El precio de automatizar un proceso depende de su alcance, de los programas que haya que conectar y de las excepciones que deban seguir resolviendo las personas. Para comparar propuestas conviene separar tres partidas: entender el proceso, implantar la solución y mantenerla funcionando. Mirar solo la cuota de una herramienta o el consumo de inteligencia artificial deja una parte importante fuera de la cuenta.
No cuesta lo mismo enviar un recordatorio con datos ya ordenados que recibir facturas en varios formatos, comprobarlas contra pedidos y registrarlas en un programa de contabilidad. La tarea visible puede parecer pequeña; las conexiones, los controles y los casos especiales cambian el trabajo necesario.
Qué determina la inversión inicial
Antes de presupuestar una automatización de procesos, hay que conocer al menos:
- El proceso y su volumen. Qué pasos se hacen hoy, cuántas veces se repiten y qué tiempo consumen.
- Los programas implicados. Si permiten conectarse, qué accesos se necesitan y qué limitaciones tiene cada uno.
- La calidad de los datos. Si están completos y ordenados o hay que corregirlos antes de utilizarlos.
- Las excepciones y el riesgo. Qué puede resolverse con reglas, qué necesita interpretación y qué exige aprobación humana.
- La puesta en marcha. Pruebas, documentación, formación del equipo y seguimiento para comprobar que la mejora funciona en el trabajo real.
Una propuesta que no aclare estas condiciones puede parecer barata y acabar dejando al equipo las comprobaciones y correcciones que esperaba eliminar.
Diagnóstico, implantación y costes recurrentes
En Libertity la primera reunión es gratuita y sirve para entender la necesidad y comprobar si podemos ayudar. El diagnóstico es un trabajo independiente y de pago, con precio cerrado. Antes de contratarlo, damos un rango orientativo de implantación; el precio cerrado de la solución se fija cuando el diagnóstico permite concretar el alcance.
La propuesta debe aclarar qué incluye la implantación, cómo se probará, qué recibirá el equipo y cómo se medirá el resultado. También debe distinguir los costes recurrentes: licencias, consumo de servicios externos, infraestructura y la continuidad que se acuerde. Puedes consultar cómo se organiza el servicio de principio a fin.
Cómo saber si compensa automatizar
El punto de partida es el trabajo actual: operaciones al mes, minutos por operación, errores y tiempo dedicado a corregirlos. Después se compara con el proceso previsto, contando las revisiones humanas que seguirán siendo necesarias y su coste de funcionamiento.
Liberar horas no equivale automáticamente a ahorrar ese importe en caja. Puede permitir que el mismo equipo asuma más volumen, responda antes o dedique tiempo a otra tarea. Conviene distinguir esa capacidad recuperada del gasto que realmente desaparece y de los errores cuyo coste se evita.
La decisión se toma con ese punto de partida y se comprueba tras la implantación. Si el volumen es bajo o las excepciones absorben casi todo el trabajo, quizá convenga simplificar el proceso antes de automatizarlo.
Cuando la automatización incorpora inteligencia artificial
La inteligencia artificial es cada vez más barata si miramos las tarifas de los modelos. Pero el precio de una llamada tampoco permite calcular por sí solo el coste de un proceso completo. Hay modelos capaces de clasificar, extraer información o ejecutar pequeñas tareas por una fracción de lo que costaban capacidades similares hace unos años. Incluso dentro de una misma familia existen diferencias enormes de precio entre modelos ligeros y modelos avanzados.
Pero para una empresa hay un problema con esta forma de mirar el coste de la IA: un token no es una unidad de negocio. Una factura procesada sí. Una incidencia resuelta también. Un cliente incorporado, una propuesta comercial preparada o un pedido gestionado, también.
Y cuando empezamos a medir la inteligencia artificial de esa manera, la economía de la automatización cambia por completo.
El error de mirar solamente el precio del modelo
Imaginemos dos modelos de inteligencia artificial. El primero cuesta cinco veces más por token que el segundo, así que parece evidente cuál es más barato. Pero ahora imaginemos que el modelo económico necesita cuatro intentos para completar correctamente una tarea, genera más excepciones y obliga a una persona a revisar parte de sus resultados. El modelo más caro, en cambio, completa correctamente la operación en un solo intento.
De repente, comparar el precio por token nos dice muy poco. Porque la empresa no compra tokens:
La empresa compra trabajo terminado.
Esta distinción será cada vez más importante a medida que las organizaciones pasen de utilizar asistentes de IA individualmente a integrar agentes y automatizaciones dentro de sus procesos. Un agente aparentemente sencillo puede realizar una consulta, recuperar información de una base de datos, llamar a otra herramienta, analizar el resultado, decidir que necesita información adicional, volver a consultar un sistema y, finalmente, generar una respuesta. Cada paso puede consumir recursos. Y el coste no termina ahí.
