La paradoja de Jevons y tu factura de IA: por qué baja el precio del token y sube el gasto
Los tokens son más baratos que nunca. Las facturas de IA son más altas que nunca. No es una contradicción: es física del siglo XIX aplicada a software del siglo XXI.
En este artículo
El economista victoriano que predijo tu factura de AWS
En 1865, William Stanley Jevons publicó The Coal Question, un libro en el que argumentaba algo que a sus contemporáneos les pareció una locura: hacer las máquinas de vapor más eficientes no reduciría el consumo de carbón en Gran Bretaña. Lo dispararía.
La lógica era brutal en su sencillez. Si una máquina hace el mismo trabajo quemando la mitad de carbón, ese trabajo se abarata. Si se abarata, más gente puede permitírselo. Si más gente puede permitírselo, hay más máquinas funcionando. Y el consumo total de carbón sube aunque cada máquina individual consuma menos.
Jevons tenía razón. Gran Bretaña consumió más carbón a medida que sus motores se volvían más eficientes, no menos.
Esto se llama la paradoja de Jevons, y lleva 160 años siendo ignorada por cada industria que descubre que ha abaratado algo. Ahora le ha tocado el turno a los tokens de IA.
Qué es un token y por qué importa que cuentes los suyos
Un token es la unidad mínima con la que trabajan los modelos de lenguaje. No es exactamente una palabra ni exactamente una sílaba: es un trozo de texto que el modelo procesa como unidad. "Tokenomics" puede ser un token o varios dependiendo del modelo. "IA" probablemente es uno. El punto es que cada vez que le preguntas algo a GPT-4o, a Claude o a Gemini, el sistema cuenta los tokens que entran (tu pregunta, el contexto, las instrucciones del sistema) y los que salen (la respuesta). Y te cobra por ambos.
Durante 2024 y principios de 2025, los precios por token cayeron de forma sostenida. Los modelos se volvieron más eficientes, la competencia entre proveedores se intensificó y las empresas celebraron el abaratamiento como si fuera una victoria.
Lo que nadie calculó correctamente fue la paradoja de Jevons.
Según TechCrunch, los precios por token han bajado, pero el aumento en adopción y la llegada de agentes autónomos han disparado el consumo total de tokens hasta niveles que nadie había presupuestado. El resultado: facturas más altas con precios unitarios más bajos. Exactamente lo que Jevons predijo en el siglo XIX mirando chimeneas de carbón.
Los agentes autónomos: el multiplicador que nadie contabilizó
Aquí es donde la paradoja de Jevons adquiere una segunda vuelta de tuerca específica de la IA en 2025-2026.
Un humano usando un LLM de forma tradicional genera un patrón simple: un input, un output. Escribes una pregunta, recibes una respuesta. El contador de tokens hace clic una vez.
Un agente autónomo no funciona así.
Un agente recibe un objetivo ("analiza este repositorio y genera un informe de deuda técnica") y empieza a encadenar llamadas por su cuenta. Busca en el repositorio. Ejecuta herramientas. Encuentra un error. Reintenta. Llama a otro modelo para validar el resultado. Genera un borrador. Lo revisa. El contador de tokens no hace clic una vez: hace clic, clic, clic, clic durante minutos o incluso horas, y tú ni te enteras hasta que llega la factura.
Los datos de Jellyfish, recogidos por TechCrunch, son elocuentes: los ingenieros que más tokens consumen son dos veces más productivos que la media, pero gastan diez veces más tokens. Y el consumo por desarrollador creció un 18,6 veces en nueve meses, impulsado precisamente por las funcionalidades agénticas que los modelos incorporaron a finales de 2025.
TechCrunch señala que los nuevos lanzamientos de modelos en noviembre, Claude Opus 4.5, GPT-5.1, Gemini 3 Pro, vinieron con herramientas agénticas mejoradas que multiplicaron el consumo. Cada mejora en capacidad agéntica es, desde la perspectiva del gasto, un multiplicador de tokens.
"Los ingenieros que más tokens gastan son el doble de productivos, pero gastan diez veces más tokens. Y nadie sabe si el valor del código que producen justifica la diferencia." , Nicholas Arcolano, Jellyfish, citado en TechCrunch
Los casos reales que hacen que los CFOs pierdan el sueño
Cuando los datos abstractos no convencen, los casos concretos lo hacen.
