El mes pasado, Marty Kausas, CEO de la empresa de software de atención al cliente Pylon, describió un problema de presupuesto de IA que muchas empresas probablemente enfrentarán. La factura anual de Anthropic de Pylon, escribió, estaba en camino de subir de aproximadamente $400,000 a $1.4 million cuando la empresa superara los 150 seats. El aumento proyectado no fue el resultado de un aumento repentino en el uso. Reflejaba un cambio en la estructura de precios: por encima de 150 seats, Pylon pasaría de un plan que incluía uso a un plan empresarial bajo el cual los tokens se facturarían por separado a tarifas estándar de API.

La conclusión de Kausas fue tajante: después de años de animar a los empleados a usar más IA, Pylon había comenzado a introducir límites de gasto y a exigir aprobación para consumo adicional. La experiencia de Pylon refleja una parte de un cambio más amplio. Muchas empresas comenzaron a adoptar IA en condiciones inusualmente favorables: uso incluido, precios introductorios, generosos descuentos empresariales y una implementación relativamente limitada. A medida que esos acuerdos expiran y la experimentación da paso a la producción, el costo total de la IA empresarial se vuelve más visible.

Al mismo tiempo, la tecnología subyacente se está volviendo más barata. El costo de la inferencia ha caído de forma sustancial, la competencia entre proveedores de modelos sigue siendo intensa y las empresas tienen más oportunidades de dirigir el trabajo a modelos más pequeños. El resultado es que la IA puede volverse más barata de usar de forma aislada al tiempo que se vuelve considerablemente más costosa de operar en toda una organización. A medida que los modelos mejoran, las empresas les asignan más trabajo, los despliegan para más empleados e los incorporan en más productos. Esos aumentos de volumen y complejidad pueden superar fácilmente el ahorro derivado de los precios iniciales más bajos.

Esto no es exclusivo de la IA. La computación se volvió más barata y las empresas consumieron muchísima más. Los precios del almacenamiento bajaron y las organizaciones conservaron más datos. El ancho de banda se volvió menos costoso y el video pasó a dominar el tráfico de internet. La eficiencia a menudo expande el mercado. Es probable que la IA siga el mismo patrón, pero con una distinción importante: gran parte de su consumo será difícil de observar para los ejecutivos.

El software empresarial tradicional suele fijarse alrededor de una unidad visible: un seat, una transacción o una cuenta de cliente. Los sistemas agénticos pueden generar costos de forma autónoma y desigual. Dos empleados con la misma licencia pueden consumir cantidades radicalmente distintas de cómputo. Un sistema puede volverse más capaz y, al mismo tiempo, usar contextos más largos, más pasos de razonamiento y más llamadas a herramientas externas.

Eso crea un nuevo problema de gestión. Las empresas ya no pueden asumir que comprar acceso a la IA equivale a controlar su costo.

En la primera fase de la IA empresarial, esto era fácil de ignorar. La mayoría de las organizaciones realizaban experimentos y distribuían un número limitado de licencias. Eso nos decía si la gente usaría la IA, pero no respondía la pregunta que ahora importa: si ese uso crea suficiente valor económico.

A medida que los presupuestos de IA pasan de experimentales a materiales, las empresas tendrán que reemplazar las métricas de adopción por la economía por unidad. Para un sistema de atención al cliente, las medidas relevantes podrían incluir el costo por caso resuelto con éxito, el tiempo de resolución y la tasa de escalamiento. Para mi empresa Smartling, una compañía de traducción impulsada por IA, podrían incluir el costo de producir contenido con un nivel de calidad acordado, el tiempo necesario para entrar en un nuevo mercado o la cantidad de contenido que una empresa puede poner a disposición de forma económica en cada idioma.

Estas medidas son más difíciles de calcular que el simple uso. Exigen que las empresas definan el resultado antes de desplegar una tecnología, establezcan una línea base y contabilicen tanto el costo de la tecnología como el trabajo humano que permanece a su alrededor.

He pasado los últimos varios años ayudando a construir Smartling en torno a la IA. El desafío central no fue introducir la IA en la organización ni convencer a la gente de usarla, sino determinar dónde la IA cambiaba de manera material la economía del trabajo.

Una traducción más barata, por ejemplo, tiene un valor limitado si requiere suficiente corrección humana como para eliminar el ahorro. La métrica adecuada no es cuántas palabras pasaron por un sistema de IA, sino el costo y el valor comercial de producir contenido multilingüe utilizable.

El mismo principio se aplica en toda la empresa. Todo despliegue de IA debería comenzar con una hipótesis económica: ¿qué costo disminuirá, qué restricción se eliminará o qué fuente de ingresos aumentará? Luego debería evaluarse frente a esa hipótesis, no frente a la cantidad de IA consumida.

La siguiente fase de la IA empresarial, por lo tanto, no estará definida por qué empresas logran la mayor adopción. Estará definida por qué empresas entienden la economía de lo que han adoptado.

Las organizaciones que puedan vincular el gasto en IA con ingresos, margen, capacidad o ventaja estratégica seguirán invirtiendo, incluso cuando su gasto absoluto aumente.

La IA no necesita volverse barata para justificar su lugar en la empresa. Necesita volverse económicamente legible. Las empresas que lo consigan no necesariamente gastarán menos en IA, pero sabrán qué está comprando cada dólar adicional.

Las opiniones expresadas en las piezas de comentario de Fortune.com son exclusivamente las de sus autores y no reflejan necesariamente las opiniones y creencias de Fortune.

Esta historia apareció originalmente en Fortune.com.