Desarrollo 10 min de lectura

El 98% retiró un despliegue de IA y no es la mala noticia

Un titular dice que el 98% de las empresas ha retirado despliegues de IA por alucinaciones. Es «al menos una vez», y retirar puede ser lo sano. El dato del informe es otro: el 89% recorta por el consumo de tokens y solo el 19% lo vigila de forma continua. Epílogo de «IA en producción».

En este artículo 7 secciones
  1. De dónde sale el 98%
  2. Retirar es lo sano
  3. Quién hace la pregunta
  4. El dato de verdad es la factura
  5. El 19% y el 23%
  6. Qué hago yo con esto si soy un equipo pequeño
  7. En resumen

El 28 de octubre me encontré este titular en The Objective:

«El 98% de las empresas ha retirado despliegues de IA por alucinaciones y fallos de los sistemas».

Se lee en dos segundos y se entiende en uno: la IA en la empresa ha fracasado. Casi todas lo han intentado y casi todas han tenido que recoger.

Cerré la serie «IA en producción» hace dos meses, con seis entregas sobre lo que se rompe cuando la IA deja de ser un experimento. No pensaba volver. Pero ese titular toca justo lo que la serie defendía, y lo toca al revés. Así que esto es un epílogo: fuera de la numeración, porque los títulos dicen «de seis» y no quiero que mientan.

Y adelanto el final, como en la primera entrega: el dato del titular es el menos interesante del informe. El interesante es la factura.

Una máquina metálica oscura con un contador mecánico que marca 0372 y una luz ámbar encendida, de la que sale una larga tira de papel impreso que se ondula sobre la mesa

El contador corre y el tique no deja de salir. Ilustración generada con IA para este artículo; no representa ningún sistema ni ninguna factura reales.

De dónde sale el 98%

Sale de un informe de Cloudera, The State of Enterprise AI 2026: The New Rules of Scale, presentado el 26 de octubre. Es una encuesta encargada por Cloudera y hecha por Wakefield Research a 1.500 responsables y decisores de TI en septiembre de 2026.

La frase exacta es que el 98% ha retirado un despliegue de IA «por fallo, alucinaciones o comportamiento inesperado». Tres matices que el titular se come:

  • Es «al menos una vez». El cuerpo de la propia noticia lo dice: ha retirado al menos un despliegue. No que hayan retirado su IA, ni la mitad de ella. Eso sí, el informe añade algo que la noticia no cuenta: para el 68% las retiradas son más frecuentes que una vez aislada.
  • Mete tres cosas distintas en el mismo saco. Un fallo, una alucinación y un comportamiento inesperado no son lo mismo, y con esa pregunta no se puede saber cuántas retiradas fueron por alucinaciones. El titular elige la palabra más llamativa de las tres.
  • No hay ni un caso. Ni en la nota de prensa ni en la noticia aparece una sola empresa, un solo despliegue o un solo fallo concreto. Es un porcentaje de respuestas a una encuesta.

Y un detalle de edición. Cloudera tituló su nota con otro número: «Why 89% of Enterprises Are Forced to Redesign AI Use Cases Amid Rising Costs». El titular de Cloudera iba del dinero. El 98% aparece en la nota, pero como el primero de cuatro hallazgos en una lista. La noticia subió al titular los fallos y las alucinaciones, y en el cuerpo aclara que es «al menos uno».

Las dos cosas están en la noticia. Solo una cabe en el titular, y es la que más asusta.

Retirar es lo sano

Ahora leamos el 98% con la cabeza de la serie.

Las seis entregas iban de lo mismo: probar, medir y saber volver atrás. El agente que borró el volumen de producción en nueve segundos no era un problema de que la IA fallase; era un problema de que nadie había pensado qué pasaba si fallaba. Las copias dentro de la misma explosión iban de lo mismo con otra ropa.

Pues bien: retirar un despliegue que se porta mal es una buena respuesta a un fallo. Es la marcha atrás funcionando. Es alguien que miró, vio algo raro y lo quitó.

Del 2% que nunca ha retirado nada no se puede concluir mucho. Puede que todo le haya ido bien, o puede que nadie haya mirado, y la encuesta no distingue una cosa de la otra.

Con un matiz que no quiero saltarme: la encuesta tampoco dice cuándo se retiraron esos despliegues. No es lo mismo quitar algo en la primera semana de pruebas que quitarlo después de que haya contestado mal a dos mil clientes. Por eso el 98% no lo puedo leer ni como buena ni como mala noticia sin más. El número por sí solo no demuestra un fracaso, y tampoco una buena operación.

El propio informe lo pone en contexto con otro dato que no ha llegado a ningún titular: el 43% dice que la IA le ha dado más productividad de la esperada, casi el doble del 23% que dice que menos. Se retiran cosas y, a la vez, hay cosas que funcionan.

Quién hace la pregunta

Antes de seguir, hay que decir una cosa sin cinismo y sin pasar de puntillas: la encuesta la paga quien vende la solución.