Uber agotó su presupuesto de IA para todo 2026 en abril. No en diciembre. En abril. Cuatro meses para consumir doce meses de presupuesto, según TechCrunch. En una empresa del tamaño de Uber, con equipos de ingeniería financiera sofisticados, nadie anticipó que el consumo escalaría así.
Priceline vivió algo diferente pero igual de revelador. Un empleado contó a TechCrunch que la renovación rutinaria de su contrato con Cursor llegó con un precio entre cuatro y cinco veces más alto que el anterior. No era una expansión de uso. Era la misma herramienta, el mismo equipo, una renovación de contrato. Chris Reed, de Priceline, comparó la adopción de IA con una "epidemia de crack-cocaína" y anunció que la empresa está imponiendo límites de tokens a ciertos grupos.
Microsoft tomó una decisión más radical: revocar las licencias de Claude Code que había habilitado para sus desarrolladores meses antes. Según TechCrunch, la razón fueron las preocupaciones por el coste tras un despliegue inicial sin restricciones. Una empresa que se gasta miles de millones en IA al año decidió que no podía permitirse que sus propios ingenieros usaran Claude Code sin límites.
Y luego está el caso que TechCrunch menciona sin nombrar a la empresa: una organización que se enfrentó a una factura de 500 millones de dólares con Claude después de olvidarse de establecer límites de uso. Es un anécdota sin verificar de forma independiente, TechCrunch no da el nombre ni los detalles completos, pero si es remotamente cierta, ilustra el extremo del espectro de lo que puede pasar cuando el contador de tokens corre sin supervisión.
Un caso más cotidiano pero igual de incómodo: Faros AI reportó a TechCrunch el caso de un ingeniero que gastó 40.000 dólares en tokens en un mes. El CTO de la empresa no supo si sancionarlo o ascenderlo, porque no tenía forma de medir si lo que ese ingeniero había producido valía 40.000 dólares.
El problema de fondo: el ROI que nadie puede calcular
Aquí está la trampa real, más allá de las facturas disparadas.
Las empresas que apostaron fuerte por la IA a principios de 2025 lo hicieron bajo suscripciones de tarifa plana, los famosos "all-you-can-eat" que los proveedores ofrecían para incentivar la adopción. Mientras el coste era fijo, el ROI era irrelevante: si el gasto no variaba, cualquier mejora de productividad era beneficio neto.
Cuando el modelo de precios cambió a facturación por tokens, el cálculo se volvió urgente. Y muchas empresas descubrieron que no tenían los datos para hacerlo.
El estudio de dos años de Faros AI sobre 20.000 desarrolladores, citado por TechCrunch, encontró que el uso de IA sí aumenta el output, pero también aumenta los bugs y las reescrituras. La productividad bruta sube; la calidad del output es más difusa. Cuando Nicholas Arcolano de Jellyfish dice que "el valor de negocio del código producido con gasto extremo en IA es inmensurable para la mayoría de empresas", no está siendo modesto: está describiendo un problema de medición real.
J.R. Storment, de la FinOps Foundation, resumió el cambio de mentalidad que está ocurriendo en las empresas según TechCrunch: las compañías que estaban triplicando sus presupuestos de tokens para abril de 2026 han pasado de "ve rápido" a "necesitamos guardarraíles". Y Alexander Embiricos, responsable de enterprise en OpenAI, confirmó que las conversaciones con clientes han cambiado de tema: ya no hablan de capacidades del modelo, hablan de visibilidad del gasto, auditabilidad y eficiencia de tokens.
El problema no es solo de dinero. Es de datos. Según TechCrunch, rastrear el coste de tokens es un problema de billones de filas al mes, órdenes de magnitud por encima de lo que supuso rastrear el gasto en cloud (que ya era un problema de cientos de millones de filas). Las herramientas que las empresas usaban para gestionar su gasto en AWS o Azure no están diseñadas para esto.
El mercado que está naciendo alrededor del caos
Cuando un problema escala lo suficientemente rápido, aparece un mercado para resolverlo.
