Home / Carrera / Salesforce limita el gasto en tokens de IA y reporta despidos
Salesforce limita el gasto en tokens de IA y reporta despidos

Salesforce limita el gasto en tokens de IA y reporta despidos

19 November 2026 · 22 min de lectura ··

Salesforce pone techo al consumo de IA y se habla de nuevos recortes

Durante la semana del 18 de noviembre de 2026, Salesforce volvió a ocupar los titulares del sector tecnológico por dos asuntos que, según informó la prensa, avanzan en paralelo dentro de la compañía. Por un lado, mensajes internos difundidos en Slack apuntan a una nueva ronda de despidos cuyo alcance no ha sido aclarado. Por otro, un memorando atribuido al director de operaciones, Miguel Milano, establece presupuestos mensuales de tokens de inteligencia artificial para los empleados, con importes que oscilan entre 100 y 1.000 dólares al mes según el rol.

El motivo de fondo, de acuerdo con lo publicado, es que algunos empleados habían acumulado gastos de miles de dólares mensuales en consumo de modelos de IA. Cuando el uso de un trabajador se acerca al 100 % de su límite, tanto esa persona como su gerente reciben un aviso a través de DevBar, una aplicación integrada en Slack. Un portavoz de Salesforce, sin embargo, matizó que la empresa no tiene presupuestos individuales de tokens aplicados a toda la organización y que cada líder de equipo gestiona el uso de IA dentro de su área.

En bolsa, las acciones de la compañía cayeron un 3,06 % el miércoles. Conviene subrayar desde el principio lo que no se sabe: no se conoce el gasto total de Salesforce en inteligencia artificial, no se sabe cuántos empleados superaron los límites y tampoco se ha detallado cuántas personas podrían verse afectadas por los recortes. Este artículo recoge lo informado, separa los hechos de las interpretaciones y dedica una buena parte del análisis a un asunto que trasciende a Salesforce: cómo se gestiona el gasto en tokens, agentes y modelos dentro de los equipos de desarrollo.

Qué se ha informado exactamente y qué no

Antes de interpretar nada conviene ordenar el relato. Todo lo que sigue se presenta como información atribuida a la prensa, ya que la compañía no ha publicado un comunicado detallado sobre los puntos centrales.

Primer elemento: los mensajes internos. Según informó la prensa, empleados de Salesforce compartieron en canales de Slack indicios de una nueva ronda de recortes. No se ha precisado cuántos puestos, en qué divisiones ni en qué países. Esa falta de detalle es relevante, porque en las grandes tecnológicas una ronda de despidos puede significar desde un ajuste muy localizado hasta una reestructuración amplia.

Segundo elemento: el memorando del COO. El documento, atribuido a Miguel Milano, fija presupuestos mensuales de tokens por rol. El rango citado va de 100 a 1.000 dólares al mes. Los puestos más técnicos, que utilizan asistentes de programación y agentes de forma intensiva, se situarían hacia la parte alta del rango, mientras que los roles con un uso más ocasional se quedarían en la parte baja. La motivación expuesta fue la aparición de casos de empleados con consumos de miles de dólares al mes.

Tercer elemento: el mecanismo de aviso. DevBar, la aplicación en Slack, notifica al empleado y a su gerente al acercarse al tope. No es un bloqueo automático descrito como tal, sino una alerta que obliga a una conversación entre ambas partes.

Cuarto elemento: la réplica oficial. El portavoz de la empresa afirmó que no existen presupuestos individuales de tokens a escala de toda la compañía y que son los líderes de cada equipo quienes gestionan el uso de IA. Estas dos versiones no son necesariamente incompatibles: un memorando de una unidad concreta puede coexistir con la ausencia de una política corporativa uniforme. Pero tampoco está resuelta la discrepancia, y lo prudente es mantener ambas posturas sobre la mesa.

Quinto elemento: el mercado. Las acciones bajaron un 3,06 % el miércoles. Los movimientos diarios de una cotización responden a muchos factores, y ningún dato publicado permite atribuir esa caída a los límites de tokens o a los rumores de despidos.

Lo que no hay que concluir: despidos y límites no son causa y efecto

Es tentador unir las dos noticias en una sola narrativa: la empresa gasta demasiado en IA, pone topes y recorta plantilla para compensar. La prensa ha informado de ambos hechos en la misma semana, pero no se ha informado de que uno sea consecuencia del otro. Presentarlo así sería especular.

