Pricing basado en resultados para IA: el fin del pago por token

Los comités de dirección que perfilan los presupuestos de 2027 han asimilado una realidad incómoda: el pago por token equivale a un cheque en blanco. Sin techos de gasto ni garantías de previsibilidad, las facturas mensuales se han convertido en una variable incontrolable. Este desajuste no es una conjetura teórica, sino la lección aprendida tras dos años de pilotos que trataron la inteligencia artificial como un servicio de coste fijo, ignorando su naturaleza volátil. La raíz técnica de este drenaje financiero reside en el tokenmaxxing: agentes autónomos que, en su bucle infinito de ejecución y corrección, consumen recursos sin aportar valor incremental. El caso de aquella multinacional del sector transporte, que dilapidó su presupuesto anual en apenas cuatro meses, no es una anécdota, es un aviso. Toca transformar el contrato. El foco debe desplazarse del consumo hacia el RAO, o Ratio de Autonomía Operativa, una métrica propia para auditar cuántas ejecuciones culminan con éxito sin intervención humana. Es el giro necesario para dejar de medir el coste del ruido y empezar a medir el valor del resultado.

El fin del contrato por token

Durante dos años, el argumento comercial de la industria de la IA generativa ha sido el abaratamiento constante del cómputo: cada nueva generación de modelos cuesta menos por token que la anterior. Es cierto, y es irrelevante. La factura empresarial no ha dejado de crecer porque el abaratamiento unitario coincide con una explosión del volumen de uso: la versión informática de la paradoja de Jevons, por la que cuando algo se abarata se consume mucho más, no menos.

Por qué el coste por tarea se ha vuelto impredecible

Un pipeline LLM clásico —una entrada, una salida— es determinista en coste: multiplicas tokens por precio y sabes lo que vas a pagar. Un sistema multiagente no lo es. En un bucle de autorreflexión, un único agente puede consumir entre 5.000 y 500.000 tokens para completar —o fallar— una sola tarea. La diferencia entre el escenario optimista y el pesimista es de dos órdenes de magnitud, y ningún director financiero puede presupuestar con ese margen de error.

La respuesta técnica pasa por enrutadores semánticos (model routing) que envían las tareas rutinarias a modelos "small" o destilados y reservan los modelos de frontera para el razonamiento crítico, además de imponer un hard-cap de iteraciones por flujo de trabajo. Es una mitigación, no una solución: reduce el gasto, pero no lo hace predecible, porque sigue dependiendo de cuántas veces decida iterar el agente antes de dar por terminada la tarea. Para entender cómo auditar y contener ese gasto día a día conviene revisar en detalle cómo controlar el gasto en tokens de tus agentes: la disciplina de FinOps para IA es el paso previo imprescindible antes de negociar cualquier cambio de modelo de precios con un proveedor.

Lo que cuesta un millón de tokens, hoy

Fuente: precios públicos de proveedores recogidos en Noticias AI (2026).

La lectura para un director financiero no es "qué modelo es más barato". Es que la salida —los tokens que genera el agente, no los que recibe— cuesta entre cinco y diez veces más que la entrada en todos los proveedores de frontera. Un agente que razona en voz alta, que corrige sus propios errores, que genera código de prueba antes de entregar el definitivo, multiplica precisamente la partida más cara de la factura. El ahorro de céntimos por token queda pulverizado por el volumen de salida que genera un flujo agéntico mal diseñado.

La disparidad del gasto empresarial en IA

Los datos de gasto corporativo en IA de 2026 muestran algo más preocupante que el coste medio: la dispersión. El cliente medio del mercado gasta en torno a 11 USD al mes por empleado en herramientas de IA. El 1% de empresas más intensivas en el uso de estas herramientas gasta de media 7.450 USD al mes por empleado, un gasto agregado que se ha multiplicado por 13 en apenas un año.

Nota: la barra usa escala logarítmica, no lineal. La diferencia real es de 677 veces más gasto por empleado en el segmento intensivo frente al medio; una barra lineal habría resultado ilegible. Fuente: Ramp, cifras recogidas por La Nación (2026).

Esta disparidad no refleja necesariamente mejor estrategia, sino ausencia de control. Las empresas del top 1% no son automáticamente las que mejor rendimiento obtienen de la IA: son las que han escalado agentes autónomos sin cuotas ni topes de crédito, las candidatas naturales al susto de factura que sufrió la multinacional de transporte citada antes. Gastar más no es sinónimo de operar mejor; es, con frecuencia, el síntoma de un proceso sin gobierno.

Para un comité de dirección español, la pregunta relevante no es "cuánto gastan los líderes del mercado en IA", sino "qué parte de ese gasto se traduce en procesos que terminan sin intervención humana". Ese es, precisamente, el terreno donde el pago por token deja de servir como contrato y empieza a tener sentido el pago por resultado.

