Coste real de operar IA en empresa en 2026: tokens, infraestructura, integración y mantenimiento

El coste real de operar IA en una empresa no es el precio por millón de tokens que sale en la web de OpenAI. Esa es la parte más visible y, casi siempre, la menos importante de la factura. Cuando una empresa española mediana nos pregunta cuánto cuesta operar IA en producción, la respuesta honesta es que los tokens son entre el 10% y el 30% del coste total, y todo lo demás —infraestructura, integraciones, observabilidad, mantenimiento y horas de equipo— es lo que decide si el proyecto sobrevive al primer año o se convierte en una línea más del presupuesto que nadie defiende en el comité del Q4.

Este post es el desglose que damos en Everglow cuando entramos como implantadora de IA en una empresa que ya tiene pilotos en producción y quiere entender, antes de escalar, qué va a costarle el siguiente año. Sin precios inflados de consultora ni el discurso de “depende”. Con rangos reales, ratios que usamos para presupuestar, los errores que vemos repetirse y una forma sensata de modelar el TCO antes de firmar nada.

El problema: el coste visible es la punta del iceberg

La mayoría de empresas calcula el coste de IA mirando dos cifras: el precio por millón de tokens del modelo que han elegido y, como mucho, la suscripción a una plataforma tipo ChatGPT Enterprise o Copilot. Hacen una regla de tres sobre las consultas estimadas al mes, salen 800 € y se quedan tranquilas. Seis meses después, cuando el proyecto está en producción, la factura mensual real ronda los 6.000 € y nadie sabe explicar por qué.

El coste por token es el precio del combustible. El coste real de operar IA es el coche, el seguro, el mecánico, el aparcamiento y el conductor.

La trampa está en que los tokens son la única línea predecible y fácil de medir. Todo lo demás —el RAG con su base de datos vectorial, el orquestador de agentes, los webhooks con el CRM, el equipo que arregla cuando el modelo alucina, la observabilidad para saber qué está pasando, la persona que reentrena los prompts cada vez que cambia el flujo comercial— se reparte por departamentos y se contabiliza en sitios distintos. Cuando sumas, el ratio típico que vemos es:

• Tokens y APIs de modelos: 15-25% del coste total mensual
• Infraestructura (hosting, base vectorial, colas, almacenamiento): 15-25%
• Integraciones y middleware (n8n, Make, conectores propios): 10-20%
• Observabilidad, logging y evaluación: 5-15%
• Mantenimiento y evolución (horas equipo interno o partner): 25-40%

Si tu propuesta de presupuesto para IA solo tiene una línea, es que estás mirando una de las cinco.

1. Tokens y APIs de modelos: lo que cuesta inferir

Empezamos por la línea que sí está bien documentada, aunque casi nadie la calcula bien. El coste por token de los principales modelos en 2026 está en horquillas razonables: GPT-4.1 y Claude Sonnet 4 rondan los 3-5 $ por millón de tokens de entrada y 12-20 $ por millón de salida; modelos más ligeros como GPT-4.1 mini, Claude Haiku 4.5 o Gemini 2.5 Flash bajan a 0,2-1 $ entrada y 0,8-4 $ salida. Lo que casi nadie modela bien:

• El contexto se infla más rápido de lo que crees. Un agente con RAG pasa fácil de 4.000 a 20.000 tokens de input por llamada cuando empiezas a meter histórico de conversación, documentos recuperados y herramientas. Multiplica tu estimación inicial por 3-4.
• Cada llamada de orquestación cuenta. Un agente que decide qué herramienta usar hace 3-7 llamadas al modelo por interacción del usuario. No es una llamada, son siete.
• Las evaluaciones automáticas también consumen. Si quieres medir calidad con LLM-as-judge —y deberías—, cada evaluación es una llamada extra a un modelo razonablemente potente.

Ratio realista que usamos: para un copiloto interno usado por 100 personas con uso moderado, el coste de tokens mensual está entre 400 € y 1.500 € según el modelo elegido y la agresividad del caching. Para un agente de atención al cliente con 5.000 conversaciones al mes y RAG sobre documentación, entre 800 € y 3.000 €. Para casos pesados con razonamiento extendido o procesamiento documental masivo, fácilmente 4.000-12.000 €.

La buena noticia es que esta línea es la más fácil de optimizar: caching de prompts, routing a modelos más baratos para tareas simples, compresión de contexto y truncado inteligente reducen entre un 40% y un 70% del coste en pocas semanas si se mide bien. La mala es que casi nadie lo mide.

