Amortizar una alucinación

Estamos ajustando nuestro EBITDA para dar cabida a un loro sofisticado que se ha leído internet.

Y no hablo solo de mi empresa. Hablo de todos, como industria. En todas las empresas del planeta, la partida del presupuesto que más rápido crece es algo que no existía hace tres años, no tiene escritorio y se niega en redondo a explicar sus precios.

Tu empresa está intentando amortizar una alucinación. Al fondo del pasillo, tu departamento de finanzas está encerrado en una sala sin ventanas, sudando sobre hojas de cálculo, intentando averiguar cómo capitalizar una sensación.

Gartner calcula que el gasto mundial en IA este año será de $2,52 billones.¹ Un 44 % más que el año anterior. Y aun así solo el 14 % de los directores financieros dice ver un ROI claro y medible.² El noventa y cinco por ciento de los pilotos de IA generativa no logra un impacto tangible en la cuenta de resultados.³

Gastamos a una escala sin precedentes en algo que no sabemos seguir con un mínimo de rigor. Y está a punto de ponerse seis veces peor.

Por cada dólar en herramientas, seis en el trabajo

Sequoia publicó la semana pasada un artículo titulado “Services: The New Software”. Es un mapa del tesoro buenísimo que muestra dónde se está librando la fiebre del oro de la IA. Lo que omite es que los directores financieros de las empresas son quienes se ven obligados a pagar las palas a ciegas.

Su tesis es sencilla: por cada dólar que una empresa gasta en herramientas de software, gasta seis en los servicios que esas herramientas respaldan. Una licencia de QuickBooks de $10K no es nada al lado del contable de $120K que de verdad cierra los libros. Así que la oportunidad real de la IA no es construir un QuickBooks mejor. Es construir lo que cierra los libros.

Para que quede claro, no estás sustituyendo solo a Jim, el de Contabilidad. Lo estás sustituyendo por un algoritmo que procesa un millón de facturas por segundo, bebe ginebra virtual, no tiene ni idea de qué es el dinero y se niega con agresividad a enseñar cómo ha hecho las cuentas. El sueldo de $120K de Jim ya no está. Ahora pagas $400K en llamadas a una API a una entidad a la que no se puede poner en un plan de mejora del rendimiento.

Sequoia los llama “autopilots”. No son copilotos que ayudan a un profesional a hacer el trabajo. Son pilotos automáticos que entregan el resultado directamente. Redactar el NDA. Tramitar el siniestro. Clasificar el ticket de IT. El comprador ya no es el bufete ni el corredor. El comprador es la empresa que necesita el trabajo hecho.

Han calculado el TAM y es enorme. Correduría de seguros: $140-200B. Servicios gestionados de IT: más de $100B. Contabilidad y auditoría: $50-80B. Selección de personal: más de $200B. Consultoría de gestión: $300-400B.

Léelo, el marco es fenomenal. Pero quiero hablar de lo que se deja fuera: ¿cómo consigues exactamente un recibo desglosado de un pájaro?

3.600 fotocopiadoras

Anoche me puse un poco desquiciado en LinkedIn con las fotocopiadoras. La metáfora: las empresas piden 600 fotocopiadoras sin saber qué quieren imprimir. El gasto en IA se dispara y nadie lo conecta con los ingresos.

Me quedé corto. La proporción de 6:1 de Sequoia cambia las cuentas.

Imagina que tienes 600 ingenieros. A cada uno le das un asistente de programación con IA de $20 al mes. Son $144K al año. Es mucho, pero se puede seguir. Sabes quién tiene licencia. Sabes qué ha entregado. Tu director financiero puede trazar una línea recta entre el gasto y el plan de plantilla.

Ahora aplica el 6:1.

Esos $144K en herramientas implican $864K en servicios de IA: la contabilidad en piloto automático subcontratada, el soporte de IT agéntico, la gestión automatizada de siniestros. Ese dinero no se apunta a una línea de plantilla. Llega como facturas de proveedores, recibos de APIs y contratos de consultoría sin ninguna conexión con un proyecto, un producto o un resultado financiero.

