Uber gasta 36.000$ al año en IA por ingeniero. ¿Cuánto gastas tú?
La IA ha dejado de ser barata, y eso abre una brecha de inteligencia a dos velocidades. Lo que tu empresa no pueda pagar, lo pagará tu competencia. ¿Estás preparado?
Se ha convertido en un meme entre las empresas que usan IA: “me he gastado el presupuesto de todo 2026 en el primer trimestre”. Lo dice medio en broma Sam Altman, pero detrás hay un problema muy serio que esta semana ha dejado de ser anecdótico. Y que, sospecho, va a partir el mercado en dos.
Hace un par de meses fueron noticia unas declaraciones de Praveen Neppalli Naga, CTO de Uber, en las que aseguraba que habían agotado el presupuesto planificado para tokens IA en los primeros cuatro meses del año.
Esta semana, Bloomberg confirmaba a través de un portavoz de la compañía que Uber había fijado un límite de 1.500$ por empleado y herramienta IA, en un esfuerzo por controlar gastos:
Uber Technologies Inc. has set usage caps on some artificial intelligence-powered tools used by its staff, a move meant to manage costs after the company blew through its AI budget earlier this year.
The rideshare giant is limiting all employees to $1,500 in monthly token spending per AI coding tool, an Uber spokesperson said in response to a Bloomberg News inquiry. -- Fuente: Bloomberg
La misma semana, Sam Altman, CEO de OpenAI, en unas sorprendentes declaraciones admitía que el coste está comenzando a ser un problema para sus clientes:
“People are really saying, you know, it’s kind of a meme now, but ‘My company spent my entire 2026 budget in Q1. Can you make this more efficient?’” Altman said on stage. “We are continuing to push on that more with models. I think we’ll have a lot of ways we can help people get more value for less spend. But that went from, at the beginning of this year, an issue that never came up (people were totally happy with the amount they were spending) to, all of a sudden, a huge issue.” -- Fuente: Tom’s Hardware
En el artículo, La paradoja de Jevons y el colapso del modelo ilimitado de la IA, analizamos por qué el coste de la IA se estaba disparando:
Por una parte, cada vez le damos a la IA problemas más complejos a resolver
Por otra, porque la forma de solucionar los problemas inherentes a la arquitectura de los LLMs, las alucinaciones y el no determinismo, es poner a los modelos en bucle
Cuando oyes hablar de programación agéntica, es básicamente un modelo que itera una y otra vez en bucle sobre un problema. Y con cada iteración, la factura va aumentando.
La subvención de la fase expansiva nos ocultó el coste real de estas herramientas. Ahora que las subvenciones se acaban, y cuando ya somos adictos, nos sorprende lo que cuestan.
Inteligencia a dos velocidades
Simon Willison, una de las voces más influyentes en el mundo de la IA aplicada a desarrollo de software, comentaba en su blog la noticia de Bloomberg. Añadía además, un interesante análisis sobre a qué porcentaje del sueldo de un ingeniero de Uber equivalía el límite de 1.500$ mensuales por herramienta:
It’s also interesting in that it hints at a real dollar value for what Uber is getting out of these tools. If we assume two actively used tools per engineer that’s $3,000 * 12 = $36,000 cap per engineer per year. Levels.fyi lists the median yearly compensation package for Uber software engineers in the USA at $330,000.
Asumiendo que los cálculos de Willison sean correctos, podríamos aproximar que Uber ha puesto a disposición de cada ingeniero de software un presupuesto equivalente al 11% de su sueldo (36.000$ sobre 330.000$).
Conceder a tus empleados un presupuesto en función del coste salarial medio es el tipo de ejercicio que encanta a las empresas porque convierte un asunto complejo en algo fácilmente cuantificable. El problema es que, si se pone de moda, el salario medio de tus ingenieros importa. No es lo mismo un 11% sobre 330.000$ que sobre 60.000€ que puede ser el salario medio de un sénior en España, por poner un ejemplo.
Imaginemos a los departamentos de ingeniería de Uber y Cabify, dos empresas que compiten en el mismo mercado. Los ingenieros del primero disponen de 36.000$ anuales de presupuesto para tokens. Los segundos, 6.600€. ¿Quién crees que ganará la competición?
Pongamos que Cabify entiende que el 11% del salario medio es poco y decide aumentarlo. ¿A cuánto tiene que hacerlo para llegar al nivel de Uber? ¿Va a destinar la mitad del salario de sus ingenieros a tokens? Lo dudo.
Y en este punto veo inevitable que se abra una brecha de inteligencia. Una brecha entre quienes tienen capital suficiente para sufragar sus costes y quienes no tendrán otra opción que recurrir a modelos más baratos y a técnicas de consumo de tokens más eficientes.
Podrías pensar que la eficiencia iguala la partida: que quien no puede pagar simplemente aprenderá a exprimir cada token. Y en parte es cierto. Pero la eficiencia es un suelo, no un techo. Porque nada impide que la empresa con más capital sea, además, igual de eficiente y, encima, gaste más. Optimizar te permite sobrevivir; no te permite alcanzar a quien optimiza igual que tú y, además, puede pagar el triple.
No me viene a la cabeza un precedente reciente de un fenómeno similar. He vivido varias revoluciones tecnológicas, como la adopción masiva de Internet, la llegada de los móviles inteligentes y la de la nube, pero en ninguna recuerdo que el dinero fuera tan determinante.
He tenido que recurrir a los modelos precisamente (ChatGPT, Gemini, Claude) para buscar momentos equivalentes, y me han apuntado a los años 60, cuando IBM era el rey instalando sus mainframes por precios que iban de cientos de miles a varios millones de dólares, a los que, por supuesto, sólo las mejores empresas tenían acceso.
En ese momento, quienes no lo tenían debían seguir escribiendo el código en papel, antes de pasarlo a tarjetas perforadas, para que un operador humano ejecutase su programa en el próximo hueco disponible.
Esta divergencia fue fundamental para entender el ascenso de las compañías occidentales, especialmente las estadounidenses, sobre el resto del planeta. El acceso a estos mainframes permitía a las empresas, entre otras cosas:
Adquirir mayor escala: automatizando procesos que antes eran manuales
Gestionar mejor el negocio: obteniendo información a tiempo real sobre inventarios, ventas o nóminas
Elevar las barreras de entrada: el propio coste del mainframe prevenía la aparición de competidores
Podríamos decir que el mainframe fue una bendición para las empresas que podían pagarlo, las cuales lo aprovecharon para expandirse por todo el mundo, adquiriendo y absorbiendo a otros competidores locales más pequeños.
Volvamos a la pregunta del principio: ¿quién gana, Uber o Cabify? A corto plazo, casi seguro que el que más pueda pagar. Pero la historia del mainframe tiene una segunda parte. Mientras IBM equipaba a las grandes corporaciones, dos chavales montaban Apple en un garaje con un ordenador que costaba una fracción de lo que costaba aquel. La eficiencia y el ingenio de quien llega tarde y a bajo precio pueden terminar por reinventar una industria.
No sé si esa misma eficiencia bastará para cerrar la brecha de hoy. Tengo serias dudas. Pero sí tengo claro que, por primera vez en las revoluciones tecnológicas que me han tocado vivir, el tamaño de tu cuenta bancaria determinará cuánta inteligencia puedes permitirte. Y eso, nos guste o no, es una noticia que deberíamos mirar con mucha atención.