2. Infraestructura: el coste que aparece cuando dejas la demo

Cuando un proyecto de IA pasa de demo a producción, aparecen líneas de infraestructura que no estaban en el presupuesto inicial. Las más habituales:

• Base de datos vectorial (Pinecone, Qdrant Cloud, Weaviate, pgvector autogestionado): entre 70 € y 800 € al mes según volumen de embeddings y QPS.
• Almacenamiento de documentos y embeddings (S3, Blob Storage, Drive empresarial): 30-200 € al mes según volumen.
• Cómputo de embeddings y procesamiento batch (Lambda, Cloud Run, contenedores): 100-500 € al mes en uso típico.
• Colas y eventos (SQS, RabbitMQ, Redis): 30-150 € al mes.
• Hosting de la aplicación o agente (Vercel, Render, Fly.io, contenedores en AWS/GCP): 50-400 € al mes.
• Modelos auto-hospedados si tu caso lo justifica (open-weights tipo Llama 3.3 70B o DeepSeek en GPUs reservadas): a partir de 1.500-4.000 € al mes por instancia razonable, más si necesitas alta disponibilidad.

Regla práctica: la infraestructura suele costar entre el 80% y el 120% de lo que pagas en tokens si usas modelos cerrados, y multiplica por 3-5 si te metes a auto-hospedar para ahorrar en APIs. El cálculo de “voy a auto-hospedar para ahorrar” solo sale rentable a partir de volúmenes muy altos (millones de llamadas al mes) o por razones de compliance que no admiten datos saliendo del país. En todo lo demás, es un sobrecoste disfrazado de ahorro.

3. Integraciones y middleware: el pegamento que sostiene todo

Aquí es donde más se subestima el coste. Una IA que no está integrada con el CRM, el ERP, el helpdesk, el correo, Slack, Notion o el sistema de tickets es una IA que sirve para hacer demos. Para que mueva la aguja, tiene que leer y escribir donde el negocio ya trabaja. Y eso cuesta dinero y tiempo:

• Licencias de plataformas de automatización: n8n self-hosted (gratis pero requiere hosting y mantenimiento), n8n Cloud (entre 50 € y 400 € al mes), Make (50-300 €), Zapier (300-2.000 € en planes empresariales).
• Conectores propios cuando no existen: cada conector custom contra un ERP español tipo Sage, A3 o ContaPlus son entre 8 y 40 horas de desarrollo, y luego mantenimiento cuando el proveedor cambia su API.
• Middleware de identidad y permisos (SSO, control de acceso por rol, auditoría): si tu IA toca datos sensibles, esto no es opcional y suele ser 1.500-6.000 € de setup más coste mensual de la plataforma de identidad.
• Webhooks, reintentos y manejo de errores: invisible hasta que falla a las 3 de la mañana.

Ratio que usamos: las integraciones suelen ser entre el 50% y el 100% del coste de tokens en operación, y multiplican por 2-3 en el primer trimestre por el setup inicial. Si tu proyecto de IA no tiene una línea clara de integraciones en el presupuesto, está mal presupuestado.

4. Observabilidad y evaluación: lo que evita que te enteres por el cliente

Una IA en producción sin observabilidad es una caja negra que te va a estallar en la cara. Los costes mínimos viables aquí:

• Plataforma de tracing de LLM (Langfuse, LangSmith, Helicone, Arize): 100-500 € al mes según volumen.
• Logging estructurado y almacenamiento (Datadog, New Relic, o stack propio): 80-400 € al mes.
• Evaluación continua con LLM-as-judge y datasets de regresión: el coste va por tokens extra (suma un 5-15% sobre el coste de inferencia) más horas de equipo definiendo y manteniendo los datasets.
• Alertas y dashboards de calidad: una vez montado, mantenimiento bajo. Sin montar, ceguera total.

Si no puedes contestar “¿cuántas alucinaciones hubo ayer y en qué casos?”, no tienes IA en producción, tienes un experimento al que has dado acceso a clientes reales.

Esta línea es la primera que se recorta cuando el presupuesto aprieta y la primera causa de que un proyecto se cancele a los seis meses porque “no se nota la mejora”. Sin medir, no hay ROI defendible. Y sin ROI defendible, no hay siguiente fase.

