Tokenomics antes de automatizar: como decidir que casos de IA si merecen presupuesto
La automatizacion con IA no empieza preguntando "que modelo usamos?". Empieza con una pregunta mas incomoda: que resultado operativo estamos comprando con cada token?
En 2026 esa pregunta dejo de ser teorica. Uber tuvo que limitar el gasto mensual de herramientas agenticas de codigo a USD 1,500 por empleado y por herramienta, despues de consumir su presupuesto anual de IA en cuatro meses, segun reporto Bloomberg y sintetizo Simon Willison. No es que Uber haya dejado de creer en IA. Hizo algo mas maduro: puso un contrato economico sobre una herramienta que ya habia demostrado demanda interna.
Ese es el punto. La IA puede subir productividad, acelerar entregas y abrir nuevos productos. Tambien puede convertir procesos mal definidos en una maquina de quemar tokens.
En Enacment ya lo vimos en proyectos reales: hubo casos donde el uso de IA subio hasta 670% contra el presupuesto esperado. No porque la tecnologia fallara, sino porque el trabajo entro demasiado abierto: demasiado contexto repetido, demasiadas vueltas de validacion, salidas sin contrato claro y poca disciplina para medir costo por resultado. Tuvimos que replantear estrategia, prompts, arquitectura de datos, caching, evaluaciones y alcance para regresar el costo a una zona defendible.
La leccion no es "usen menos IA". La leccion es: midan el ROI antes de automatizar y traten los tokens como capacidad operativa, no como magia barata.
!Control room de tokenomics, ROI y eficiencia operativa
La IA si paga, pero no en cualquier orden
Hay una narrativa facil: "automatiza y luego optimizas". En operaciones criticas, ese orden sale caro.
El orden correcto es otro:
1. Procesos bien definidos. Que se hace, quien decide, que excepciones existen, que tiempos importan y que significa "terminado".
2. Modelos de datos gobernados. Donde vive la informacion, que campos son confiables, que permisos aplican, que entidades se relacionan y que version de la verdad manda.
3. Estructura operativa establecida. Roles, SLAs, soporte, responsables, backlog, criterios de aceptacion y tablero de decision.
4. Automatizacion con ROI medible. Solo entonces decides si conviene usar reglas, software tradicional, RPA, IA generativa, agentes, analitica o una combinacion.
Si saltas directo al paso cuatro, la IA termina absorbiendo ambiguedad. Y la ambiguedad se cobra en tokens, retrabajo y riesgo.
Lo que dicen los datos: adopcion alta, captura de valor desigual
La historia de 2025-2026 no es "la IA no funciona". Es mas precisa: funciona mejor cuando esta conectada al trabajo real.
La lectura practica: no estamos ante una tecnologia sin valor. Estamos ante una tecnologia que castiga la mala seleccion de casos.
Tokenomics: la formula que deberia existir antes del primer agente
Tokenomics no es solo controlar el gasto del proveedor. Es entender la economia completa de una automatizacion basada en IA.
Costo real por ejecucion = tokens + llamadas a herramientas + almacenamiento + busqueda + validacion humana + retrabajo + soporte + riesgo operativo.
Y el ROI no deberia medirse contra una demo, sino contra el proceso actual:
ROI esperado = beneficio operativo anual - costo total anual de automatizacion / costo total anual de automatizacion.
El beneficio puede venir de:
Pero cada beneficio necesita una unidad. "Mejora la productividad" no basta. Mejor es:
La matriz 2x2: valor operativo vs complejidad tokenica
Antes de meter un caso al backlog, ponlo en una matriz simple.
!Matriz 2x2 para priorizar casos de IA por valor operativo y complejidad tokenica
1. Automatizar primero: alto valor, baja complejidad. Procesos repetitivos, datos claros, bajo riesgo y salida facil de validar. Ejemplo: clasificacion inicial de solicitudes, resumen estructurado de documentos, extraccion de datos con revision.
2. Disenar con cuidado: alto valor, alta complejidad. Aqui viven los agentes, copilotos operativos y flujos con decisiones. Pueden pagar muy bien, pero requieren contratos de salida, evaluaciones, datos gobernados, monitoreo y plan de soporte.
3. Mantener manual o semi-automatizado: bajo valor, alta complejidad. La IA aqui suele volverse cara por razones aburridas: excepciones, datos sucios, permisos, baja frecuencia o impacto marginal.
4. Experimentar barato: bajo valor, baja complejidad. Buen terreno para aprendizaje interno, templates, prompts y pilotos de bajo riesgo. No lo vendas como transformacion.
