Bancos y fintechs enfrentan un nuevo costo de la IA que aumenta con el nivel de uso
:quality(75):max_bytes(102400)/https://assets.iprofesional.com/author/65eaed2b8acd9.jpg)
:quality(75):max_bytes(102400)/https://assets.iprofesional.com/assets/jpg/2026/09/626373.jpg)
Los bancos y las fintech se encuentran dentro de las empresas que más dependen de la tecnología para operar. Sistemas de pagos, aplicaciones, prevención de fraude, atención al cliente, análisis de datos y ciberseguridad forman parte de una estructura que convirtió al software en un componente principal del negocio financiero.
Ahora, la inteligencia artificial agrega una nueva variable: parte del costo tecnológico puede crecer de acuerdo con cuánto se utiliza. Un informe elaborado por Ycon Research y Cloudbeach muestra que el sector financiero fue el principal cliente de la industria argentina de software durante 2025, con el 20,1% de la facturación.
La categoría incluye bancos, fintech y terminales de pago y quedó por encima de otros grandes demandantes como la propia industria de software, energía y seguros.
La importancia del sector financiero también se explica por la intensidad tecnológica de su actividad. Ycon, a partir de una referencia internacional utilizada por CESSI, señala que las empresas destinan en promedio cerca del 5% de su facturación a tecnología, aunque las compañías intensivas en información, como servicios financieros, seguros y empresas tecnológicas, pueden superar el 8% o 10%.
El cambio que introdujo la inteligencia artificial está en la forma de consumir esa tecnología. Una empresa puede pagar una licencia mensual por una determinada cantidad de usuarios, contratar infraestructura cloud o incorporar un sistema de IA dentro de una plataforma que ya utiliza.
Sin embargo, cuando desarrolla aplicaciones que se conectan directamente con modelos de inteligencia artificial, aparece otra modalidad, la cual es pagar por la cantidad de información que el sistema procesa y genera.
Qué es un token y por qué genera un nuevo costo
Para entender el cambio hay que bajar la inteligencia artificial a una unidad mucho menos conocida que una licencia o una suscripción: el token. Los modelos de IA procesan el texto en estas unidades, que pueden corresponder a una palabra completa, una parte de una palabra, un carácter o un signo de puntuación.
El mismo texto puede generar distinta cantidad de tokens según el modelo, la codificación y el idioma. Además, existen tokens de entrada y de salida. Los primeros corresponden a la información que la empresa envía al modelo; los segundos, a lo que el modelo genera.
Asimismo, en determinados sistemas, también pueden existir tokens asociados a razonamiento o al uso de contexto almacenado. En los servicios que cobran por consumo, cada una de esas categorías puede tener un precio diferente.
Esto significa que una empresa financiera no necesariamente paga una suma fija por "tener inteligencia artificial". Puede pagar por cada interacción que procesa el modelo. Una consulta de un cliente, el análisis de un documento, la clasificación de una operación o la generación automática de una respuesta pueden implicar consumo de tokens.
De esta forma, la lógica se parece más a una factura de servicios que a la compra o suscripción a una licencia tradicional. Por lo tanto, cuanto mayor sea el volumen procesado, mayor puede ser el consumo.Además, el costo depende del modelo utilizado y de la cantidad de información que entra y sale en cada operación.
Cómo una automatización puede hacer crecer la factura
El problema aparece con mayor claridad cuando la IA deja de ser una herramienta que utiliza una persona y pasa a funcionar automáticamente dentro de un proceso.
Un banco, por ejemplo, puede utilizar un modelo para resumir documentos internos, clasificar consultas de clientes, analizar comunicaciones, asistir a operadores o procesar información para determinadas tareas.
Una fintech puede integrarlo en un chatbot, un sistema de soporte o una herramienta que analiza grandes volúmenes de datos. En todos esos casos, la cantidad de operaciones realizadas puede multiplicar el consumo.
"Cuando se hace ese tipo de automatizaciones o bots que responden a un evento (por ejemplo, llega un correo a soporte y se contesta automáticamente), eso no se puede hacer con una cuenta de 20 dólares; ahí hay que pagar tokens", explica Alexander Ditzend, presidente de la Sociedad Argentina de Inteligencia Artificial (SAIA).
En este punto, aparece una diferencia importante para el área financiera de una compañía. Mientras que una herramienta contratada por 100 empleados permite conocer de forma anticipada una parte importante del gasto mensual, una automatización que procesa miles de solicitudes puede tener una factura mucho más sensible al nivel de actividad.
El nuevo desafío es medir cuánto cuesta cada resultado
Para un banco o una fintech, saber cuántos tokens consume un modelo puede ser útil para controlar una factura, pero no alcanza para determinar si la inversión funciona. Una herramienta puede consumir millones de tokens y generar un ahorro significativo, mientras otra puede utilizar una cantidad menor y no producir ningún impacto relevante sobre el negocio.
La FinOps Foundation ya plantea una evolución desde el simple control del gasto hacia la medición del valor de la tecnología. En el caso de la inteligencia artificial, esto implica avanzar hacia indicadores como el costo por operación, por consulta resuelta, por documento procesado o por proceso automatizado.
La organización incluso identifica la necesidad de contar con un monitoreo más granular del gasto en IA, incluyendo tokens, solicitudes a modelos y utilización de GPU, mientras desarrolla nuevas herramientas y estándares para ordenar esa información. El objetivo es poder relacionar el consumo tecnológico con el resultado que obtiene la empresa.
Para el sector financiero, el cambio puede ser especialmente relevante. Una entidad que incorpora IA para atención al cliente, análisis documental, prevención de fraude o asistencia interna no solamente necesita calcular cuánto cuesta implementar la herramienta.
También tiene que conocer qué volumen de operaciones generará, cuánto consumo implicará cada una y qué resultado económico espera obtener.Para bancos y fintech, el próximo desafío tecnológico no será solamente incorporar inteligencia artificial, sino aprender a presupuestar una tecnología cuyo costo puede crecer cada vez que se utiliza.