No has comprado 600 fotocopiadoras. Has comprado 3.600. Y 3.000 de ellas están en un descampado, atascadas, imprimiendo páginas en blanco al viento con saña, cobrándote $140 la hora por “rendimiento estratégico” y mandando facturas a tu equipo de cuentas a pagar con el asunto “Transformación impulsada por IA. NO RESPONDER.”

El 79 % del gasto total en IA. El 0 % atribuido.

La brecha de visibilidad

Hay dos líneas de tendencia en la IA empresarial que legalmente no deberían poder salir en el mismo gráfico.

Una línea se pone vertical. La otra apenas se inmuta. El espacio entre ambas, unos $2 billones, es dinero que fue a algún sitio y que nadie en finanzas sabe explicar. Son los gastos del loro. Son los honorarios de consultoría de la batidora. Son $2 billones de “mira, los resultados son buenísimos, ¿lo hablamos el trimestre que viene?”.

Al mapa de Sequoia le falta un eje

El mapa de oportunidades de Sequoia se construye sobre dos dimensiones: cuánto del trabajo es “inteligencia” (basada en reglas) frente a “juicio” (instinto), y cuánto está ya subcontratado. Los autopilots ganan donde la inteligencia es alta y el trabajo está subcontratado. Cambio de proveedor sin fricción.

Gran marco. Pero le falta una dimensión.

El tercer eje es la dificultad de atribuir el coste. Y se correlaciona justo con lo que no debería.

Eje X: facilidad de automatizar con IA. Eje Y: dificultad de atribuir el coste. Cuanto más fácil es automatizar, más difícil es contabilizar.

Los sectores que Sequoia señaló como las mayores minas de oro de los autopilots son exactamente los mismos donde atribuir el coste es una pesadilla total. ¿Correduría de seguros? El coste de cómputo de IA por póliza es invisible. ¿Servicios gestionados de IT? El consumo de tokens por ticket es imposible de saber sin herramientas que no existen. Y la contabilidad, con una ironía que debería doler físicamente, tiene la peor atribución de todas, porque varias herramientas de IA tocan cada encargo y nadie anota qué loro cuadró de verdad el libro mayor.

Sequoia dibujó por dónde va a fluir el dinero. Este gráfico dibuja por dónde va a desaparecer.

Los autopilots empeoran el problema, no lo mejoran

Esta es la parte a la que no dejo de dar vueltas.

Con un copiloto, por ejemplo Harvey vendiendo a un bufete, tienes rastro en papel. Una licencia por usuario. Un profesional que usó la herramienta. Un número de expediente. Tres líneas de coste, un resultado. Fastidioso de conciliar, pero perfectamente posible.

Con un autopilot, una IA que vende el NDA terminado directamente a la empresa, compras el resultado a ciegas. Una factura. Sin desglose. Pagas tarifas de McKinsey por una batidora que se ha tragado un diccionario de sinónimos, y no tienes ni idea de cuánto fue cómputo, cuánto revisión humana y cuánto la propia batidora.

Por defecto, ese coste cae en gasto operativo.

Si tu equipo de finanzas no puede demostrar que cumple los requisitos de I+D o de desarrollo de software capitalizado según la IAS 38 o la ASC 350-40, es un golpe directo a la cuenta de resultados. Baja tu margen. Pierdes créditos fiscales de I+D de entre el 6 y el 10 % del gasto que cumple los requisitos. El dinero se cuela por el hueco entre “hemos comprado un resultado” y “no podemos demostrar lo que costó producirlo”.

El mismo gasto. $250K de diferencia en el impacto sobre el margen.

Imagínate el consejo de administración. Tu director financiero suda a chorros dentro de una camisa que costó más que el alquiler de la mayoría, intentando explicar por qué el EBITDA baja un 8 % pese a una producción récord. La respuesta real, “un lector de PDF sensible decidió que merecía una paga extra del Q3 y legalmente tenemos que clasificar sus sensaciones como gasto operativo”, no va a sentar bien a los inversores institucionales. Así que dice “estamos invirtiendo en una transformación nativa de IA”. Todos asienten y nadie hace ninguna pregunta de seguimiento, porque nadie sabe qué preguntar.

Ya hemos estado aquí (más o menos)

En 2014, las empresas adoptaron la nube sin gobernanza de costes. Las facturas de AWS se duplicaban cada año. Los directores financieros recibían facturas que no podían asignar a un equipo, y mucho menos a un producto.