5. Mantenimiento y evolución: el coste que nadie quiere mirar

El mayor coste de operar IA en empresa no es tecnológico, es humano. Un proyecto en producción necesita:

• Iteración de prompts y arquitectura del agente cuando cambia el negocio (cada vez que ventas cambia el script, cuando administración cambia el flujo de facturación, cuando legal añade una cláusula nueva).
• Reentrenamiento o re-ingestión del RAG cuando se actualizan los documentos fuente.
• Resolución de incidentes cuando el modelo se equivoca de forma sistemática en un caso edge.
• Evolución del producto cuando los usuarios piden cosas nuevas (y las van a pedir).
• Auditorías de seguridad y compliance recurrentes, especialmente con el AI Act ya plenamente aplicable.

Estimación honesta: entre 15 y 60 horas/mes de equipo técnico por cada caso de uso significativo en producción. A precios de mercado español, eso son entre 1.200 € y 5.500 € al mes solo en mantenimiento por proyecto. Si lo haces con equipo interno, los costes están más diluidos pero no desaparecen. Si lo haces con un partner serio, esto suele entrar en una iguala mensual.

El error clásico: presupuestar la implantación, no presupuestar el mantenimiento, descubrir a los seis meses que nadie tiene capacidad para iterarlo y dejar morir el proyecto. Lo hemos visto decenas de veces.

Un modelo práctico de TCO para un caso de uso medio

Para un caso de uso típico —copiloto interno o agente de back office para una empresa de 100-300 empleados— un TCO mensual realista en 2026 se mueve en este rango:

• Tokens y APIs: 500-2.000 €
• Infraestructura: 400-1.500 €
• Integraciones y middleware: 300-1.200 €
• Observabilidad: 200-700 €
• Mantenimiento y evolución: 1.500-5.000 €
• Total mensual: 2.900 - 10.400 €

Más el coste de implantación inicial, que para un caso de uso bien acotado va de 15.000 € a 60.000 € según complejidad de integraciones y madurez de los datos.

Esto no incluye coste oculto del cambio organizativo: formación de usuarios, gestión del cambio, redefinición de procesos. Habitualmente otro 20-30% encima del TCO técnico el primer año.

Errores típicos de presupuestación que vemos

• Calcular solo tokens y descubrir que la factura real es 4x.
• Auto-hospedar para “ahorrar” sin tener volumen que lo justifique. Multiplica el coste.
• No presupuestar mantenimiento. El proyecto entra en producción y nadie tiene horas para iterarlo.
• Mezclar capex y opex sin claridad. La dirección financiera no entiende qué está pagando.
• No tener observabilidad. Imposible defender el ROI, imposible justificar la siguiente fase.
• Subestimar integraciones. Casi siempre cuestan el doble de lo que estima quien no ha integrado nunca con el ERP del cliente.

Cómo presupuestar IA sin engañarse

El criterio que aplicamos en Everglow cuando ayudamos a una empresa a construir su presupuesto de IA es sencillo: separar implantación (one-off) de operación (recurrente), modelar la operación con las cinco líneas anteriores, añadir un 25% de contingencia el primer año y revisar el modelo cada trimestre con datos reales. Lo importante no es acertar el número, es que el modelo sea defendible y se actualice con la realidad.

Tres preguntas que ayudan a separar lo serio de lo que no:

1. ¿Tu proveedor te enseña el desglose por línea o solo te da un precio cerrado?
2. ¿Puede demostrarte cómo va a medir y reducir el coste de tokens en los primeros 90 días?
3. ¿Está el mantenimiento incluido o es “luego ya veremos”?

Si las tres respuestas no son claras, no tienes presupuesto, tienes una promesa.

Conclusión: el coste de IA es manejable si lo modelas entero

Operar IA en una empresa española en 2026 es perfectamente manejable económicamente si entiendes que estás presupuestando cinco cosas, no una. Los tokens son la parte visible. Infraestructura, integraciones, observabilidad y mantenimiento son lo que decide la viabilidad real del proyecto. Las empresas que escalan IA con éxito son las que modelan el TCO completo desde el principio, miden, optimizan y revisan; las que no, descubren la factura a los seis meses y cancelan.

Si quieres revisar tu presupuesto de IA actual, modelar el TCO de un caso de uso concreto o ver dónde está hoy tu mayor fuga de coste sin sacrificar capacidad, en Everglow lo hacemos en una primera sesión de auditoría. Habla con nosotros en contacto y te decimos en qué línea estás dejando dinero encima de la mesa.