Quién decide el precio de la IA: el fin de la tarifa plana y sus efectos

Un cambio que muchos no vieron venir

La era de la “barra libre” en herramientas de inteligencia artificial empieza a dar paso a modelos más selectivos de cobro. Lo que durante meses fue una experiencia de prueba y error con límites simbólicos en tokens —esa unidad que mide cuánto texto genera un modelo— se topa ahora con decisiones comerciales que afectan directamente a presupuestos corporativos y a la cotidianeidad de desarrolladores y equipos de producto.

El cambio más visible ocurrió a comienzos del verano cuando GitHub modificó la facturación de Copilot: pasó de una tarifa plana a un esquema por consumo basado en tokens. El autocompletado básico continúa incluido para sus suscriptores de pago, pero las funciones más complejas y el uso “agéntico” —operaciones que requieren mayor procesamiento y cognición del modelo— pasan a cobrarse por separado. El impacto fue inmediato: usuarios reportaron aumentos de coste de entre 10 y 50 veces, y se viralizaron escenarios en los que el gasto mensual podría saltar de 29 a 750 dólares o de 50 a 3.000 dólares.

Reacciones y señales de alarma

La respuesta de la comunidad fue rápida y airada. En foros y la propia plataforma de GitHub se acumularon cientos de comentarios y votos negativos en cuestión de días. Medios especializados incluso hablaron del final de la “edad dorada” de Copilot. Para muchas empresas y desarrolladores independientes, el cambio significa recalcular presupuestos y formas de trabajo que, hasta ahora, se basaban en la predictibilidad de una cuota fija.

Hay también críticas internas sobre el uso ineficiente: algunos sostienen que consumos extremos reflejan mala práctica, como el “vibe coding” —programar mediante prompts largos sin conocimientos sólidos— y no necesariamente mayor productividad. Sea cual sea la razón, la consecuencia tangible es que el coste por token puede condicionar qué tareas se automatizan y cuáles quedan en manos humanas.

No es solo Copilot: una tendencia generalizada

GitHub no es un caso aislado. Desde comienzos de año se han registrado subidas de precio en distintos modelos de IA. Empresas de gran escala también han sentido la presión: Uber, por ejemplo, habría agotado su presupuesto de IA de 2026 en los primeros cuatro meses tras adoptar Claude Code, con un salto del 32% al 84% en métricas internas de consumo y un coste mensual de IA por ingeniero estimado entre 500 y 2.000 dólares.

En paralelo, la conversación pública sobre el impacto laboral se intensifica. Cifras agregadas muestran que, en lo que va de 2026, se han producido cientos de miles de despidos en el sector tecnológico; un dato citado habla de 142.000 personas despedidas, con cerca de 80.000 solo en el primer trimestre. Además, estudios como el del Stanford Digital Economy Lab apuntan a una caída del 20% en el empleo de desarrolladores jóvenes (22-25 años) desde su pico a finales de 2022.

El dilema macroeconómico: ¿automatización que empobrece?

El paper ‘The AI Layoff Trap’ de Falk y Tsoukalas expone una consecuencia menos discutida de la automatización: cuando trabajadores son despedidos por eficiencia tecnológica, su menor consumo no siempre se redistribuye en la economía. A diferencia de crisis previas en las que la demanda podía trasladarse a otros sectores, aquí la pérdida de ingresos reduce tanto la demanda interna como la recaudación fiscal —tanto ingresos por impuestos directos como por consumo— y debilita la base que sustenta tanto empresas como servicios públicos.

Los autores analizan seis posibles respuestas: renta básica universal, impuestos sobre el capital, participación en el capital por los trabajadores, negociación colectiva, recualificación profesional e impuestos a la automatización. Concluyen que un impuesto tipo pigouviano sobre la automatización podría ser la herramienta más directa para corregir externalidades, aunque advierten que si la automatización avanza demasiado rápido el impuesto podría no ser suficiente.

¿Qué implica para América Latina?

Aunque muchos de los ejemplos provienen de grandes empresas tecnológicas globales, la región no está al margen de estos efectos. Startups, pymes y dependencias estatales que adoptan herramientas de IA enfrentan riesgos similares: presupuestos ajustados, dependencia de modelos externos y vulnerabilidad a cambios súbitos en las políticas de precio de los proveedores.

Además, el cambio de modelo de negocio —y la posibilidad de salidas a bolsa, como la adelantada por Anthropic respecto a otros actores— refuerza que decisiones estratégicas de pocos accionistas pueden redibujar el paisaje de acceso y costos. Para economías con capacidades fiscales y redes de protección social más limitadas, la pregunta sobre cómo gestionar los efectos distributivos de la automatización es urgente.

Acciones prácticas para empresas y gobiernos

Para compañías y equipos en la región conviene actuar en varios frentes: establecer controles de consumo y alertas de gasto, reservar partidas presupuestarias para picos de uso, negociar cláusulas de uso predecible con proveedores y priorizar formación para un uso eficiente de herramientas de IA. En proyectos públicos o de interés social, auditorías de costo-beneficio y cláusulas de transparencia en contratos con proveedores externos son esenciales.

Los gobiernos, por su parte, deberían incorporar la discusión sobre fiscalidad y regulación de la automatización en sus agendas: considerar incentivos a la recualificación, esquemas de participación en la productividad y evaluar instrumentos fiscales —incluido el impuesto a la automatización propuesto por algunos investigadores— con una visión adaptada a la realidad fiscal y social local.

Conclusión: quien pone el precio del token decide

La lección es clara: la tecnología no es neutral frente a la economía. Cuando los dueños de los modelos —inversionistas y empresas que buscan rentabilidad— cambian el precio del token, redefinen en pocas horas qué prácticas son sostenibles y cuáles no. Para América Latina, esto plantea un doble reto: aprovechar la capacidad transformadora de la IA sin quedar a merced de cambios abruptos de modelo de negocio, y diseñar políticas que mitiguen impactos laborales y fiscales adversos. En última instancia, la gobernanza de la IA no puede dejarse solo en manos del mercado; requiere diálogo entre empresas, trabajadores y gobiernos para que la adopción tecnológica contribuya a desarrollo inclusivo y sostenible.