Del consumo al resultado: outcome-based pricing y el RAO

La industria ya ha empezado a moverse, aunque no por convicción sino por presión de sus propios clientes. Intercom cobra hoy por incidencia de soporte resuelta, no por los tokens que su sistema consume para resolverla: si el ticket no se cierra, el cliente no paga ese ciclo de inferencia. GitHub Copilot ha anunciado la transición a un esquema de AI Credits a partir de junio de 2026, calculado en función de tokens de entrada, salida y caché consumidos, abandonando la cuota fija que definió su primera generación de producto. Son dos caminos distintos —uno hacia el resultado, otro hacia el consumo medido— y la diferencia entre ambos es exactamente el debate que un comité de dirección debe resolver antes de firmar presupuesto.

Conviene no idealizar el giro. Los proveedores de modelos de frontera —OpenAI, Anthropic, los hiperescaladores— siguen facturando, en lo esencial, por millón de tokens procesados. No hay confirmación de que esto vaya a cambiar a corto plazo. Lo que sí ocurre es que las capas de software intermedio, los SaaS y los integradores que venden sobre esos modelos, empiezan a ofrecer precios fijos por resultado a sus clientes finales. Eso significa que alguien, en esa cadena, absorbe la volatilidad del margen cuando un agente se dispara en tokens sin resolver la tarea. Si ese alguien no eres tú, mejor: pero asegúrate contractualmente de que no lo eres.

Aquí es donde entra el RAO, el Ratio de Autonomía Operativa: de cada 100 ejecuciones de un proceso, cuántas terminan sin intervención humana. No es una métrica de infraestructura ni de consumo de cómputo; es una métrica de negocio que se calcula sobre el proceso, no sobre el modelo. Un proveedor que no pueda —o no quiera— comprometerse con un RAO mínimo está, en la práctica, pidiéndote que sigas pagando por su incertidumbre técnica. Y un RAO fiable solo es posible si existe memoria corporativa real detrás del agente: lo que en NextAI llamamos Cerebro Empresarial, la capa de memoria corporativa construida con recuperación aumentada (RAG) y grafos de conocimiento que permite a un sistema de IA razonar con el contexto específico de la empresa en lugar de alucinar sobre datos genéricos. Sin esa memoria, no hay resultado consistente que facturar; solo hay suerte estadística repetida.

El token mide lo que la máquina ha hecho. El resultado mide lo que la empresa ha ganado. Firmar presupuestos de 2027 sobre la primera métrica es financiar la ineficiencia ajena.

Quién debe cargar con el riesgo de esa volatilidad no es una pregunta retórica. Cuando el proveedor es solo un revendedor de licencias sobre un modelo de frontera, el riesgo de los bucles descontrolados recae, tarde o temprano, en tu factura. Cuando el proveedor es un integrador que se responsabiliza del proceso completo —lo que exige analizar qué debe aportar un integrador en 2026 más allá de revender acceso a una API—, el riesgo técnico se queda donde debe quedarse: en quien diseña y opera el sistema, no en quien lo usa.

Riesgo, gobierno y operación real

Lo que exige el AI Act y el RGPD al pricing por resultado

Vincular el pago a un resultado automático introduce un incentivo comercial que nadie debería ignorar: si el proveedor cobra por caso cerrado, existe la tentación —humana o algorítmica— de cerrar casos antes de tiempo. Un sistema que puntúa su propio éxito tiene motivos económicos para ser generoso consigo mismo. No existe todavía un consenso técnico ni contractual universal sobre qué constituye un "resultado válido" o una "incidencia resuelta satisfactoriamente"; es un terreno de fricción jurídica real, no una cuestión resuelta, y cualquier contrato que lo dé por sentado está construido sobre arena.

Cuando el resultado automatizado afecta a derechos de las personas —una evaluación crediticia, una decisión de recursos humanos, un filtrado de candidatos o de clientes—, el AI Act y el RGPD no dejan margen de interpretación: hace falta supervisión humana efectiva (human-in-the-loop) y un registro trazable y auditable de cómo se llegó a esa decisión. Un contrato de pago por resultado bien construido no solo define qué es éxito; define también que ese éxito solo se remunera si cumple con exactitud verificable y ausencia de discriminación documentada. Pagar por resultado sin exigir esa trazabilidad no es modernizar el contrato: es blindar jurídicamente al proveedor y desproteger a la empresa.

Por qué la mediana empresa española necesita este cambio ya

La mediana empresa española no tiene, salvo excepciones, un equipo de FinOps dedicado a monitorizar dashboards de consumo de tokens ni capacidad de negociación para firmar compromisos plurianuales de cómputo con un hiperescalador. Los sustos de facturación vividos en 2025 y 2026 han dejado una marca visible en los comités de dirección: la reticencia a escalar pilotos que funcionaron en pruebas de concepto pero cuyo coste en producción nadie puede estimar con seguridad.

El pago por resultado, o por paquetes de valor entregado, es el único mecanismo realista que permite a estas empresas desbloquear presupuesto sin asumir un riesgo que no saben gestionar. La condición es que sea el integrador quien se haga cargo de optimizar tokens, caching y enrutamiento de modelos por debajo del capó, sin trasladar esa complejidad técnica al cliente. Los procesos candidatos naturales son los que ya viven dentro de sistemas estructurados —tickets de soporte, flujos de aprobación, gestión documental en ERP o ServiceNow—, donde definir qué es un "caso resuelto" resulta mucho más sencillo que en un entorno conversacional abierto; de hecho, buena parte del valor de automatizar procesos completos en ServiceNow y ERPs está precisamente en que el resultado ya tiene una definición operativa clara antes de que llegue la IA.