Hay varias razones para la cautela. La primera es temporal: coincidir en el calendario no equivale a una relación causal. La segunda es de escala: los presupuestos descritos, de entre 100 y 1.000 dólares por persona y mes, son pequeños frente a una masa salarial de decenas de miles de empleados, de modo que, aunque el gasto en tokens fuese notable, rara vez bastaría por sí solo para explicar una ronda de recortes. La tercera es de desconocimiento: sin cifras del gasto total en IA, cualquier relación entre ambos asuntos carece de base numérica.

Lo que sí puede afirmarse es que ambos hechos reflejan una tensión de época. Las empresas de software están integrando IA generativa en casi todos los flujos de trabajo, pero lo hacen mientras vigilan márgenes, valoración bursátil y eficiencia operativa. En ese contexto, tanto la disciplina de costes sobre la IA como los ajustes de plantilla forman parte del mismo clima de gestión, aunque respondan a decisiones distintas, tomadas por personas distintas y con objetivos distintos.

Contexto: de la fiebre del consumo libre a la disciplina del gasto

Hace apenas un par de años, la prioridad de la mayoría de las organizaciones era conseguir que sus equipos adoptaran herramientas de IA. Se compraban licencias, se abrían cuentas con proveedores de modelos y se animaba a experimentar sin demasiadas barreras. Cuando el objetivo es la adopción, medir el coste por persona parece una complicación innecesaria.

Esa etapa tuvo una consecuencia previsible. Los asistentes de programación pasaron de completar líneas sueltas a ejecutar tareas largas de forma autónoma: leer un repositorio, planificar cambios, ejecutar pruebas, corregir errores y repetir el ciclo. Cada paso consume tokens, y los flujos agénticos consumen muchísimos más que una consulta puntual a un chatbot. Un solo desarrollador que lanza varios agentes en paralelo durante una jornada completa puede generar una factura que no guarda relación con la de un usuario que formula cuatro preguntas al día.

El resultado es que el coste de la IA dejó de parecerse a una licencia de software, con precio fijo por asiento, y empezó a parecerse a la factura de un servicio en la nube: variable, ligado al uso y capaz de dispararse sin que nadie haya tomado una decisión explícita de gastar más. Los casos de empleados con miles de dólares mensuales, descritos en el memorando, encajan con ese patrón. No implican necesariamente un mal uso; pueden reflejar a personas muy productivas o, simplemente, flujos de trabajo poco optimizados.

Por qué un presupuesto por rol y no un límite único

La decisión de variar el tope según el rol tiene lógica económica. Un ingeniero que mantiene un código complejo con ayuda de agentes necesita, de forma legítima, un margen mayor que una persona de un área administrativa que usa la IA para resumir documentos. Aplicar el mismo límite a todos penalizaría a los primeros o regalaría presupuesto a los segundos.

Un presupuesto por rol funciona como una tarifa de referencia práctica. El responsable puede preguntarse qué volumen de tokens es razonable para un perfil determinado, comparar el consumo real con esa referencia e identificar valores atípicos. Es un enfoque parecido al de los presupuestos de viajes o de gastos de representación, donde cada categoría de puesto tiene su rango y las excepciones se justifican.

El aviso al gerente cuando se roza el 100 % es el segundo componente clave. No solo informa al empleado, sino que traslada la responsabilidad de la conversación a quien gestiona el presupuesto del equipo. Eso convierte un dato técnico en una decisión de gestión: ¿está justificado este consumo por los resultados que produce, o hay que revisar cómo se está trabajando?

FinOps de tokens: una disciplina que nace de la nube

El término FinOps surgió para describir la gestión financiera de la infraestructura en la nube: visibilidad del gasto, asignación de costes a equipos, optimización continua y colaboración entre ingeniería, finanzas y negocio. Los tokens de los modelos de lenguaje son, en muchos sentidos, el nuevo capítulo de esa historia, y el FinOps de tokens ya se perfila como práctica propia.

Los principios se trasladan con bastante naturalidad. Primero, visibilidad: no se puede gestionar lo que no se mide, y eso exige saber quién consume, con qué modelo, para qué tarea y con qué resultado. Segundo, atribución: el gasto debe vincularse a un equipo, un producto o un proyecto, no quedar en una bolsa común que nadie siente como propia. Tercero, optimización: elegir el modelo adecuado para cada tarea, reducir contexto innecesario y reutilizar resultados. Cuarto, gobernanza: reglas claras sobre quién puede usar qué, con qué límites y con qué proceso de excepción.

