Presupuesto de un proyecto de inteligencia artificial

El error más común al presupuestar un proyecto de IA

Es habitual asumir que el coste de un proyecto de IA es, sobre todo, el coste de usar un modelo (por token o por llamada). En la práctica, para la mayoría de proyectos en fase de lanzamiento, esa partida es pequeña comparada con el trabajo de integración, evaluación y mantenimiento.

Presupuestar un proyecto de IA como si fuera «pagar por tokens» lleva a subestimar sistemáticamente el coste real y a sorpresas cuando el sistema necesita ajustes tras el lanzamiento.

Tipo de proyecto: chatbot, RAG o agentes

Un asistente conversacional simple, sin conexión a datos propios, es el escenario de menor coste — responde con lo que el modelo ya sabe, sin integraciones complejas.

Un sistema de RAG (Retrieval-Augmented Generation) conecta el modelo a una base documental propia para que responda con información real y actualizada de la empresa — requiere infraestructura adicional (bases vectoriales, indexado de documentos) y mantenimiento de esa base.

Un sistema de agentes que ejecuta acciones (consultar sistemas, generar documentos, iniciar procesos) es el escenario de mayor complejidad: necesita guardarraíles explícitos, supervisión humana en decisiones sensibles y una infraestructura de registro robusta.

Comparar los tres tipos en detalle ayuda a decidir cuál encaja mejor con tu proyecto.

Integración con datos y sistemas reales

El trabajo de conectar un modelo con los sistemas reales de una empresa (CRM, bases de datos internas, documentación) es, con frecuencia, la partida más grande del presupuesto — no el modelo en sí.

Cuantas más fuentes de datos distintas deba usar el sistema, y cuanto menos estructuradas estén esas fuentes, más tiempo de integración y mantenimiento requiere.

Evaluación de calidad y guardarraíles

Un sistema de IA en producción necesita un proceso de evaluación continua — medir si las respuestas son correctas y útiles, no solo comprobarlo una vez antes del lanzamiento.

Los guardarraíles (reglas explícitas sobre qué puede y no puede decidir el sistema sin intervención humana) deben diseñarse desde el principio del proyecto, no añadirse después como un parche de seguridad.

Infraestructura, observabilidad y mantenimiento

La infraestructura de un sistema de IA (bases vectoriales, colas de procesamiento, registro de conversaciones) tiene un coste operativo continuo, igual que cualquier otro componente de backend.

Un sistema de IA puede degradarse en calidad sin que cambie el código, porque cambian los datos de entrada o el comportamiento del modelo subyacente. La observabilidad — revisar qué está respondiendo el sistema en producción — es la única forma de detectarlo, y el ajuste posterior (de prompts, reglas o flujo) es una partida de mantenimiento recurrente, no un coste que termine en el lanzamiento.

Qué NO incluye normalmente el presupuesto inicial

El coste de tokens en volumen alto de producción no suele estar incluido en un presupuesto de desarrollo cerrado — es un coste operativo variable que depende del uso real, y conviene presupuestarlo aparte, no como parte fija del proyecto.

Tampoco suele incluirse el reentrenamiento o ajuste fino de modelos propios (cuando aplica) más allá de la configuración inicial — es una inversión adicional que se plantea cuando el proyecto ya está en producción y se han identificado necesidades concretas de mejora.