Pero ojo, la nube era solo alquilar el ordenador de otro. Cuando una instancia EC2 olvidada llevaba seis meses encendida, se quedaba ahí. Costaba dinero, pero estaba inerte. En 2014, el peor escenario era dejar un servidor encendido el fin de semana y tirar $5.000.

La IA no es inerte. En 2026, el peor escenario es que te olvidaste de despedir a un consultor virtual de McKinsey que lleva seis meses alucinando 40.000 tickets de Jira inútiles y cobrándote por token. No se queda en reposo. Toma decisiones. Empleas a un fantasma que trabaja 24/7, genera disparates con aplomo a escala y no se le puede despedir porque nadie recuerda quién lo contrató.

En 2018, el FinOps ya era una disciplina. En 2020, nadie lanzaba una carga de trabajo en la nube sin una etiqueta de asignación de costes. La industria construyó una capa entera de gobernanza porque el gasto en la nube sin seguimiento se estaba comiendo los márgenes.

La IA necesita lo mismo. Salvo que la curva es más empinada.

La nube llegó a su momento de gobernanza con un gasto de unas 3,4 veces el inicial. La IA ha superado de largo las 5 veces y no hay nada equivalente.

Y es fundamentalmente más difícil que la nube por una razón: los costes de la IA no son costes de infraestructura. Son costes de plantilla con otro sombrero.

El autopilot que cierra los libros antes era una persona. Una persona en tu plan de plantilla, en tu modelo de capitalización de I+D, en tu declaración de créditos fiscales. Una persona que tu equipo de planificación de plantilla podía prever. Una persona que, y esto es clave, se presentaba a una 1:1, explicaba en qué había estado trabajando y aceptaba feedback.

Ahora esa persona es tu contratista mejor pagado: una nube de matemáticas que nunca duerme, se niega a rellenar una hoja de horas, de vez en cuando le hace luz de gas a los júniors y no se le puede poner en un PIP. El trabajo sigue haciéndose. La estructura de costes pasó de “sueldo + beneficios” a “tokens + llamadas a la API”. Pero nadie actualizó el modelo de plantilla porque, siendo sinceros, ¿qué pones en el campo “puesto”? ¿Trabajador del conocimiento incorpóreo (propenso a alucinar)?

¿Cómo haces planificación de plantilla cuando la mitad de tu “plantilla” es una llamada a una API? ¿Cómo prevés la capacidad cuando lo que hace el trabajo factura por milisegundo, escala de forma impredecible y a veces se lo inventa todo?

Esto no es un problema de finanzas, y tampoco de ingeniería. Es un problema de Workforce Engineering. Y es el que casi nadie está resolviendo.

El remate

Sequoia tiene razón. El mercado de servicios hace palidecer al de software. Los autopilots se llevarán presupuestos de trabajo que valen seis veces los presupuestos de herramientas por los que todos llevan tiempo peleándose.

Pero alguien tiene que ocuparse de las cuentas. No de las cuentas generadas por IA, sino de las de verdad. Las que te permiten explicar a tu consejo en qué gastaste $864K, a qué proyecto se vinculó, si cuenta como CapEx y cuánto puedes recuperar en créditos de I+D.

Porque ahora mismo estamos transfiriendo millones, entre todos, a una nube de matemáticas con muchas opiniones. No podemos ver sus hojas de horas. No podemos auditar su metodología. Y si le pedimos que explique sus precios, generará un poema muy seguro de sí mismo sobre la sinergia.

Las fotocopiadoras siguen imprimiendo. Ya son 3.600. Y el loro acaba de mandar otra factura.

Will Hackett es CTO y cofundador de Flowstate, una plataforma de Workforce Engineering para equipos de ingeniería modernos.

Gartner, “Worldwide AI Spending Will Total $2.5 Trillion in 2026,” January 2026. ↩
RGP, “The AI Foundational Divide: From Ambition to Readiness,” December 2025. Encuesta a 200 directores financieros de EE. UU. en tecnología, sanidad, servicios financieros y retail/consumo ($500M-$10B+ de facturación). ↩
MIT 2025 AI Report, citado en la investigación de Stanford HAI. ↩