La factura de la inferencia llegó y las empresas la están descubriendo de golpe

El momento en que una tecnología pasa de experimento a problema de P&L tiene una fecha de vencimiento difícil de predecir, pero fácil de reconocer a posteriori. Para la inferencia de IA, ese momento ya pasó. No es un evento puntual: es una acumulación de señales que se viene repitiendo desde principios de 2026 — empresas que promovieron el uso máximo de IA entre sus empleados y ahora enfrentan facturas que no entraban en ningún modelo de proyección.

Del tokenmaxxing a la resaca financiera

A principios de este año, el tokenmaxxing era la consigna en Silicon Valley: los CEOs empujaban a sus equipos a usar IA tanto como fuera posible, con la convicción de que el valor se acumularía con el volumen. La premisa era razonable mientras los costos de inferencia seguían cayendo. Dejó de serlo cuando la tasa de caída no alcanzó a compensar la escala del uso.

El caso de Uber —que según fuentes del sector agotó su presupuesto anual de IA en cuestión de meses— no es una anécdota de mala gestión. Es el síntoma de un patrón: cuando el costo marginal de una llamada a un modelo parecía despreciable, nadie construyó los controles de gasto. Ahora esos controles llegan tarde y con urgencia.

La lente del dinero: quién absorbe el golpe

El análisis de segundo orden más relevante no está en las empresas que gastan, sino en las que estructuran sus negocios alrededor de ese gasto. Snap escindió su equipo de video IA en una empresa independiente llamada Dotmo explícitamente por costos — no porque el producto fallara, sino porque el modelo de inferencia de video es demasiado caro para vivir dentro de una empresa de redes sociales con márgenes ajustados.

Eso es una señal estructural: el costo de servir ciertos modelos (especialmente video, multimodal, agentes con contexto largo) no es compatible con el modelo de negocio de plataformas que monetizan por publicidad. La inferencia barata permitió experimentos que la inferencia real no sostiene.

Mientras tanto, Robinhood despidió al 10% de su plantilla sin mencionar la IA en la nota interna — una rareza en un ciclo donde «reestructuración para IA» se usa como cobertura narrativa. La lectura no obvia: Robinhood está recortando en parte para liberar presupuesto operativo, y la IA es parte de ese presupuesto, no la excusa. Este patrón de despidos masivos mientras los insiders del sector acumulan riqueza abre una brecha cada vez más visible entre quienes financian la expansión y quienes pagan sus costos colaterales.

La infraestructura de inferencia como clase de activo

El contrapunto es el que revela dónde va el dinero cuando las empresas aprietan: directamente a la capa de infraestructura. Baseten, una startup de inferencia, está cerrando una ronda de 1.500 millones de dólares a una valuación de 13.000 millones —meses después de su ronda anterior—, en lo que el sector ya llama la «inference gold rush». La dinámica detrás de esta valuación y lo que revela sobre la burbuja de la capa de inferencia merece leerse en paralelo con este análisis.

La mecánica es clara bajo la lente follow-the-money: cuando las empresas descubren que el costo de inferencia es el nuevo costo de infraestructura, la solución que compran no es «usar menos IA» sino «hacer que la inferencia sea más eficiente». Baseten vende exactamente eso: despliegue optimizado, latencia controlada, costos predecibles. El problema de Uber es el negocio de Baseten.

Gana quien controla la capa de eficiencia de inferencia. Pierde quien construyó productos cuyo margen asumía que la inferencia seguiría abaratándose al ritmo de los últimos dos años.

Conclusión falsable: el ROI de IA entra en los earnings del Q3

La predicción concreta: en los resultados del tercer trimestre de 2026, al menos tres empresas tech de capitalización mayor a 10.000 millones de dólares van a desglosar explícitamente el costo de inferencia como línea operativa —o van a ser presionadas por analistas para hacerlo. El momento en que un costo difuso se convierte en línea de P&L nombrada es el momento en que la conversación cambia de «inversión estratégica» a «retorno medible».

El dato que testea esto: las transcripciones de earnings calls de julio-agosto. Si CFOs como los de Snap, Uber o similares empiezan a hablar de «inference cost per user» o «AI unit economics» con la misma precisión que hablan de CAC o COGS, la tendencia se confirmó. No es casual que el rechazo del usuario final a los productos de IA esté ocurriendo justo cuando los costos de servirlos se vuelven insostenibles: ambas presiones apuntan al mismo problema de unit economics.

Para un decisor en LATAM o España, la implicación es operativa: cualquier proyecto de IA que no tenga un modelo de costos de inferencia por usuario, por llamada y por caso de uso antes de escalar, está construyendo sobre una premisa que el mercado ya está corrigiendo. El presupuesto de Uber no era pequeño. El problema era que nadie lo había conectado con un denominador de valor medible.