Cuánto cuesta implementar IA: demo vs producción

Alguien te enseñó una demo y funcionó. Un asistente que respondía preguntas de clientes, un sistema que redactaba informes solo, algo que en treinta segundos hizo lo que a tu equipo le lleva una tarde. La pregunta lógica después de ese momento es cuánto cuesta implementar IA de verdad en tu empresa. Y la respuesta honesta empieza por una advertencia: esa demo que te enamoró costó casi nada de construir, y ponerla a funcionar a diario cuesta uno o dos órdenes de magnitud más.

No porque el proveedor te esté hinchando el presupuesto. El motivo es que la demo esconde seis partidas de coste que solo aparecen cuando el sistema deja de ser un truco de feria y pasa a tocar tu operación real.

Por qué la demo es tan barata (y tan engañosa)

Una demo funciona en un mundo de laboratorio. Los datos que usa están limpios y elegidos a mano por quien la construyó. No hay usuarios reales haciendo preguntas raras. Y sobre todo, no pasa nada si falla, porque nadie está tomando una decisión de negocio con esa respuesta.

Ese es el terreno donde una IA parece magia. Le enseñas tres ejemplos bonitos, contesta bien a los tres, y la sala aplaude. Construir eso lleva días y un coste ridículo, porque casi todo el trabajo pesado ya lo hizo la empresa que entrenó el modelo. Si quieres entender por qué el modelo en sí no es la parte cara, lo explico en cómo funciona la IA generativa.

El problema llega el día que abres la puerta. Tus clientes preguntan cosas que nadie previó. Tus datos están desordenados, incompletos y repartidos en cinco sitios. Y de repente sí importa mucho que el sistema falle, porque detrás de cada respuesta hay dinero, un cliente enfadado o una decisión que no se puede deshacer.

Las seis partidas que aparecen al pasar a producción

Cuando la demo se convierte en algo que usa gente real todos los días, el coste no crece un poco. Cambia de naturaleza. Aparecen seis partidas que en la demo valían cero.

Datos

En producción, la IA es tan buena como los datos que lee, y tus datos casi nunca están listos. Están en PDFs escaneados, en hojas de cálculo con criterios distintos por departamento, en un correo que alguien mandó en 2019. Antes de que el sistema haga nada útil hay que reunir esos datos, limpiarlos, darles una estructura común y, lo que casi todo el mundo olvida, mantenerlos así para siempre. Un catálogo de productos cambia cada semana. Si el sistema lee la versión de hace tres meses, responde con seguridad y se equivoca.

Esta suele ser la partida más grande y la más invisible. La demo la saltó porque le diste tú los datos ya masticados.

Fiabilidad

Que algo funcione el 95% de las veces suena bien hasta que piensas en el otro 5%. Un asistente que se inventa una respuesta una de cada veinte veces es una anécdota simpática en una demo y una demanda potencial en atención al cliente. Cuando hay dinero o clientes de por medio, cerrar esa distancia entre “funciona casi siempre” y “funciona lo bastante bien como para confiar en ello sin mirar” es un trabajo caro. A veces es la parte más cara de todas.

Revisión humana

En casi todo caso serio, alguien tiene que revisar lo que la IA produce antes de que salga. No porque la tecnología sea mala, sino porque una IA puede equivocarse con total aplomo, con el mismo tono seguro que usa cuando acierta. Esa invención con cara de certeza tiene nombre: alucinación. Y no avisa cuando ocurre. Así que presupuestas horas de una persona que valida las salidas. Ese coste no desaparece con el tiempo. Se puede reducir, pero rara vez llega a cero.

Vigilancia

Un sistema de IA se degrada sin avisar. El mundo cambia, tus clientes preguntan cosas nuevas, el proveedor actualiza el modelo por debajo, y de repente las respuestas que ayer eran buenas hoy son mediocres. Nadie recibe un error. Simplemente empeora en silencio. Detectar eso a tiempo exige montar una vigilancia: medir la calidad de las respuestas de forma continua y avisar cuando bajan. Es el coste que más gente se salta, y el que más caro se paga cuando te enteras tarde.

Coste por uso

Aquí está el cambio mental más importante. Cada vez que alguien usa el sistema, cuesta dinero. Cada pregunta al modelo se paga. En la demo hiciste diez consultas y no lo notaste. En producción son miles al día, y esa factura llega todos los meses, crezca o no tu negocio. No es una licencia que compras una vez. Es un contador que corre cada segundo que el sistema está encendido.

Vivir con el sistema

Y luego está el coste de convivir con la cosa una vez montada. El modelo que usas hoy dejará de venderse. Tu negocio cambiará y el sistema tendrá que cambiar con él. Aparecerán casos que nadie previó. Mantener una IA en producción se parece más a cuidar un jardín que a colgar un cuadro: si dejas de regarlo, se muere.

Coste único vs coste recurrente: el error mental más caro

La mayoría de los presupuestos de IA se hacen mal por una razón: se tratan como la compra de una máquina cuando se parecen más a contratar a alguien.