Hay, no obstante, diferencias importantes respecto a la nube clásica. En una máquina virtual, el coste es proporcional al tiempo y al tamaño del recurso, y es relativamente predecible. En un modelo de lenguaje, el coste depende de la longitud de las entradas y salidas, del tipo de modelo, de si se usa razonamiento extendido y de cuántas iteraciones haga un agente antes de terminar. Dos tareas aparentemente iguales pueden costar órdenes de magnitud distintos.

Además, el valor generado es más difícil de medir. Un servidor tiene métricas claras de utilización; un token gastado en una sesión de programación puede haber producido una funcionalidad completa o una hora de vueltas improductivas. Por eso el FinOps de tokens no puede limitarse a recortar: debe relacionar coste con resultado.

Las unidades de medida que importan

Un equipo que quiera gobernar su gasto en IA necesita indicadores más finos que la factura mensual total. Algunos de los más útiles son los siguientes.

El coste por persona y mes es el más sencillo y el que parece usarse en el caso de Salesforce, según lo informado. Sirve como primera barrera, pero esconde mucha información, porque no distingue entre trabajo valioso y desperdicio.

El coste por tarea completada acerca el gasto a un resultado: cuánto cuesta, de media, cerrar una incidencia, generar una propuesta de cambio aceptada o resolver una consulta de soporte. Es más difícil de calcular, pero mucho más revelador.

La proporción de resultados aceptados indica qué parte de lo que producen los agentes llega a producción sin retrabajo. Si un agente consume mucho y sus propuestas se descartan con frecuencia, el coste real por unidad útil es muy superior al aparente.

La relación entre tokens de entrada y de salida ayuda a detectar contextos inflados. Cuando un flujo envía enormes cantidades de contexto para obtener respuestas breves, existe margen de optimización mediante selección más cuidadosa de la información.

Por último, el reparto por modelo permite ver si se está usando un modelo de gama alta para tareas que un modelo más pequeño resolvería igual de bien. Esa es, probablemente, la palanca de ahorro más importante en la práctica.

Cómo gestionan los equipos de desarrollo el gasto en agentes

Las prácticas que se observan en equipos de ingeniería con un uso intensivo de IA se pueden agrupar en varios frentes. No hay una fórmula única, y lo que funciona en una startup de diez personas no siempre escala a una empresa de decenas de miles, pero hay patrones recurrentes.

Visibilidad compartida del consumo

El primer paso suele ser un panel que muestre el consumo por persona, por equipo y por herramienta. Cuando todos ven los números, la conversación cambia: el gasto deja de ser una abstracción y se convierte en un tema cotidiano. Algunas organizaciones prefieren mostrar solo datos agregados por equipo para evitar la sensación de vigilancia individual; otras optan por la transparencia completa. Ambas opciones tienen ventajas e inconvenientes culturales.

Alertas graduales en lugar de cortes bruscos

Un sistema que se limita a bloquear a un empleado cuando alcanza el límite puede interrumpir un trabajo crítico en mitad de una jornada. Por eso es habitual configurar umbrales escalonados, por ejemplo avisos al llegar a ciertos porcentajes del presupuesto, con un último umbral que implique al responsable del equipo. El mecanismo descrito en la información sobre Salesforce, con notificación al empleado y al gerente al aproximarse al máximo, sigue esa lógica de alerta con intervención humana.

Procesos de excepción ágiles

Un límite sin válvula de escape genera frustración. Los equipos maduros prevén una vía rápida para solicitar más presupuesto cuando hay una justificación clara, como una migración grande o una fase de lanzamiento. Lo importante es que la excepción deje rastro y que el gerente pueda defenderla ante finanzas.

Enrutamiento de modelos según la tarea

Es probablemente la práctica con mayor retorno, gracias al enrutamiento de modelos según tarea en cada flujo. Las tareas sencillas, como renombrar variables, generar comentarios o producir borradores de pruebas, se dirigen a modelos pequeños y baratos; las tareas de razonamiento complejo, como diseñar una arquitectura o depurar un fallo difícil, se reservan para modelos más potentes. La reciente tendencia de los proveedores a lanzar modelos pensados para abaratar el trabajo cotidiano, como ocurre con el nuevo modelo orientado a reducir costes que lanzó OpenAI, refuerza este enfoque: la pregunta ya no es solo qué modelo es mejor, sino cuál es suficiente para cada trabajo.

