Despedir empleados para reemplazarlos con inteligencia artificial parecía, en principio, una estrategia ganadora para algunas empresas en 2026. El ideal era contar con una fuerza laboral disponible las 24 horas, sin vacaciones ni cargas sociales. Sin embargo, esta ilusión se topó con una realidad costosa: en el ámbito corporativo de grandes compañías, utilizar IA de forma indiscriminada para programación resulta más caro que contratar personal principiante.
Las empresas tecnológicas protagonizaron una ola de despidos durante el año, con Amazon, Meta, Oracle y Dell eliminando en conjunto 65 mil puestos de trabajo. En Argentina, compañías como Mercado Libre, Santander y PwC también redujeron sus equipos. Esta tendencia se acompañó de una rápida adopción de modelos de lenguaje de gran escala (LLMs), con el argumento de que la IA puede realizar tareas más rápido y con mayor eficiencia, según reconoció un alto directivo local.
No obstante, en los últimos meses ha surgido un cambio de tendencia. Aunque la inteligencia artificial ahorra tiempo, optimiza procesos y puede reducir algunos costos, su uso intensivo conlleva gastos elevados. Datos difundidos por Microsoft y reportados por Fortune revelan que la empresa canceló la mayoría de sus licencias directas de Claude Code, una IA muy utilizada para programación, apenas seis meses después de implementarlas para miles de empleados.
Uber enfrentó una situación similar: su CTO informó que en cuatro meses se consumió todo el presupuesto anual destinado a herramientas de programación con IA. Bryan Catanzaro, vicepresidente de deep learning en Nvidia, resumió la situación para Axios: «El costo de cómputo está muy por encima del costo de los empleados». En Mercado Libre, por su parte, también se redujo significativamente el límite de tokens —las unidades que se cobran por uso de IA— disponibles para consultas internas, pasando de límites iniciales entre 800 y 2.000 dólares a apenas 300 dólares con un mayor control y necesidad de aprobación.
Este escenario revela tres problemas asociados al uso intensivo de IA en las empresas, además del costo. Primero, cuando se agotan los tokens, la IA deja de funcionar, lo que genera interrupciones en el trabajo. Segundo, la disminución de la formación de trabajadores reduce el conocimiento profundo sobre los procesos, generando una dependencia creciente de sistemas automáticos en un momento en que las IA «agénticas», que toman decisiones autónomas, avanzan. Y tercero, muchas compañías exponen su información interna en sistemas de terceros, perdiendo control sobre sus datos y quedando vulnerables a filtraciones, un riesgo destacado en eventos de ciberseguridad durante 2026.
El uso cotidiano de la IA, como chatbots tipo ChatGPT o Claude, se diferencia profundamente del uso intensivo corporativo. Los primeros funcionan con planes de suscripción accesibles, ideales para pequeñas y medianas empresas. Sin embargo, en las grandes corporaciones, conectar todo el código fuente (el «codebase») a un modelo de IA conlleva un consumo elevado de tokens que se traduce en costos significativos.
Nicolás Wolovick, doctor en Ciencias de la Computación por la Universidad Nacional de Córdoba, explica que cargar el contexto necesario para que la IA entienda el sistema completo es lo más costoso. Esto implica usar infraestructura avanzada, usualmente en la nube, para almacenar y procesar grandes cantidades de datos. Además, la IA de programación requiere un «panorama amplio» del código para emitir respuestas y propuestas válidas, lo que incrementa el consumo de recursos. Maximiliano Firtman, destacado programador y docente, añade que las empresas suelen adquirir suscripciones costosas o comprar tokens al por mayor para distribuir entre sus empleados.
En Argentina, Mercado Libre es un caso emblemático: sus altos consumos de tokens fueron limitados recientemente, mientras que su nombre apareció en una lista no oficial de los 30 mayores consumidores de tokens en OpenAI, junto a gigantes como Salesforce.
Javier Blanco, doctor en Informática por la Universidad de Eindhoven, señala que los costos de IA derivan principalmente del entrenamiento de modelos y del uso (inferencia). Aunque el entrenamiento es caro, el gasto por inferencia crece debido al aumento en las consultas, lo que dificulta sostener tarifas fijas para usuarios corporativos. Wolovick complementa que a diferencia de un desarrollador experimentado que conoce el contexto, la IA debe cargar mucha más información para poder orientar sus respuestas, incrementando costos en tokens, memoria e infraestructura.
La magnitud de la inversión en infraestructura para IA es enorme: Gartner proyecta 6,3 billones de dólares invertidos en centros de datos para IA entre 2024 y 2029, y se estima que proveedores de modelos deberán generar ingresos cercanos a los 7 billones de dólares para sostener esa infraestructura. OpenAI, por ejemplo, asumió compromisos de gasto por 600 mil millones de dólares hasta 2030.
Una posible solución, según Firtman, radica en el uso de modelos locales y de código abierto, que permitirán controlar costos y proteger información sensible. También prevé un avance en el hardware orientado a ejecutar IA localmente, lo cual será especialmente beneficioso para profesionales independientes, Pymes y empresas medianas. Sin embargo, aclara que no se abandonarán completamente los grandes servicios en la nube, pues algunos modelos más potentes seguirán operando desde data centers para tareas complejas.
La creciente dependencia de la IA también tiene un impacto en la formación laboral. Desde el Sindicato de Trabajadores Informáticos de Argentina advierten que la automatización puede perjudicar la formación y adaptación de nuevos profesionales. Wolovick señala que el acceso excesivo a modelos de lenguaje entre estudiantes puede generar una dependencia que afecta el desarrollo del pensamiento crítico y el aprendizaje profundo, y cuestiona quién formará a las próximas generaciones si las tareas básicas