Cuando compras una máquina, pagas una vez y la tienes. Cuando contratas a una persona, pagas un sueldo cada mes, la formas, la supervisas y asumes que a veces se equivoca. Un sistema de IA en producción vive en el segundo mundo. El coste de arrancarlo (montar los datos, construir la primera versión) es real, pero suele ser la parte pequeña. La parte grande es el goteo mensual: coste por uso, revisión humana, vigilancia y mantenimiento.

Por eso un presupuesto cerrado a precio de demo es una trampa. Te da una cifra de arranque que parece asumible y esconde el sueldo mensual que viene detrás. Antes de decidir cuánto de esto montas tú y cuánto compras hecho, conviene entender bien esa disyuntiva, y la desarrollo en comprar o construir IA.

Una nota sobre las cifras. En este artículo hablo a propósito en órdenes de magnitud y no en euros. Cualquiera que te dé un número exacto sin conocer tus datos, tu volumen y tu tolerancia al error te está vendiendo algo. Lo honesto es un rango, y el rango depende casi por completo de esas seis partidas.

Demo vs producción, de un vistazo

	Demo	Producción
Datos	Limpios, elegidos a mano	Desordenados, hay que reunirlos y mantenerlos
Usuarios	Ninguno o de mentira	Clientes reales con preguntas imprevisibles
Si falla	No pasa nada	Dinero, clientes o una decisión en juego
Coste	Bajo y de una vez	Sobre todo mensual y recurrente
Vigilancia	No hace falta	Alguien mide la calidad de forma continua
Quién lo cuida	El que hizo la demo, un rato	Una persona o equipo, para siempre

La tabla resume la idea central: no estás comprando el mismo producto más grande. Estás comprando una cosa distinta.

Cómo saber si un proyecto de IA te va a salir caro

No hace falta ser técnico para oler un presupuesto poco realista. Basta con hacer las preguntas correctas y ver si el proveedor tiene respuestas o solo tiene entusiasmo. Estas son las que separan una propuesta seria de una demo con lazo.

• ¿Cuánto cuesta cada consulta y cuántas consultas al mes estimamos? (si no lo saben, no han pensado en el coste recurrente)
• ¿En qué estado están mis datos y cuánto trabajo es dejarlos listos?
• ¿Quién revisa las salidas antes de que lleguen al cliente, y cuántas horas supone?
• ¿Cómo nos enteramos de que el sistema ha empeorado?
• ¿Qué pasa cuando el modelo que usamos deje de estar disponible?
• ¿El presupuesto separa el coste de arranque del coste mensual?

Si a la mitad de estas preguntas la respuesta es un silencio incómodo, ya sabes por dónde se va a escapar el dinero. Este tipo de criterio, saber qué preguntar sin necesidad de programar, es justo lo que trabajamos en el curso IA sin hype: entender qué compras, qué pagas cada mes y dónde están los límites reales.

El coste, además, es solo la mitad de la ecuación. La otra mitad es qué te devuelve, y ahí entra el ROI de la IA en la empresa: un sistema caro puede salir rentable y uno barato puede ser un pozo sin fondo, según lo que resuelva de verdad.

Si quieres que te avise cuando publique las siguientes guías de este curso, déjame tu correo:

Un concepto nuevo cada semana

Suscribirme

Preguntas frecuentes

¿Cuánto cuesta implementar IA en una empresa, en números?

Depende tanto de tus datos y tu volumen que cualquier cifra fija sería mentira. Lo útil es pensar en dos números distintos: uno de arranque, para montar la primera versión, y otro mensual, que casi nunca desaparece. En muchos proyectos el coste mensual acaba superando al de arranque en cuanto el sistema lleva un tiempo funcionando. Desconfía de quien te dé un precio cerrado sin haber mirado tus datos.

¿La IA no se abarata con el tiempo?

El coste por consulta al modelo sí ha bajado y probablemente siga bajando. Pero esa es solo una de las seis partidas, y no la mayor en muchos casos. Los datos, la revisión humana y el mantenimiento dependen de tu empresa, no del precio del modelo, así que no bajan solos. Un modelo más barato no limpia tus datos por ti.

¿Puedo empezar barato y crecer después?

Sí, y suele ser lo más sensato. Empezar con un caso pequeño y acotado, uno donde un fallo no sea grave, te deja medir el coste real antes de comprometer un presupuesto grande. Lo que no funciona es empezar barato pensando que el precio de esa primera prueba se mantendrá cuando lo abras a toda la empresa. Ahí es donde aparecen las seis partidas.

¿Sale más a cuenta comprar una herramienta hecha o construir la mía?

Para la mayoría de empresas, comprar algo ya hecho es más barato y más rápido si existe una herramienta que encaje con lo que necesitas. Construir a medida solo compensa cuando tu caso es lo bastante particular como para que ninguna herramienta del mercado sirva. Lo desarrollo con más detalle en la guía sobre comprar o construir IA.

¿El coste de la IA cuenta como una inversión única en el balance?

En su mayor parte, no. La parte de arranque puede parecerse a una inversión, pero el grueso del coste es un gasto recurrente, como un sueldo o un alquiler. Presupuestarlo como una compra de una sola vez es el error que hace que muchos proyectos de IA se queden a medias: el dinero de arranque llega, el de mantener el sistema vivo no.