Qué significa para tu empresa

No todas las empresas están en el mismo punto de partida, y el modelo de contrato que te conviene depende de cuánta capacidad de control tengas sobre el proceso que automatizas.

• Si eres una pyme sin equipo técnico propio, exige siempre pago por resultado o por paquete de valor cerrado. No firmes nunca una tarifa de consumo abierta sin tope de crédito mensual: es la puerta de entrada al susto de factura.
• Si eres una mediana empresa con ERP o ServiceNow ya implantado, tienes la ventaja de procesos bien delimitados. Negocia pago por resultado en los flujos estructurados (tickets, aprobaciones, conciliaciones) y manténte en pago por consumo con topes estrictos solo en los usos exploratorios o de innovación interna.
• Si eres una gran cuenta con volumen alto de agentes autónomos, necesitas ambos modelos combinados: pago por resultado en los procesos productivos críticos y una disciplina de FinOps para IA que audite el consumo en todo lo demás, con cuotas de crédito por equipo y hard-caps de iteración.

El criterio de decisión es simple: exige pago por resultado cuando el proceso tenga un criterio de éxito objetivable y auditable; acepta pago por consumo, pero siempre con topes, cuando el uso sea exploratorio y el propio criterio de éxito esté todavía por definir.

1. Audita el RAO actual de tus procesos candidatos a automatización antes de negociar nada con un proveedor.
2. Define por escrito, con tu equipo legal, qué constituye un "resultado válido" para cada proceso, incluyendo tolerancia cero a alucinaciones no detectadas.
3. Exige cláusulas de SLA de éxito garantizado en lugar de facturación en bruto de tokens en cualquier renovación de contrato de 2027.
4. Implementa routing semántico y cuotas de crédito internas antes de escalar cualquier automatización a producción.
5. Revisa esta lista con tu partner tecnológico antes de aprobar la partida de IA del presupuesto 2027; si no puede responder a los cuatro puntos anteriores, no es tu partner, es tu proveedor de licencias. Para entender qué nivel de acompañamiento necesitas realmente en esta fase, conviene repasar qué necesita tu empresa para salir del piloto antes de comprometer presupuesto a un modelo de precios u otro.

Metodología y fuentes

El laboratorio de NextAI ha cruzado los benchmarks públicos de precios por token de los principales proveedores de modelos de frontera con los datos de gasto corporativo agregado de 2026 y los marcos emergentes de pricing por resultado, para construir el estándar RAO como unidad de negociación contractual. El análisis se apoya en La Nación, Retina Tendencias, Noticias AI y el marco formal de Stripe Guides sobre pricing basado en objetivos cumplidos.

Preguntas frecuentes

¿Qué es el pricing basado en resultados en IA?

Es un modelo de contrato en el que el cliente paga por un objetivo cumplido —un ticket resuelto, un proceso completado— en lugar de por los tokens o el tiempo de cómputo que ha consumido el sistema para lograrlo. Traslada el riesgo del sobrecoste técnico del cliente al proveedor, alineando el gasto con el valor operativo real entregado.

¿Qué diferencia hay entre pago por token y pago por resultado?

El pago por token factura cada unidad de texto procesada, con coste impredecible si el agente itera o falla. El pago por resultado fija un precio por caso resuelto, independientemente de cuántos tokens haya necesitado el sistema internamente. La previsibilidad presupuestaria solo existe en el segundo modelo.

¿Qué es el RAO y cómo se calcula?

El RAO, Ratio de Autonomía Operativa, mide de cada 100 ejecuciones de un proceso cuántas terminan sin intervención humana. Se calcula dividiendo las ejecuciones completadas de forma autónoma entre el total de ejecuciones del proceso en un periodo dado, y sirve como base objetiva para negociar cláusulas de éxito con proveedores.

¿Es legal vincular el pago a resultados automáticos bajo el AI Act?

Es legal, pero con condiciones estrictas cuando el resultado afecta derechos de personas, como crédito, empleo o filtrado de clientes. El AI Act y el RGPD exigen supervisión humana efectiva y trazabilidad auditable en esos casos; un contrato de pago por resultado debe incorporar esas garantías para ser defendible.

Qué hacer con esto

1. Clasifica tus procesos actuales bajo API según criterios de éxito claros y objetivos. 2. Exige a tus proveedores un compromiso por escrito de su RAO, desterrando las estimaciones verbales. 3. Condiciona las renovaciones presupuestarias para 2027 a la implementación de cláusulas de éxito garantizado. 4. Implementa auditorías de trazabilidad para cualquier proceso automatizado que afecte a decisiones sobre personas. 5. Valida este nuevo marco de contratación con el comité financiero antes de cerrar cualquier acuerdo tecnológico. Pide tu Auditoría Digital — 45 minutos, sin presentación comercial.