El coste real de una automatización tiene muchas capas
Para conocer la economía real de un proceso automatizado habría que sumar, como mínimo:
- Modelos de IA. Tokens de entrada, salida y razonamiento generados durante todas las ejecuciones necesarias.
- Herramientas y APIs. Búsquedas, OCR, bases de datos, proveedores externos, procesamiento documental, almacenamiento o cualquier otro servicio utilizado durante el proceso.
- Infraestructura. Servidores, bases de datos, observabilidad, colas, almacenamiento y los sistemas necesarios para ejecutar la automatización.
- Reintentos. Una ejecución que falla y vuelve a empezar también consume recursos.
- Excepciones. Los casos que el sistema no puede resolver automáticamente tienen que ir a algún sitio. Normalmente, a una persona.
- Supervisión humana. Validar una decisión, corregir información o investigar una excepción tiene un coste que puede ser considerablemente superior al de ejecutar el propio modelo.
- Construcción y mantenimiento. Integrar sistemas, mantener conectores, actualizar automatizaciones, controlar los cambios en las APIs y supervisar su funcionamiento tampoco es gratis.
La consecuencia es sencilla: el coste del modelo es solo una parte del coste de automatizar un proceso.
Puede que los tokens ni siquiera sean el coste principal
Este punto empieza a observarse en implementaciones empresariales reales. En agosto de 2026, McKinsey analizó la economía de los llamados agentic workflows y encontró algo especialmente interesante: en determinados agentes de atención al cliente en banca, los tokens suelen representar solo entre el 20 % y el 25 % de los costes variables. La supervisión humana supone entre el 70 % y el 75 %.
Esto no significa que esos porcentajes sean extrapolables a cualquier empresa o automatización: dependen completamente del proceso, el sector y el nivel de riesgo. Pero muestran algo importante:
Optimizar el precio del modelo mientras ignoramos las excepciones puede significar estar optimizando la parte equivocada del sistema.
La automatización realmente eficiente no es necesariamente la que utiliza la IA más barata. Es la que consigue completar correctamente el trabajo con el menor coste total compatible con la calidad, la velocidad y el riesgo que necesita la empresa.
De €/token a €/trabajo terminado
Supongamos que una empresa quiere automatizar el procesamiento de facturas. Medir únicamente el consumo de IA podría decirnos que el coste de IA por factura es de 0,03 €. Parece extraordinariamente barato.
Pero imaginemos ahora que analizamos 10.000 facturas. El sistema procesa automáticamente el 90 % y el otro 10 % necesita algún tipo de intervención: son 1.000 excepciones. Si revisar cada una requiere cuatro minutos de una persona cuyo coste empresarial efectivo es de 25 €/hora, esa revisión supone aproximadamente 1.667 € de coste humano.
El coste inicial de IA de las 10.000 facturas sería, en este ejemplo hipotético, de 300 €. Solo con añadir la intervención humana, el coste conjunto sube a unos 1.967 €. Y todavía faltarían la infraestructura, el software externo, el mantenimiento y otros posibles costes.
Por eso una automatización no debería evaluarse diciendo «la IA cuesta tres céntimos». Debería evaluarse preguntando:
¿Cuánto nos cuesta procesar correctamente una factura de principio a fin?
Ese cambio parece pequeño, pero cambia completamente cómo se diseñan los sistemas.
No todas las tareas necesitan la mejor IA disponible
También existe otro error frecuente: utilizar el modelo más potente para absolutamente todo. Una automatización empresarial puede contener tareas muy diferentes: clasificar un documento, extraer una fecha, interpretar una cláusula compleja, buscar información, decidir qué procedimiento aplicar, redactar una respuesta o validar una operación. No todas necesitan el mismo nivel de inteligencia.
En septiembre de 2026, por ejemplo, OpenAI publica para GPT-5.4 un precio estándar de 2,50 dólares por millón de tokens de entrada y 15 dólares por millón de salida, mientras que GPT-5.4 nano, pensado para tareas en las que más importan la velocidad y el coste, como la clasificación, la extracción de datos o el ranking, figura en 0,20 y 1,25 dólares, respectivamente. Son diferencias de más de diez veces dentro de la misma generación de modelos.
Los precios cambiarán y otros proveedores tendrán estructuras diferentes, pero el principio se mantiene: utilizar un modelo frontera para una tarea trivial puede ser económicamente absurdo. Una arquitectura eficiente puede enviar cada tarea al sistema adecuado.
A veces la mejor IA es no utilizar IA
Hay además una pregunta que debería hacerse antes incluso de elegir un modelo: ¿esta tarea necesita inteligencia artificial?