Cloudera se presenta como la plataforma que lleva la IA «a los datos, estén donde estén», en entornos híbridos. Y la nota lo dice en el párrafo siguiente a los datos. Mira entonces qué preguntas salen en el informe:

  • El 84% dice que la residencia y la soberanía de los datos condicionan dónde despliega la IA.
  • El 45% ha movido cargas de IA por costes más altos o más volátiles.
  • El 58% dice que mover esas cargas exige un rediseño moderado o grande.
  • Y entre los motivos para repartirlas entre entornos: resiliencia (42%), soberanía (38%), reducción de costes (38%) y cercanía a los datos (37%).

Todo eso es verdad que importa. Y todo eso, casualmente, desemboca en el producto de quien pregunta.

No lo descalifica. Las cifras no tienen por qué estar mal, y a mí me sirven. Pero es un dato para leerla, igual que lees un estudio sobre los beneficios del aceite de oliva sabiendo quién lo ha pagado. Tom Gersic, que lo comentó en su boletín, lo resume mejor que yo: es investigación patrocinada por el fabricante, y unas cifras tan altas dependen mucho de cómo se definieron las preguntas.

El dato de verdad es la factura

Vamos con el número que Cloudera sí puso en su titular: el 89% ha limitado o rediseñado casos de uso de IA por el aumento del consumo de tokens.

Fíjate en la palabra: consumo. No precio.

En agosto escribí que la IA se había abaratado cien veces: un modelo pasaba una batería de pruebas por tres céntimos donde otro costaba más de tres dólares. Y la tesis de aquel artículo era que cuando algo se abarata cien veces, rara vez acaba en ahorro: acaba en volumen.

Pues aquí puede estar el volumen. Si el precio por token baja y aun así nueve de cada diez empresas tienen que recortar por lo que gastan en tokens, la explicación más probable es que el consumo crece más deprisa de lo que baja el precio. La encuesta no lo demuestra: tampoco sabe si a esas empresas les ha bajado el precio, si han cambiado de modelo o si ahora le encargan a la IA tareas más caras.

Pero da una pista. El 40% de los encuestados ha reducido la frecuencia de procesamiento, el tamaño del modelo, el tamaño del contexto o la longitud de las respuestas. Eso es ajustar cómo se ejecutan las tareas para que cuesten menos, no negociar el precio.

No tengo una cifra que mida cuánto ha crecido el consumo, y no me la voy a inventar. Pero el mecanismo se ve a simple vista:

  • Los agentes. Una pregunta a un chat es una llamada. Una tarea encargada a un agente son muchas: planifica, prueba, lee el resultado, corrige. Y en muchas implementaciones, cada paso vuelve a enviar todo el contexto acumulado.
  • Los contextos largos. Si cabe un millón de tokens, se mete un millón de tokens. Decidir qué es relevante cuesta pensar; meterlo todo cuesta dinero, pero no esfuerzo.
  • Los reintentos. Lo que falla se vuelve a pedir. Y lo que se pide a un modelo barato y no llega, se escala a uno caro: lo conté a cuenta del primer Copilot Day, donde en un patrón de cascada el modelo barato lo pagas siempre y el caro, cuando el barato no llega.

Cada una de esas tres cosas multiplica los tokens de una tarea sin que nadie haya decidido gastar más. Simplemente pasa.

El 19% y el 23%

Y ahora dos números que no salen en la nota de prensa, sino en el resumen del informe que Cloudera publicó en su blog al día siguiente:

  • Solo el 19% monitoriza de forma continua el coste de tokens e inferencia.
  • Solo el 23% dice que la IA le genera más valor del que le cuesta.

Junta el primero con el 89%. Nueve de cada diez han tenido que recortar por lo que consumen, y solo dos de cada diez lo miran de forma continua. Eso no quiere decir que el resto vaya a ciegas: habrá revisiones mensuales, previsiones, alertas. Pero sí dice que mirar el contador mientras corre es raro, y con un gasto que depende de cuántas vueltas da un agente, lo que no se mira mientras pasa se ve después.

Es el mismo agujero que cerró la serie. En la sexta entrega contaba el ensayo en el que unos desarrolladores fueron más lentos con IA y creyeron haber ido más rápido. La sensación no sirve como medida, decía. Pues aquí pasa lo mismo con el dinero: la sensación de que «es barato, son céntimos» tampoco sirve como medida.

Y el 23% hay que leerlo con cuidado, porque es lo que dicen los encuestados, no lo que alguien ha medido. Y con su contexto: casi seis de cada diez dicen que la IA les deja aproximadamente lo mismo que les cuesta. No es que pierdan dinero; es que, de momento, no ganan.

La encuesta no dice por qué. Puede ser la calidad de los modelos, la integración, haber elegido mal la tarea o el coste, y lo normal es que sea un poco de todo. Lo que sí sé es que, sin saber cuánto cuesta cada tarea, no se puede ni empezar a averiguarlo.

