Presupuestar un proyecto de IA: costes ocultos y FinOps de GenAI

El presupuesto inicial de un proyecto de IA y su coste real suelen parecerse poco. He visto demasiados proyectos que arrancan con una cifra optimista y se disparan después, no por mala gestión, sino porque nadie contempló los costes ocultos. Aprender a presupuestar un proyecto de IA con honestidad es una de las habilidades que más disgustos ahorra.

Por qué los presupuestos de IA se quedan cortos

El error más común es presupuestar solo lo visible: el desarrollo y, quizá, la licencia del modelo. Pero un sistema de IA es un organismo vivo que consume recursos cada vez que se usa y que requiere mantenimiento, datos y gobernanza continuos. El coste no termina cuando el proyecto se entrega; muchas veces, ahí es donde empieza de verdad.

Los costes ocultos que siempre incluyo

Consumo por uso

Muchos modelos cobran por uso, así que el coste escala con el éxito. Un proyecto que triunfa puede dispararse en gasto si no se ha modelado bien este consumo. Aquí aplico de lleno la disciplina de FinOps y gobernanza del coste.

Datos y su preparación

Preparar, limpiar y gobernar los datos suele ser más caro que el modelo en sí. Es la parte menos glamurosa y la que más presupuesto consume en la práctica. Subestimarla es garantía de desviación.

Gobernanza y cumplimiento

En entornos regulados, cumplir el EU AI Act y documentar el sistema tiene un coste real en horas y herramientas. Es una partida que rara vez aparece en los presupuestos iniciales y que, sin embargo, es ineludible.

Mantenimiento y reentrenamiento

Los modelos se degradan, los datos cambian y las necesidades evolucionan. Reentrenar, monitorizar y ajustar es un coste recurrente que hay que presupuestar desde el inicio, no descubrir sobre la marcha.

Cómo construyo un presupuesto realista

Presupuesto el ciclo de vida completo, no solo el desarrollo, y lo cruzo con un cálculo honesto del retorno, como explico al hablar del ROI de proyectos GenAI. Prefiero un presupuesto incómodo pero veraz a uno atractivo que estallará en seis meses. La credibilidad de un AI Project Manager se juega aquí.

FinOps aplicado a la IA generativa

La gran diferencia entre presupuestar software tradicional y presupuestar GenAI es que el coste deja de ser fijo y pasa a ser variable. Cada consulta a un modelo consume tokens, y si no se vigila, la factura puede dispararse de un mes a otro sin que nadie lo prevea. Por eso aplico principios de FinOps desde el primer día: visibilidad del gasto en tiempo real, asignación de coste por equipo o caso de uso, y alertas cuando el consumo se desvía de lo esperado. Sin esa disciplina, el proyecto más prometedor puede volverse insostenible solo por descontrol de costes.

Una práctica que recomiendo es fijar presupuestos por caso de uso y revisarlos con frecuencia. No es lo mismo un asistente interno que usan veinte personas que uno de cara a miles de clientes; mezclarlos en una sola partida impide tomar buenas decisiones. Separar el gasto permite ver qué casos rinden y cuáles habría que optimizar o, directamente, apagar.

Del presupuesto al retorno

Un presupuesto solo cobra sentido si se compara con el valor que genera. Por eso vinculo siempre la previsión de costes con la medición del retorno, dos ejercicios que deben ir de la mano y que detallo en mi artículo sobre KPIs y ROI de proyectos GenAI. Presupuestar sin medir el retorno es navegar a ciegas: sabes lo que gastas, pero no si merece la pena.

Mi enfoque es conservador a propósito. Prefiero presupuestar con un margen de seguridad y sorprender luego con un ahorro que quedarme corto y tener que pedir más a mitad de proyecto, algo que erosiona la confianza de la dirección. Un presupuesto realista, aunque parezca menos atractivo en la presentación inicial, protege la credibilidad del proyecto a medio plazo.

Mi conclusión es que presupuestar bien un proyecto de IA es, ante todo, un ejercicio de honestidad. Reconocer los costes ocultos desde el principio, aplicar FinOps para controlarlos y atarlos al retorno esperado es lo que separa los proyectos que sobreviven al segundo año de los que se cancelan entre reproches. La IA puede ser muy rentable, pero solo si se presupuesta con los ojos abiertos.

En mi experiencia, el error más caro no es técnico sino de gobierno: arrancar sin un responsable claro del presupuesto. Por eso defino desde el primer día quién aprueba cada incremento de gasto, qué umbral dispara una revisión y con qué cadencia revisamos el consumo real frente al estimado. Esa disciplina de seguimiento, más que cualquier hoja de cálculo, es la que evita que un piloto prometedor acabe convertido en una factura imposible de justificar ante dirección.

Conclusión: honestidad presupuestaria

Presupuestar un proyecto de IA bien consiste en hacer visibles los costes que otros ocultan. Un presupuesto realista protege el proyecto de la cancelación prematura y a ti de la pérdida de credibilidad. En IA, el optimismo presupuestario se paga, y siempre más caro de lo previsto.

Preguntas frecuentes sobre cómo presupuestar un proyecto de IA