con los principales modelos de frontera bajando entre un 70 y un 90% sus precios de API. Y sin embargo, las facturas de IA empresarial se han triplicado en el mismo período. La razón es matemáticamente simple: cuando los modelos son más capaces y baratos por token, las empresas los usan para tareas más complejas que consumen órdenes de magnitud más tokens. Un flujo de trabajo agentic puede consumir en una hora lo que un uso clásico de chatbot consumía en un mes.El resultado es que el departamento de finanzas, que antes miraba la línea de «herramientas de productividad» con cierta indiferencia, ha empezado a recibir facturas de inferencia de IA que se miden en millones de dólares mensuales. El «tokenpocalypse» que GitHub Copilot protagonizó en junio de 2026 —pasando de cuota plana a cobrar por token porque el coste real de los usuarios más intensivos superaba con creces los ingresos de la suscripción— es el primer capítulo de lo que viene a escala empresarial.El CEO de Palo Alto Networks, Nikesh Arora, ha dicho públicamente que los precios por token necesitan caer un 90% más para que la adopción de IA pueda escalar sin que las empresas tengan que racionar su uso. En respuesta a esas facturas, una ola de empresas está implementando lo que se llama «tokenminimizing»: límites explícitos al consumo de tokens de los empleados, restricciones a los modelos más costosos para tareas que un modelo más barato puede hacer, y auditorías de flujos de trabajo para identificar dónde el consumo es innecesariamente alto.El «sufficiently good model» se convierte en el estándarLo que está ocurriendo en el mercado enterprise es una separación que los analistas de IA llevan meses prediciendo pero que ahora se está materializando en datos de adopción: la mayoría de las tareas empresariales no necesitan el modelo de frontera más potente. Necesitan un modelo suficientemente bueno a un precio que tenga sentido.Gartner estima que el 40% de las aplicaciones enterprise tendrán agentes de IA específicos de tarea integrados para finales de 2026, frente a menos del 5% hace un año. La diferencia no es que las empresas hayan visto la luz sobre la IA; es que han entendido que un agente específico para «clasificar tickets de soporte» o «summarizar llamadas de ventas» no necesita el mismo modelo que «razonar sobre código legacy complejo» o «generar análisis jurídicos». El modelo routing —sistemas que envían cada solicitud al modelo más adecuado y más económico— está emergiendo como infraestructura imprescindible.La presión competitiva más interesante de este cambio viene de donde menos se esperaba. DeepSeek V4 Pro, con su arquitectura Mixture-of-Experts y precios hasta 35 veces más baratos que los modelos de frontera americanos para tareas equivalentes, ha demostrado que es posible aproximarse al rendimiento de frontera en tareas específicas a una fracción del precio. Para las empresas que no necesitan el 100% de la capacidad del modelo más caro, DeepSeek o sus equivalentes son una opción seria.Dónde se mueve el valor si el modelo se comoditizaLa consecuencia lógica de que «suficientemente bueno» gane a «el mejor» es que el margen de diferenciación se desplaza hacia abajo en el stack: del modelo hacia la infraestructura de inferencia. El coste de procesar tokens es directamente proporcional al hardware de inferencia y a la eficiencia del software de serving. Si el modelo es comparable entre competidores, gana quien tiene la inferencia más barata.Esta es exactamente la paradoja que señaló Nous Research en 2025 sobre los modelos open source: aunque el coste por token de los modelos de código abierto parece más bajo, consumen hasta 10 veces más tokens que los modelos cerrados para tareas equivalentes, porque los modelos cerrados han sido optimizados específicamente para ser más eficientes en tokens. Un modelo que parece más barato puede resultar más caro en la práctica si necesita el doble de tokens para hacer lo mismo.Lo que está emergiendo, por tanto, no es el colapso de los grandes labs sino una reconfiguración del mercado en capas: los modelos de frontera seguirán siendo necesarios para las tareas más complejas —razonamiento avanzado, código en dominios nuevos, análisis legal— pero dejarán de ser el default para el 80% del trabajo de oficina. Esa capa se cubrirá con modelos más pequeños, más especializados y más baratos, corriendo en infraestructura que los grandes clouds van a convertir en el negocio de los próximos años.Mi valoraciónLo que está pasando en el mercado enterprise de IA en 2026 es una señal de madurez real: las empresas están aprendiendo a gestionar la IA como un input de producción con un coste real, no como una demo de innovación con presupuesto ilimitado. Eso es sano.Lo que más me convence es la dirección: el mercado siempre encuentra formas de reducir costes a medida que una tecnología madura, y la IA no será diferente. La presión del «tokenminimizing» va a acelerar la competencia en eficiencia entre labs, lo que a largo plazo beneficia a todos. Lo que más me preocupa es el período de transición: las empresas que han construido flujos de trabajo sobre el modelo más potente disponible van a tener que redeseñarlos para usar modelos más económicos sin perder calidad de output, y ese rediseño tiene un coste real de ingeniería.Preguntas frecuentes¿Qué es el «tokenminimizing» y cómo lo están implementando las empresas?El tokenminimizing es la práctica de reducir deliberadamente el consumo de tokens de IA en los flujos de trabajo empresariales. Incluye medidas como limitar el contexto que se envía al modelo en cada solicitud, usar modelos más pequeños para tareas simples, establecer topes de consumo por empleado o equipo, y auditar qué flujos de trabajo generan consumo desproporcionado en relación con el valor generado.¿Qué es el model routing y por qué es importante?El model routing es un sistema que analiza cada solicitud entrante y la envía automáticamente al modelo más adecuado para esa tarea específica, generalmente priorizando el modelo más económico que pueda ejecutarla con la calidad requerida. Es similar a cómo un sistema de gestión de tráfico elige la ruta más eficiente: no la más rápida en abstracto, sino la óptima para las condiciones del momento.¿Significa esto que los modelos de frontera van a perder relevancia?No. Significa que dejarán de ser el default para todas las tareas. Los modelos de frontera seguirán siendo imprescindibles para las tareas que realmente los necesitan: razonamiento complejo, código avanzado, análisis de documentos largos, toma de decisiones en dominios de alto riesgo. Para el resto del trabajo —summarización, clasificación, extracción de datos, redacción estructurada— los modelos más pequeños y baratos se convertirán en el estándar.La noticia La carrera de la IA ha dejado de ser sobre quién tiene el modelo más grande: las empresas ya no compran benchmarks, compran eficiencia fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.