El 6 de agosto de 2026, Rippling publicó lo que estaba haciendo su factura de IA, algo que muy pocas empresas hacen.
El gasto en tokens crecía un 80 % mes a mes. Un modelo de costes situaba a la compañía camino de gastar el 40 % del presupuesto de plantilla de I+D en tokens y, al año siguiente, de acercarse al 90 %.
Esas son las cifras que todo el mundo cita. Los dos hallazgos que hay debajo son los que merecen tu tiempo.
Primero, qué no son estas cifras
Son previsiones, no facturas. Rippling escribe que estaba «camino de gastar el 40 % de nuestro presupuesto de plantilla de I+D en tokens» y más adelante habla de «una previsión de gastar el 40 %». Varios medios lo han convertido en que la factura de IA de Rippling alcanzó el 40 % de su presupuesto de I+D. No lo hizo. Una proyección que desencadenó una decisión es otra cosa que un gasto que se produjo, y la diferencia importa si piensas citarla.
La cifra del 90 % para el año siguiente también es una proyección, y apenas aparece en la cobertura secundaria pese a ser la más llamativa de las dos.
La cifra que circula de 600.000 millones de tokens no aparece en el texto de Rippling. Tampoco un importe total en dólares. El único número absoluto que se da es el de un ingeniero gastando 50.000 dólares al mes.
Hallazgo uno: el gasto estaba extremadamente concentrado
«Aproximadamente entre el 10 y el 15 % de nuestros empleados generaban en torno al 60 % del gasto total en IA.»
Esta es la frase que conviene llevarse a la propia organización. Convierte el problema de una cuestión de precios en una cuestión de distribución, y esas dos tienen soluciones completamente distintas.
Si el coste se reparte de forma pareja por un equipo, la palanca es el precio por token y dependes de los proveedores. Si una décima parte de la gente concentra seis décimas de la factura, la palanca es interna y puedes accionarla esta semana. No hay manera de saber en cuál de las dos situaciones estás sin mirar, y Rippling apunta que mirar ya era difícil: finanzas recopilaba datos a mano desde varios paneles de proveedor, y unos ingenieros los volcaban a un repositorio central de forma manual.
Hallazgo dos: nadie había elegido la opción cara
Esta es la parte que más lejos se generaliza, y es fácil pasarla por alto.
«Los valores predeterminados caros eran la norma. Los modelos más nuevos estaban puestos en modo rápido. No porque lo hubiéramos decidido internamente, sino porque nadie había mirado nunca ese punto ni fijado buenas prácticas.»
La configuración costosa no fue una decisión que alguien tomara. Fue una decisión que nadie tomó. Ese es un fallo distinto, y ninguna disciplina presupuestaria lo detecta, porque no hay ningún momento en el que alguien apruebe la opción cara.
Enlaza además directamente con algo que escribimos esta semana. El agente de programación de Meta ofrece dos identificadores de modelo a precios muy distintos, uno de los cuales devuelve tus prompts al proveedor, y la documentación no dice cuál escribe el instalador en tu configuración. Misma forma, otro proveedor: el ajuste que decide la factura, o los datos, es uno que nadie eligió conscientemente.
Qué hicieron, y qué les costó
Rippling nombró a 20 «capitanes de IA» repartidos por la empresa, responsables de formación, buenas prácticas y gobernanza, y construyó una consola para seguir el gasto por persona y por modelo.
El resultado, en sus palabras: «En I+D pasamos de una previsión de gastar el 40 % de nuestro presupuesto de plantilla en tokens a entre el 10 y el 15 %. Eso son decenas de millones de dólares al año.»
Una frase merece citarse por lo que no afirma: «las restricciones hicieron a los ingenieros más listos, no menos capaces». Esa es la valoración que Rippling hace de su propio programa, y es el tipo de afirmación que toda empresa hace sobre sus propios recortes. Léela como su postura, no como un resultado medido.
Su apunte anterior sobre la productividad es más cuidadoso y más interesante: «La señal de productividad era real, pero no lineal.»
Qué llevarse de aquí
Averigua si tu gasto está concentrado antes de negociar un precio. Los dos problemas se ven idénticos en una factura y no tienen nada más en común.
Mira en qué están puestos tus valores predeterminados, y cuándo los eligió alguien por última vez. Modelo más nuevo, modo más rápido y contexto más grande son los ajustes con los que llega la mayoría de herramientas, y los que menos probablemente se hayan decidido.
Trata una previsión como una previsión, también esta. Rippling actuó sobre una proyección, que fue lo acertado. Citar esa proyección como un coste histórico no lo es.
Fuentes
- Rippling, «From unchecked AI spend to complete control: How Rippling built AI Spend Console», publicado el 6 de agosto de 2026, por Whitney Zack y Catalina Zhao: https://www.rippling.com/blog/introducing-ai-spend-console (consultado el 28 de agosto de 2026). Origen del crecimiento del 80 % mes a mes, de ambas cifras de previsión, de la concentración del gasto en el 10-15 % de la plantilla, de los 50.000 dólares mensuales de un solo ingeniero, del pasaje citado sobre los valores predeterminados caros, del programa de capitanes de IA, y de los resultados y valoraciones de productividad citados. Todas las citas se verificaron contra el código fuente de la página, no contra un resumen. El texto no contiene ninguna cifra total en dólares ni un recuento de tokens; la cifra citada con frecuencia de 600.000 millones de tokens no aparece en él, comprobado sobre el texto obtenido con «token» como término de control (14 apariciones, así que la obtención fue íntegra). La fuente existe únicamente en inglés: las citas de este artículo son traducción propia del original, no citas literales en español.