Empresas como Pay-i, Paid, Jellyfish, Waydev y Faros AI están construyendo herramientas específicamente para monitorizar y optimizar el gasto en tokens. Los 180 proveedores de la FinOps Foundation están reorientando parte de su oferta hacia este mercado, según TechCrunch.
La Linux Foundation anunció la Tokenomics Foundation, una iniciativa para crear estándares abiertos de economía de tokens, incluyendo métricas como el coste por unidad de inteligencia generada. Es un proyecto en sus fases iniciales, no hay estándares publicados ni resultados concretos que citar todavía, pero el hecho de que exista señala que el sector reconoce que necesita un lenguaje común para medir esto.
Goldman Sachs proyecta que el uso global de tokens se multiplicará por 24 veces para 2030. Es una proyección, no una certeza, y el propio banco la sujeta a las condiciones habituales de "sujeto a cambios en el mercado". Pero incluso si la cifra real es la mitad, el problema de gestión de costes de tokens no va a desaparecer: va a crecer.
Por qué la paradoja de Jevons es especialmente cruel en IA
En otros contextos donde la paradoja de Jevons ha operado, coches más eficientes, iluminación LED, aire acondicionado más barato, el aumento del consumo total ha sido gradual. La gente compraba un coche más eficiente y empezaba a hacer trayectos más largos. El proceso tardaba años.
Con los tokens de IA, el ciclo es mucho más rápido por dos razones.
Primera: los agentes autónomos escalan el consumo en tiempo real sin intervención humana. No tienes que decidir conscientemente "voy a más IA esta semana". El agente que dejaste corriendo anoche lo decidió por ti, y el contador no paró.
Segunda: los modelos mejoran continuamente, lo que hace que cada nueva versión sea más capaz de hacer cosas que antes no podía, lo que abre nuevos casos de uso, lo que genera más consumo. Claude Opus 4.5, GPT-5.1 y Gemini 3 Pro no son solo versiones más rápidas de lo anterior: son herramientas que hacen cosas que sus predecesores no podían hacer, y eso crea demanda nueva que antes no existía.
El resultado es una paradoja de Jevons con aceleración incorporada.
Lo que esto significa para quien toma decisiones
Si eres el responsable de ingeniería o el CFO de una empresa que está usando IA en producción, hay algunas consecuencias prácticas que se derivan de todo esto.
Los presupuestos calculados sobre precio por token son inútiles sin un modelo de consumo. No basta con saber cuánto cuesta un token de Claude Opus 4.5. Necesitas saber cuántos tokens va a consumir cada caso de uso, incluyendo los agentes que encadenan llamadas de forma autónoma. Sin ese modelo, cualquier presupuesto es una ficción.
La eficiencia del modelo no reduce tu factura si no controlas el volumen. Un modelo que hace el mismo trabajo con la mitad de tokens es una mejora real solo si mantienes el volumen constante. Si la mayor eficiencia del modelo incentiva más uso, y la paradoja de Jevons dice que lo hará, tu factura puede subir aunque el precio por token baje.
El ROI de la IA no se puede medir sin datos de coste granulares. Si no sabes cuánto gastó cada equipo, en qué casos de uso y con qué resultado, no puedes saber si la IA está generando valor o simplemente generando facturas. El estudio de Faros AI sobre 20.000 desarrolladores muestra que más output no equivale necesariamente a más valor: los bugs y las reescrituras también suben.
Los guardarraíles no son el enemigo de la productividad. Microsoft, Priceline y otros están imponiendo límites de tokens. La narrativa fácil es que eso frena la innovación. La narrativa más honesta es que un ingeniero que gasta 40.000 dólares en tokens en un mes sin que nadie sepa qué produjo no es un ejemplo de productividad: es un ejemplo de falta de gobernanza.
Jevons lo vio todo venir en 1865. Escribió sobre carbón y máquinas de vapor, pero el mecanismo es idéntico: cuando algo se abarata, no gastas menos. Gastas más. Y si además le añades agentes autónomos que consumen sin que nadie los vigile, el resultado es exactamente lo que están viviendo Uber, Priceline y las empresas que triplicaron su presupuesto de tokens para abril.
La paradoja no tiene solución mágica. Pero sí tiene nombre. Y tenerle puesto el nombre es el primer paso para no dejarte sorprender por ella.