Esta matriz evita el error clasico: automatizar lo vistoso en lugar de automatizar lo rentable.
El brief que debe existir antes del PRD
Un backlog de IA sin briefs se vuelve una lista de deseos. Cada caso deberia entrar con una ficha corta:
1. Dolor operativo. Que proceso duele y como se mide hoy.
2. Usuario y responsable. Quien usa la solucion y quien responde por el resultado.
3. Entrada. Datos, documentos, sistemas, permisos y frecuencia.
4. Salida esperada. Formato, campos, nivel de detalle, idioma, tono y destinatario.
5. Contrato de calidad. Que significa correcto, aceptable o rechazado.
6. Costo objetivo. Costo maximo por ejecucion, por usuario o por mes.
7. Baseline. Costo actual en tiempo, dinero, error o oportunidad perdida.
8. Riesgos. Datos sensibles, decisiones reguladas, impacto cliente, dependencia de terceros.
9. Modo de control. Humano en el loop, auditoria, sampling, evaluaciones, alertas.
10. Criterio de go/no-go. Que numero mata el caso antes de construir mas.
Ese brief luego se convierte en PRD. Pero si el brief no puede explicar el ROI en una pagina, el PRD va a esconder la incertidumbre en mas texto.
Contratos de salida: donde muchas automatizaciones se rompen
La salida de una automatizacion debe parecer contrato, no sugerencia.
Un contrato de salida define:
Sin contrato, el modelo improvisa. Con contrato, el sistema puede validar.
Esta es una diferencia enorme. Un agente que "ayuda a compras" suena bien en una demo. Un agente que entrega proveedor_recomendado, rango_precio, riesgos, evidencia, nivel_confianza, accion_siguiente y casos_para_revision_humana ya se puede operar.
Plan de recursos y servicios: no todo es tokens
El presupuesto de IA debe separarse por capas:
Cuando el presupuesto solo considera tokens, el proyecto parece barato. Cuando considera operacion completa, aparecen las decisiones correctas: que automatizar, que simplificar, que mantener manual y que redisenar antes de tocar IA.
Casos vivos: que aprender de Uber, MIT y nuestra propia experiencia
Uber: el cap de USD 1,500 por herramienta y por empleado no es una retirada. Es una senal de madurez financiera. Si una herramienta puede consumir presupuesto anual en cuatro meses, necesita unidad economica, no fe.
MIT NANDA: el problema de muchos pilotos no fue la calidad del modelo, sino la falta de memoria, integracion y ajuste al workflow. En otras palabras: la IA no fallo sola; fallo el sistema alrededor.
IBM y Deloitte: hay productividad, pero escalarla a ROI enterprise sigue siendo dificil. Eso coincide con lo que vemos en campo: la mejora individual llega primero; el impacto financiero llega cuando el proceso completo cambia.
Enacment: el incremento de 670% en gasto de IA nos obligo a hacer lo que toda organizacion deberia hacer antes: redisenar prompts, reducir contexto innecesario, controlar salidas, reusar informacion, mover validaciones a reglas cuando conviene y poner costo objetivo por ejecucion.
La conclusion es simple: IA sin diseno operativo es una tarjeta corporativa sin centro de costos.
Embeds sociales sugeridos
Embed 1 - Simon Willison / Uber token caps
Usar como card o embed social junto al bloque de Uber:
Embed 2 - MIT NANDA / GenAI Divide
Usar como referencia visual al hablar de pilotos que no llegan a P&L:
Embed 3 - IBM AI ROI
Usar como contraste ejecutivo sobre ROI esperado y escala enterprise:
Guia rapida para hacerlo bien
Si vas a automatizar con IA, no empieces por el proveedor. Empieza por este checklist:
1. Define el proceso y sus excepciones.
2. Establece un baseline economico.
3. Limpia y gobierna los datos necesarios.
4. Calcula costo objetivo por ejecucion.
5. Prioriza con matriz valor vs complejidad.
6. Escribe briefs antes de PRDs.
7. Define contratos de salida.
8. Decide donde va el humano en el loop.
9. Separa costos de modelo, datos, app, evaluacion y operacion.
10. Mata temprano los casos que no cierran.
La IA no tiene que entrar en todos lados. Tiene que entrar donde el proceso, los datos y el modelo economico permiten defenderla.
Eso es eficiencia operativa: no hacer mas cosas con IA, sino hacer mejor las cosas que si merecen IA.