Si una empresa necesita comprobar que una factura supera los 1.000 euros, no necesita un modelo de lenguaje: necesita una regla. Si necesita consultar el saldo de un cliente, probablemente necesita una consulta a una base de datos. Si necesita calcular un descuento, necesita software determinista. Y si necesita interpretar un correo ambiguo y decidir qué procedimiento de la empresa corresponde, entonces sí puede haber una buena razón para utilizar IA.
Las mejores automatizaciones probablemente combinarán ambos mundos:
Software determinista para aquello que conocemos. Inteligencia artificial para aquello que necesita interpretación.
Esto no solo reduce costes. También puede aumentar la velocidad, la previsibilidad y la fiabilidad.
Más agentes tampoco significa automáticamente un sistema mejor
Existe otra tentación: si un agente funciona, quizá cinco agentes colaborando funcionen todavía mejor. No necesariamente. Los sistemas multiagente pueden resultar extremadamente útiles cuando un problema necesita de verdad especialización, planificación, comprobaciones independientes o división del trabajo. Pero cada agente adicional puede introducir nuevas llamadas al modelo, más contexto, herramientas, coordinación y posibilidades de error.
McKinsey estima que determinados flujos de trabajo bancarios de cara al cliente pueden alcanzar costes de entre 20.000 y 30.000 dólares con un solo agente y de entre 100.000 y 200.000 dólares con equipos multiagente, según su análisis basado en investigación y precios públicos. No son presupuestos trasladables directamente a una pyme ni cifras universales. Pero ilustran una idea importante:
La sofisticación técnica también necesita una justificación económica.
Un sistema no debería tener siete agentes porque resulte impresionante como arquitectura. Debería tenerlos solo si esos siete agentes producen suficiente valor adicional para justificar su complejidad.
El indicador que debería empezar a aparecer en los cuadros de mando
La IA empresarial necesita métricas diferentes. Además de la precisión, la latencia o el consumo de tokens, cada automatización debería poder responder preguntas como estas:
- ¿Cuánto cuesta completar una operación?
- ¿Qué porcentaje termina sin intervención humana?
- ¿Cuánto cuesta gestionar las excepciones?
- ¿Cuántos reintentos necesita el sistema?
- ¿Qué porcentaje termina correctamente a la primera?
- ¿Cuánto costaba antes ejecutar el mismo proceso?
- ¿Qué valor económico genera cada ejecución?
Podemos resumirlo así:
Coste por trabajo terminado = IA + herramientas + infraestructura + reintentos + supervisión humana + coste operativo asignable
Y después compararlo con:
Coste anterior + capacidad adicional + ingresos generados + errores evitados + otras mejoras económicas
Entonces empezamos a hablar de verdad de ROI.
El volumen puede cambiar completamente las cuentas
Estas automatizaciones tienen otra característica interesante: una parte de su coste es fija. Hay que analizar el proceso, desarrollar integraciones, configurar sistemas, probarlos, crear controles y desplegarlos. Pero, una vez construida esa infraestructura, aumentar el volumen no siempre aumenta el coste en la misma proporción.
McKinsey muestra un ejemplo en el que un agente conversacional que incorpora 2.500 nuevos clientes al año cuesta entre 10.000 y 15.000 dólares. Al duplicar el volumen hasta 5.000 clientes, el coste sube solo hasta los 15.000–20.000 dólares.
De nuevo, es un caso concreto y no una regla universal. Pero explica por qué el volumen y la reutilización son dos variables fundamentales para determinar qué procesos merece la pena automatizar. Una automatización mediocre utilizada cien veces puede no recuperar nunca su coste de construcción. Una buena capacidad reutilizable utilizada cientos de miles de veces puede transformar la economía de una operación.
La pregunta correcta no es cuánto cuesta la IA
En los próximos años probablemente veremos modelos mejores y precios de inferencia cada vez más competitivos. Pero eso no elimina la necesidad de controlar los costes; puede incluso hacerla más importante. Cuando ejecutar inteligencia se vuelve barato, encontramos más lugares donde utilizarla. Cuando aparecen más agentes, cada agente realiza más operaciones. Cuando automatizamos más procesos, el consumo total aumenta.
Por eso una empresa no debería obsesionarse únicamente con conseguir tokens más baratos. Debería intentar construir procesos más rentables. Y eso exige decidir cuándo utilizar un modelo potente y cuándo uno pequeño, cuándo reutilizar información, cuándo reducir llamadas, cuándo utilizar reglas tradicionales y cuándo merece la pena mantener a una persona dentro del proceso.
La pregunta definitiva no es «¿cuánto cuesta este modelo?». Es esta:
¿Cuánto nos cuesta terminar correctamente este trabajo y cuánto valor genera hacerlo?
Ahí empieza la economía real de la inteligencia artificial en la empresa.