Ejecución local para tareas repetitivas

Otra vía es trasladar parte de la carga a modelos que se ejecutan en el propio equipo del desarrollador. Cuando un asistente puede resolver completados y tareas ligeras sin llamar a una API de pago, el coste marginal baja de forma notable. Es el territorio en el que se mueven iniciativas como la ejecución de un modelo ligero en local con GitHub Copilot, que apunta a un reparto del trabajo entre la nube y la máquina del usuario.

Control del contexto y de la duración de las sesiones

Gran parte del gasto de un agente se debe a la acumulación de contexto. Una sesión muy larga arrastra consigo todo el historial de la conversación, y cada nueva interacción vuelve a pagar por él. Los equipos que controlan bien el coste suelen dividir el trabajo en sesiones más cortas, resumir el estado cuando una tarea se alarga y acotar qué archivos o documentos se incluyen. También aprovechan, cuando el proveedor lo ofrece, los mecanismos de reutilización de contexto que reducen el precio de las partes repetidas.

Límites a la autonomía de los agentes

Un agente sin supervisión puede entrar en bucles: intenta una corrección, falla, vuelve a intentarlo y consume tokens sin avanzar. Fijar un número máximo de iteraciones, un tope de gasto por tarea y condiciones claras de parada evita sorpresas. En términos de FinOps, equivale a poner un interruptor de seguridad en cada proceso automatizado.

El problema de los agentes que ya abren sus propios cambios

El crecimiento de la autonomía de los agentes añade una capa de complejidad. Cuando los agentes ya inician una proporción importante de las propuestas de cambio en las plataformas de colaboración, como se analizó en el estudio sobre agentes que inician el 40 % de los pull requests en GitHub, el consumo deja de depender únicamente de que una persona decida lanzar una consulta. Pasa a depender de procesos automáticos, programados o disparados por eventos.

Esto cambia la naturaleza del control. Un límite por empleado tiene sentido cuando el consumo está ligado a una persona que teclea. Cuando el consumo lo generan agentes que trabajan en segundo plano, el presupuesto debe asociarse también a flujos, repositorios o proyectos. De lo contrario, se corre el riesgo de que el gasto migre de las cuentas personales, vigiladas, a procesos automáticos, menos visibles.

También aparece una cuestión de calidad. Si un agente propone cambios que luego requieren revisión humana, el coste real incluye el tiempo de los revisores. Una política de costes razonable no solo cuenta los tokens, sino también el tiempo de ingeniería que se dedica a validar lo generado. Un agente barato que produce mucho código dudoso puede resultar más caro que uno más costoso con una tasa de aceptación alta.

Riesgos de limitar el uso: lo que puede salir mal

Poner topes al consumo de IA tiene ventajas claras, pero también efectos secundarios que cualquier directivo debería considerar.

El primero es el efecto desincentivador. Si los empleados perciben el límite como una amenaza, pueden evitar usar herramientas que les harían más productivos, o fragmentar su trabajo para no activar alertas. Una política de costes mal comunicada puede erosionar justo la adopción que se había buscado antes.

El segundo es la aparición de una IA en la sombra dentro de la empresa. Cuando el presupuesto oficial se agota, algunos empleados recurren a cuentas personales, herramientas no autorizadas o servicios externos sin revisión de seguridad. Eso traslada el problema del coste a la protección de datos, un riesgo potencialmente mucho mayor que la factura de tokens.

El tercero es la falsa sensación de control. Un tope por persona no garantiza eficiencia: se puede gastar poco y mal, o gastar mucho y bien. Si el indicador principal es el consumo y no el resultado, se corre el riesgo de optimizar la métrica equivocada.

El cuarto es el desajuste de percepción entre la dirección y los equipos. Cuando un memorando de operaciones contradice, o parece contradecir, lo que afirma la comunicación oficial, como ocurre con la diferencia entre el memorando atribuido a Milano y la declaración del portavoz, surge confusión interna. Los empleados no saben si el límite es una regla, una recomendación o una práctica de ciertas unidades.

Un ejemplo de cómo podría diseñarse una política razonable

Sin entrar en detalles específicos de Salesforce, que no se conocen, puede describirse un diseño de buenas prácticas que otras organizaciones han adoptado o consideran.

