Uber agotó en abril todo su presupuesto de inteligencia artificial para 2026, apenas cuatro meses después del inicio del año, luego de que Claude Code, de Anthropic, se expandiera entre unos 5.000 ingenieros más rápido de lo que anticipaban los modelos financieros de la compañía. 

Praveen Neppalli Naga, director de tecnología, confirmó el sobrecosto a The Information y afirmó que la compañía tuvo que replantear sus supuestos. El gasto total de Uber en investigación y desarrollo alcanzó los US$ 3.400 millones en 2025, un 9% más que el año anterior. Eso indica que el colapso del presupuesto no respondió tanto a la escala, sino a un modelo de precios que los equipos financieros de la empresa todavía no aprendieron a gestionar.

La revelación coincidió con un cambio estructural en Anthropic. El 13 de mayo, la compañía anunció que los suscriptores pagos de Claude pronto tendrían que abonar un cargo mensual adicional por las herramientas de agentes y las apps de terceros, facturadas a las tarifas completas de la interfaz de programación de aplicaciones a partir del 15 de junio. 

En conjunto, ambos hechos describen un único problema: la tarificación por consumo basada en tokens no se comporta como las partidas de software que los directores financieros saben modelar, y la brecha entre lo que consumen los ingenieros y lo que esperan los equipos financieros ya dejó de ser hipotética.

Cómo una herramienta de codificación superó el presupuesto

Uber implementó Claude Code en su equipo de ingeniería en diciembre de 2025. Su adopción entre los ingenieros creció del 32% en febrero al 84% en marzo. Para la primavera en Estados Unidos, el 95% de los ingenieros de Uber usaba herramientas de inteligencia artificial todos los meses y alrededor del 70% del código implementado provenía de esas herramientas. Según las propias declaraciones de Uber, cerca del 11% de las actualizaciones de backend en tiempo real fueron escritas por agentes sin intervención humana.

Las cifras que respaldan el gasto convierten la historia en un caso instructivo, más que en una simple anécdota. El costo mensual promedio por ingeniero osciló entre US$ 150 y US$ 250, con usuarios intensivos que gastaron entre US$ 500 y US$ 2.000. El propio Naga informó que gastó US$ 1.200 en una sesión de dos horas durante una demostración personal. 

La herramienta no falló y los ingenieros no hicieron un mal uso de ella. La utilizaron exactamente para las cargas de trabajo para las que fue diseñada: ejecución paralela de agentes, refactorización de bases de código a gran escala, generación automatizada de pruebas y producción de código de backend. Desde el punto de vista de la productividad, el lanzamiento fue un éxito. Desde el punto de vista financiero, fue un éxito descontrolado.

Uber complejizó aún más la situación al clasificar a los ingenieros en rankings internos según su uso de Claude Code. Eso generó un incentivo cultural para consumir más tokens, lo que se tradujo directamente en una ejecución presupuestaria más acelerada. Los equipos que impulsaban la adopción no eran los mismos que gestionaban el gasto, y esa brecha organizativa resultó el principal problema.

Por qué la facturación mediante tokens rompe los presupuestos tradicionales

Claude Code no cobra por usuario. Contabiliza los tokens consumidos en las llamadas al modelo, lo que significa que un ingeniero que ejecuta sugerencias de autocompletado consume una fracción de lo que consumirá un ingeniero que coordina agentes paralelos en un monorepo. La misma herramienta, el mismo ingeniero y la misma jornada laboral pueden generar facturas muy diferentes según el flujo de trabajo elegido. Los ciclos presupuestarios anuales, diseñados en torno a costos predecibles por licencia, no logran absorber esa variación.

Microsoft adoptó un enfoque opuesto con Microsoft 365 Copilot Enterprise, que se vende a US$ 30 por usuario al mes, con un compromiso anual. El precio limita el potencial de crecimiento del proveedor y les ofrece a los equipos financieros un gasto fijo que pueden multiplicar por el número de empleados. El modelo de consumo de Anthropic le otorga al proveedor un potencial de crecimiento ilimitado entre los usuarios intensivos y casi no les ofrece a los equipos financieros visibilidad hacia adelante. Ambos modelos resultan válidos y ninguno se adapta a todas las cargas de trabajo, pero tratarlos como intercambiables dentro de un ciclo de planificación produjo el resultado de Uber.

