En este artículo de opinión publicado en sfeir.com (24 de junio de 2026), Didier Girard (Director General de SFEIR) defiende una tesis: la inversión AI4IT vs AI4Business. En 2024, el consenso veía en AI4Business — la IA volcada en los procesos de negocio (ventas, soporte, finanzas) — el gran yacimiento de productividad; AI4IT (la IA para producir el sistema de información) se percibía como un asunto de ingenieros. Dos años después, «las cifras lo han zanjado, y al revés».
La decepción de AI4Business: el estudio del MIT de 2025 («95% de los pilotos de IA generativa sin ROI») es, según reconoce el propio Girard al cuestionar su método, discutible — pero su persistencia es la señal real de una insatisfacción genuina: muchos directivos no ven en sus procesos el valor prometido. «El síntoma es cierto aunque la cifra sea falsa». El bloqueo es organizativo (el problema hayekiano de Mollick), no técnico.
la próxima batalla presupuestaria no será por el precio del token, sino por el coste por resultado
La inversión AI4IT se apoya en evidencia cuantificada: Salesforce (+151% de Effective Output, migración 18 veces más rápida, −5% de incidencias), Intercom (productividad de I+D ×3, −50% de coste/PR), Raiffeisen Bank Ukraine (−8% de plantilla pero 7 productos nuevos, −70% de incidencias bloqueantes), AWS (Bedrock reconstruido por 6 personas en 72 días), Atlassian (+19 a +87% de PR), DORA × Google Cloud (39% de ROI, amortización en 8 meses). ¿Por qué? El código se verifica a sí mismo (compilación, pruebas, CI); los procesos de negocio no. «Estamos equipando a quienes ya saben equiparse».
La consecuencia presupuestaria 2027 se resume en tres desplazamientos contables. (1) CapEx→OpEx: el token se convierte en un gasto OpEx variable — Arthur Mensch (Mistral) lo sitúa en torno al 10% del presupuesto de nóminas en tokens entre los adoptantes avanzados. (2) Precio del token, una trampa doble: a capacidad constante, la inferencia se ha dividido por ~280 en dos años, pero el pico va al alza (Fable 5 a 10$/50$ = 2× Opus 4.8), mientras que los modelos abiertos (GLM-5.2) y la inferencia de escritorio empujan los costes a la baja; la paradoja de Jevons hace que el consumo suba más rápido de lo que el precio baja. (3) AI FinOps: pensar en términos de coste por resultado, asignar por reglas, tratar la atribución token-resultado como un activo.
Cuatro recomendaciones para el COMEX: financiar primero AI4IT (amortización < 1 año), presupuestar la curva en J, instalar el FinOps de tokens antes de que la deriva se instale, redefinir la contabilidad de plantilla (humanos + agentes). Conclusión: «la próxima batalla presupuestaria no será por el precio del token, sino por el coste por resultado».