Qué hago yo con esto si soy un equipo pequeño

Nada de lo anterior es exclusivo de las grandes empresas. Al contrario: a una pyme la factura le duele antes, porque no tiene un departamento que la absorba. Cuatro cosas:

  1. Mide el coste por tarea terminada, no la factura mensual. «Este mes hemos gastado 400 euros» no dice nada. «Cada presupuesto que redacta el asistente cuesta tanto, y uno de cada tantos hay que rehacerlo» sí. Gersic propone lo mismo: coste por acción de negocio completada, tasa de correcciones y tiempo de revisión humana, en vez de un total de tokens al mes.
  2. Pon un tope de gasto por proyecto. Si tu proveedor permite un límite, ponlo. Si no, ponlo tú en el código: un contador y un corte. Un bucle de agente reintentando un fin de semana no avisa; solo factura.
  3. Decide hoy qué haces el día que tengas que retirarlo. En la encuesta, casi todos han tenido que hacerlo alguna vez. Cuál es el proceso de antes, quién lo sabe hacer todavía y cuánto se tarda en volver a él. Si la respuesta es «ya no lo hace nadie», no has automatizado una tarea: has quemado el puente.
  4. No construyas pensando que el precio de hoy es el de mañana. Lo dice la cita de la nota de prensa, de Brian Martin, CTO de IA aplicada en Cloudera: «lo que funciona hoy puede no tener sentido económico ni operativo mañana». Él lo dice para venderte su plataforma, y es verdad igual. El modelo, detrás de una capa tuya que puedas cambiar; el precio, en una configuración y no en el plan de negocio. Que el 58% diga que mover cargas exige un rediseño moderado o grande es justo el motivo.

En resumen

El titular puede dejar la impresión de que la IA en la empresa ha fracasado. El informe dice otra cosa: que casi todo el mundo ha tenido que dar marcha atrás alguna vez, que la mayoría está recortando por lo que consume, y que muy pocos miran de forma continua lo que les cuesta lo que tienen funcionando.

Si el token se abarata y la factura no, lo más probable es que se haya disparado el consumo. Es lo mismo que pasó con el alojamiento web y con el almacenamiento, y lo mismo que dije que pasaría en agosto.

Lo que separa un despliegue sano de uno que da sustos no es que no falle. Es saber cuánto cuesta cada tarea, comprobar lo que deja y poder retirarlo sin quemar el puente.

(Epílogo de una serie de seis. No le he puesto número para que los otros seis títulos no mientan, que bastante tenemos con los titulares.)

Preguntas frecuentes

¿Es cierto que el 98% de las empresas ha retirado despliegues de IA?

Según el informe «The State of Enterprise AI 2026», encargado por Cloudera y realizado por Wakefield Research a 1.500 responsables y decisores de TI en septiembre de 2026, el 98% de los encuestados ha retirado al menos una vez un despliegue de IA por fallo, alucinaciones o comportamiento inesperado, y para el 68% esas retiradas son más frecuentes. La cifra no indica que se haya abandonado la IA, y la pregunta no distingue entre las tres causas ni entre retiradas tempranas y tardías. El mismo informe recoge que el 43% ha obtenido más productividad de la esperada.

¿Retirar un despliegue de IA es señal de fracaso?

No necesariamente, pero tampoco es por sí sola una señal de buena gestión. Retirar un sistema que se comporta de forma inesperada puede ser la respuesta adecuada a un fallo, propia de un proceso que prueba, mide y conserva la capacidad de volver atrás. Del pequeño porcentaje que nunca ha retirado nada tampoco se puede concluir mucho: puede que todo le haya funcionado o que no haya supervisado. La encuesta no informa de cuándo se produjeron las retiradas ni de los daños causados antes de ellas.

¿Por qué recortan las empresas el uso de IA si el precio por token baja?

El 89% de los encuestados afirma haber limitado o rediseñado casos de uso por el aumento del consumo de tokens, y el 40% ha reducido la frecuencia de procesamiento, el tamaño del modelo, el contexto o la longitud de las respuestas. Una explicación probable, que la encuesta no demuestra, es que el consumo crece más deprisa que lo que baja el precio unitario: los agentes que encadenan muchas llamadas, los contextos extensos y los reintentos o escalados a modelos más caros multiplican los tokens por tarea. También influyen los cambios de modelo o el tipo de tareas que se encargan.

¿Qué fiabilidad tiene una encuesta patrocinada por un fabricante?

Las cifras no son necesariamente incorrectas, pero conviene leerlas sabiendo quién las financia. En este caso el patrocinador comercializa una plataforma de datos e IA para entornos híbridos, y varias de las preguntas —soberanía de los datos, traslado de cargas entre entornos— conducen hacia ese tipo de solución. Algunos analistas advierten además de que porcentajes tan elevados dependen en gran medida de cómo se formularon las preguntas y se definieron los términos.

¿Cómo puede una pyme controlar el coste de la IA?

Midiendo el coste por tarea completada en lugar del total mensual, incluyendo la tasa de correcciones y el tiempo de revisión humana; estableciendo un límite de gasto por proyecto, ya sea en el proveedor o en el propio código; definiendo de antemano cómo se volverá al proceso anterior si hay que retirar el sistema; y aislando el modelo tras una capa propia, con los precios en configuración, para no depender de que la tarifa actual se mantenga.

Sigue leyendo

¿Te ha resultado útil o quieres comentar algo?

Hablemos →