GitHub implementará un sistema de créditos para Copilot el 1 de junio, y los analistas citados por InfoWorld prevén que la mayoría de los proveedores introduzca sistemas de consumo diferenciados para agentes y herramientas en un plazo de 12 a 24 meses. La terminología variará —créditos, solicitudes, mensajes o unidades de cómputo—, pero la tendencia resulta clara. La inferencia de tarifa plana para cargas de trabajo ilimitadas de agentes nunca iba a resultar viable, y el anuncio de Anthropic en mayo confirma que los proveedores trasladarán los costos a los compradores en lugar de absorberlos.

Los límites de la defensa de la productividad

La respuesta habitual del sector ante las historias sobre los costos de consumo sostiene que la inteligencia artificial se amortiza gracias a las ganancias de productividad. El caso de Uber complica ese argumento. La ganancia marginal de productividad que obtiene un ingeniero sénior al ejecutar flujos de trabajo basados en agentes debe superar una barrera de costo de tokens mucho más alta que la que enfrenta al usar autocompletar. 

Actualmente, el consumo por desarrollador en modo agente registra incrementos de entre cinco y veinte veces, y ningún benchmark público muestra un multiplicador similar en el valor de producción. Además, los ahorros en productividad no figuran en la misma partida que el costo de la inteligencia artificial, por lo que los equipos financieros no pueden compensarlos en una revisión trimestral.

También existen limitaciones operativas que vuelven incompleto el análisis simple de costo versus resultado. Según datos de encuestas citados en la cobertura del sobrecosto de Uber, solo el 43% de las organizaciones cuenta con políticas formales de gobernanza de inteligencia artificial, y apenas el 21% tiene una gobernanza de agentes madura. 

La mayoría de las empresas aún no aplica a las herramientas de inteligencia artificial los controles de gasto que los equipos de DevOps usan habitualmente en la computación en la nube. Esto incluye límites por ingeniero, monitoreo en tiempo real del consumo de tokens y alertas presupuestarias antes de que se produzca un sobrecosto, en lugar de después. Uber implementó Claude Code en toda la organización sin esos controles, y el resultado quedó visible en un trimestre.

Lo que los directores financieros deberían aprender de esto

La experiencia de Uber ofrece una breve lista de implicancias prácticas para los líderes financieros que observan cómo sus organizaciones de ingeniería adoptan herramientas de codificación basadas en agentes.

La primera es que la economía de los programas piloto no predice la economía de escala de las herramientas con precios por consumo, ya que los programas piloto se ejecutan con pocos ingenieros que usan autocompletar, mientras que la producción se ejecuta con equipos completos que delegan flujos de trabajo de varios pasos en agentes. 

La segunda es que las estructuras de incentivos importan tanto como los precios. Los rankings y los objetivos de adopción impulsan el consumo de tokens, y cualquier implementación que recompense el uso sin limitarlo debe modelarse como un riesgo ilimitado hasta que se demuestre lo contrario.

El tercer factor es estructural. El cambio en el fondo de créditos de Anthropic del 15 de junio indica que el uso programático subsidiado en los planes de suscripción llega a su fin en toda la industria. Las empresas que basaron sus pronósticos en la economía de tarifa plana de Claude Code verán aumentar sus costos unitarios efectivos, y la misma lógica se aplicará a otros proveedores que sigan el ejemplo de Anthropic. 

Los equipos de compras que buscan previsibilidad deberán negociar acuerdos de gasto comprometido a tarifas fijas, en lugar de apoyarse en precios por consumo, y la influencia que puedan ejercer en esas conversaciones dependerá de si sus organizaciones de ingeniería ya establecieron algún límite de uso.

Uber no desacelera su apuesta por la inteligencia artificial. Naga planea probar Codex de OpenAI junto con Claude Code, y la visión de largo plazo que describe plantea un sistema en el que los ingenieros de agentes se encargan de la codificación, las pruebas y la implementación, con los humanos como coordinadores. Las principales organizaciones de ingeniería que hoy adoptan estas herramientas comparten esa dirección. La pregunta clave para los consejos de administración no es si deben implementarlas, sino si las áreas financieras tienen visibilidad sobre su costo una vez que los ingenieros dejen de limitarlas.

*Esta nota fue publicada originalmente en Forbes.com.