Se empieza por segmentar los roles en pocos grupos con perfiles de uso comparables, por ejemplo perfiles técnicos de desarrollo, perfiles técnicos de datos y operaciones, y perfiles no técnicos. Para cada grupo se establece un presupuesto inicial basado en datos reales de uso de los meses anteriores, no en estimaciones teóricas.

A continuación se definen umbrales de aviso: uno informativo, otro de advertencia al empleado y un tercero que incluya al gerente. Se acompaña de una vía de excepción con un plazo de respuesta corto, de modo que nadie quede bloqueado en mitad de una entrega.

Cada trimestre se revisan los presupuestos con los datos obtenidos: se ajustan al alza los grupos cuyo consumo está justificado por resultados y a la baja los que presentan patrones de desperdicio. También se revisa si los precios de los modelos han cambiado, algo habitual en este mercado, y si hay opciones más económicas para tareas concretas.

Por último, se complementa el control cuantitativo con formación. Enseñar a los equipos a escribir indicaciones más precisas, a acotar el contexto y a elegir el modelo adecuado reduce el gasto más que cualquier tope, porque ataca la causa y no el síntoma.

Qué significa para los profesionales del desarrollo

Para quienes trabajan en equipos de software, la noticia ofrece una lectura práctica que va más allá de una empresa concreta. El consumo de IA se está convirtiendo en una partida de gasto visible, comparable con la infraestructura o las licencias, y los gerentes empiezan a mirarla con lupa.

Esto introduce una nueva competencia profesional: saber trabajar con IA de forma eficiente en costes. No basta con producir resultados; importa producirlos con un uso razonable de recursos. Un desarrollador que domina el arte de dividir tareas, de aportar el contexto justo y de escoger el modelo apropiado tendrá una ventaja frente a quien lanza agentes de forma indiscriminada.

También cambia la conversación con los responsables. Quien pueda demostrar que su consumo se traduce en entregas, en errores evitados o en tiempo ahorrado estará en mejor posición para negociar un presupuesto mayor. Llevar un registro sencillo de qué tareas se han resuelto con ayuda de agentes y qué valor aportaron puede resultar tan importante como el propio uso de la herramienta.

En un clima de incertidumbre laboral, como el que generan los rumores de nuevos recortes, conviene además evitar conclusiones precipitadas. Que una empresa limite el gasto en IA no significa que el trabajo humano vaya a ser sustituido de inmediato, ni que el uso intensivo de agentes proteja de los ajustes de plantilla. Lo que sí parece claro es que la capacidad de trabajar bien con estas herramientas, midiendo su coste y su aporte, es un activo cada vez más valorado.

Antecedentes: otras empresas ante el mismo dilema

El de Salesforce no es un caso aislado en la lógica, aunque sus detalles sean propios. Muchas organizaciones tecnológicas se han encontrado con la misma paradoja: promovieron el uso masivo de asistentes de IA y, al cabo de unos meses, descubrieron que la factura crecía más rápido que la visibilidad sobre su retorno.

Las respuestas han sido variadas. Algunas han optado por cuotas mensuales por empleado, otras por presupuestos por equipo gestionados por el responsable, y otras por una combinación con precios internos: cada equipo paga, con un coste imputado, por lo que consume, de forma similar a como se reparten los costes de infraestructura compartida. Cada modelo tiene su equilibrio entre control y libertad.

Lo que se repite es la preocupación por no frenar la innovación. Las compañías que más han avanzado suelen insistir en que el objetivo no es gastar menos por principio, sino gastar mejor. Un presupuesto elevado en un equipo que entrega mucho valor puede ser excelente; un presupuesto modesto en otro que no obtiene resultados puede ser un despilfarro.

Qué dice y qué calla el mercado

La caída del 3,06 % en las acciones de Salesforce el miércoles fue recogida por la prensa junto con las demás noticias de la semana. Como se ha dicho, ningún dato disponible permite vincularla con los rumores de despidos o con la política de tokens. Los mercados reaccionan a expectativas de ingresos, resultados trimestrales, movimientos de competidores y al sentimiento general hacia el sector tecnológico, entre otros factores.

Aun así, el episodio muestra lo sensibles que son las empresas de software empresarial a cualquier señal sobre su estructura de costes y su estrategia de IA. Los inversores quieren saber si la inteligencia artificial mejora los márgenes o si, por el contrario, introduce un nuevo coste difícil de controlar. Una noticia sobre topes de gasto puede leerse de dos maneras opuestas: como señal de disciplina financiera o como indicio de que el consumo se había descontrolado. Sin cifras, ambas lecturas son especulativas.

