Una nueva consejera no ejecutiva hace una pregunta razonable en su segunda reunión del consejo: ¿por qué aprobamos la subida de precios del año pasado? El presidente recuerda la reunión. El director financiero recuerda la hoja de cálculo. El análisis que lo resolvió vivía en una larga conversación con un asistente de IA, en una cuenta que pertenecía a un gestor que ya se ha marchado.

Nadie hizo nada mal. La empresa simplemente guardó su razonamiento en un lugar que no le pertenecía.

Eso ha sido tolerable mientras todos los equipos utilizaban las mismas una o dos herramientas de IA alojadas. No seguirá siendo tolerable a medida que cambie el coste de la IA, y ese coste se está moviendo en una dirección para la que la mayoría de los consejos no se ha preparado.

Los tokens son cada vez más baratos. La factura no.

El precio de un token para un nivel determinado de capacidad sigue bajando. Investigadores de MIT FutureTech descubrieron que el precio de alcanzar un nivel fijo de rendimiento en pruebas comparativas ha estado cayendo entre cinco y diez veces al año.

El mismo estudio encontró que el coste de ejecutar los modelos más avanzados aumenta entre tres y dieciocho veces al año, porque los modelos más nuevos son más grandes y razonan con mayor extensión antes de responder. El índice BenchLM, que sigue los precios publicados de las API, sitúa su nivel más avanzado un 72 % más alto que un año antes, mientras que su nivel medio cayó un 44,5 % en el mismo período.

Los agentes amplían la brecha. Gartner calcula que una tarea agéntica utiliza entre cinco y treinta veces más tokens que un intercambio estándar con un chatbot, y prevé que los costes de inferencia por flujo de trabajo agéntico aumenten más de cinco veces para 2028. El consejo de su analista a los responsables de producto es claro: no cuenten con una mejor economía de tokens para compensar los costes de IA.

Así que llegan los tokens más baratos, y la factura sigue subiendo, porque el trabajo que una organización pide a la IA crece más rápido de lo que baja el precio.

Hacia dónde empuja esto a las empresas

La respuesta sensata es la que muchos directores financieros ya están adoptando: enviar a los modelos más avanzados solo el trabajo que los necesita, y ejecutar el volumen rutinario en modelos más pequeños, a menudo de peso abierto, alojados de forma privada o en el propio hardware de la empresa. Gartner denomina el resultado «ecosistemas multimodelo complejos». En la práctica, significa que dentro de uno o dos años, la IA que utilice su empresa será varios modelos a la vez, que cambiarán cada pocos meses a medida que evolucionen los precios y las capacidades.

Esa es una decisión de costes razonable con una consecuencia incómoda.

Un pequeño modelo local no sabe nada de su empresa. No ha leído los documentos de su consejo, no estuvo presente en la decisión sobre precios del año pasado, y su memoria de trabajo es corta. Todo lo que necesite saber, algo tiene que proporcionárselo. Lo mismo ocurre con el modelo más avanzado que alquila para las preguntas difíciles, y con cualquier modelo que sustituya a ambos la próxima primavera.

La memoria se convierte en la parte que tiene que permanecer fija

Cuando el modelo cambia cada trimestre, la memoria de la organización no puede residir dentro de ninguno de ellos, ni dentro del historial de chat de un proveedor. Tiene que estar en algún lugar que la empresa posea, en una forma que cualquier modelo pueda leer.

Por eso la memoria organizativa pasa de ser una buena idea a ser un requisito indispensable. Es la única parte del sistema que tiene que sobrevivir al modelo.

También tiene que ser el tipo de memoria adecuado. Un montón de todas las transcripciones y de todos los resultados de los agentes no es una memoria; es una versión más grande del problema. Para un consejo, una memoria útil tiene cuatro propiedades:

  • Una persona la ha confirmado. El borrador de un agente es un borrador hasta que alguien que no lo escribió dice que es correcto.
  • Señala su fuente. Una respuesta sobre la subida de precios del año pasado debería venir acompañada del documento y del acta en los que se basa.
  • La organización la conserva, no los datos de entrenamiento de un modelo ni la cuenta de un antiguo empleado.
  • Cualquier modelo puede leerla, a través de un estándar abierto como el Model Context Protocol, de modo que cambiar de modelo no implica reconstruir lo que ya se sabe.

Qué puede preguntar un consejo ahora

Tres preguntas merecen unos minutos en la próxima reunión.

¿Dónde reside el razonamiento detrás de nuestras últimas tres decisiones importantes, y quién podría recuperarlo si la persona que hizo el trabajo se marchara mañana?

Si cambiáramos de proveedor de IA el próximo trimestre, ¿qué perderíamos?

Cuando un agente añade algo a nuestro registro, ¿quién lo confirma antes de que nos basemos en ello?

Si las respuestas son incómodas, la solución no necesita una nueva herramienta de IA. Necesita un lugar para la memoria, y una norma según la cual una persona confirme lo que entra en ella.

Este es el problema que creamos Boardverse para resolver: su equipo conserva la IA que ya utiliza, y el registro confirmado permanece con la empresa, legible por el modelo que elija a continuación.

Fuentes: Gundlach, Lynch, Mertens y Thompson, MIT FutureTech, The Price of Progress. BenchLM Token Price Index, octubre de 2026. Gartner, 25 de marzo de 2026 y 17 de agosto de 2026.