Esa ausencia de números es precisamente lo que impide un análisis más concluyente. No se conoce el gasto total en IA, ni qué proporción corresponde a empleados individuales frente a productos y servicios para clientes, ni cuántas personas superaron los límites. Hasta que la compañía aporte más detalle, lo razonable es tratar los datos conocidos con la cautela debida.

Situación actual de la historia

A fecha de 19 de noviembre de 2026, el panorama es el siguiente. La existencia de una nueva ronda de despidos se apoya en mensajes internos de Slack recogidos por la prensa; no se ha detallado su alcance ni se ha publicado una confirmación formal con cifras. El memorando atribuido al COO Miguel Milano, con presupuestos mensuales de tokens de entre 100 y 1.000 dólares por rol, se conoce por lo que informó la prensa, y un portavoz de la compañía ha precisado que no hay presupuestos individuales a nivel de toda la empresa y que cada líder de equipo gestiona el uso de IA en su ámbito.

Quedan, por tanto, preguntas abiertas. No está claro si los límites son una política general, una medida de ciertas organizaciones o una práctica que cada equipo adapta. Tampoco se sabe si habrá una comunicación oficial más detallada sobre los recortes, ni si el consumo de IA seguirá siendo un tema central en las próximas presentaciones de resultados.

Lo más probable es que la historia continúe desarrollándose en los próximos días, a medida que lleguen aclaraciones internas o filtraciones adicionales. Por eso conviene leer todo lo publicado como una fotografía parcial y no como un relato cerrado.

Lecciones para equipos y directivos

De este episodio se pueden extraer varias enseñanzas que son útiles con independencia de cómo evolucione el caso concreto.

La primera es que la adopción masiva de IA exige gobernanza desde el principio. Esperar a que el gasto se dispare para introducir controles genera fricción y desconfianza; es preferible diseñar la visibilidad y los límites en paralelo al despliegue.

La segunda es que los topes deben ir acompañados de explicación. Un límite impuesto sin contexto se percibe como castigo; uno explicado con datos y con una vía de excepción se percibe como una regla del juego razonable.

La tercera es que la métrica correcta combina coste y resultado. Medir solo el consumo lleva a recortar por recortar; medir solo la productividad lleva a ignorar el gasto. El equilibrio entre ambos es el núcleo del FinOps aplicado a la IA.

La cuarta es que la comunicación interna y externa debe ser coherente. Cuando una directiva circula por canales internos y luego la comunicación oficial la matiza, la organización pierde claridad. Una política de uso de IA bien definida, difundida de forma consistente, evita rumores y malentendidos.

La quinta es que la gestión del gasto en IA y las decisiones sobre plantilla son asuntos distintos que deben tratarse con rigor y sin simplificaciones. Mezclarlos en el relato público puede ser tentador, pero oscurece más de lo que aclara.

Conclusiones

Salesforce se encuentra en el centro de la conversación tecnológica por dos motivos que, según informó la prensa, coinciden en el tiempo: una nueva ronda de recortes de alcance todavía no aclarado y un memorando atribuido a su COO que fija presupuestos mensuales de tokens de IA por rol, de entre 100 y 1.000 dólares. La empresa, por boca de un portavoz, ha precisado que no existen presupuestos individuales a nivel de toda la compañía y que cada líder de equipo gestiona el uso de IA.

No hay base informada para presentar los despidos y los límites de gasto como causa y efecto, y tampoco para atribuir la caída del 3,06 % de las acciones a ninguno de ellos. Tampoco se conocen el gasto total en IA ni el número de empleados que superaron los límites, así que cualquier conclusión categórica sería prematura.

Más allá del caso concreto, la noticia ilustra un cambio de etapa: la IA generativa ha pasado de ser un experimento a ser una partida de gasto que requiere gestión, medición y criterio. El FinOps de tokens, con visibilidad, atribución, optimización y gobernanza, se perfila como una disciplina necesaria para los equipos de desarrollo. Las mejores prácticas pasan por alertas graduales, procesos de excepción ágiles, enrutamiento de modelos, control del contexto y límites a la autonomía de los agentes, siempre vinculando el coste con el valor entregado. Para los profesionales, aprender a trabajar con eficacia y con eficiencia de costes será una competencia cada vez más relevante en los próximos años.