Cuánto cuesta de verdad un proyecto de ingeniería de IA en 2026

Pregunta cuánto cuesta construir una funcionalidad de IA en 2026 y recibirás una respuesta con forma de demo: una clave de API, un fin de semana, unos cientos de dólares en tokens. La respuesta honesta empieza donde termina la demo. El estudio del MIT The GenAI Divide: State of AI in Business 2025 puso cifras a esa distancia: sobre una inversión corporativa en GenAI estimada en 30.000–40.000 millones de dólares, el 95% de los pilotos no mostró impacto medible en la cuenta de resultados. Diecinueve de cada veinte pilotos gastaron el dinero sin que el CFO llegara a ver ningún retorno.

Esa estadística se cita como argumento contra los presupuestos de IA. Leída con atención, es un argumento sobre dónde va el presupuesto: el 95% que falló pagó, sobre todo, por la parte que nunca fue la difícil. Así que antes de aprobar una partida de IA, conviene saber qué cuesta el proyecto completo — fase a fase, incluyendo las líneas que no aparecen en el deck del piloto.

La demo es el artefacto más barato que vas a producir

El modelo es una commodity que alquilas por token. Lo que estás presupuestando es el andamiaje que rodea al modelo — y ese andamiaje es ingeniería, no magia:

• Retrieval que aporte el contexto correcto, medido, no supuesto
• Evals — la suite de regresión que te dice que un cambio de prompt o de modelo no rompió el comportamiento del mes pasado
• Guardrails: validación de esquemas, fallbacks, timeouts, topes de presupuesto
• Observabilidad para un componente que falla de forma probabilística, sin lanzar un error evidente
• Trabajo de compliance, si tu funcionalidad toca contratación, crédito, salud o cualquier otra cosa que el Reglamento europeo de IA considere de riesgo

Un prototipo de fin de semana no incluye nada de esto. Producción lo exige todo. Esa es la razón mecánica de que tantos pilotos se atasquen: el presupuesto del piloto compró una demostración, y el sistema de producción es una compra distinta y más grande. El argumento económico lo desarrollamos en la economía de los modelos fundacionales; aquí le pondremos rangos.

Personas: la prima existe, pero es una prima — no un misterio

El talento de ingeniería de IA cotiza por encima de las tarifas estándar. En Estados Unidos, los especialistas freelance en IA con experiencia facturan 200–300 $/hora (ZipRecruiter), frente a 80–130 $/hora de un senior generalista. En mercados nearshore, los datos de Revelo para 2026 sitúan la prima de IA/ML en un 15–25% sobre las tarifas estándar — un ingeniero LLM senior en Latinoamérica queda en la banda de 50–95 $/hora, trabajando en tu franja horaria.

Para una primera funcionalidad realista en producción — un ingeniero que se encargue de la integración LLM y responda de ella, un ingeniero backend, una fracción de product owner — estás dotando 2-3 personas durante un trimestre, no un escritor de prompts durante un sprint. A tarifas de Estados Unidos, eso es un trimestre de 250.000–400.000 $; en nearshore, el mismo squad sale un 26–71% más barato, la misma aritmética que gobierna cualquier otra decisión sobre el coste de contratar desarrolladores — la prima viaja con la tarifa sobre la que se asienta.

Para hacerlo concreto: una funcionalidad de automatización de soporte que consideraríamos típica — retrieval sobre tu centro de ayuda y el histórico de tickets, una capa de generación con fallbacks, evals que validan cada release — es un squad de un ingeniero LLM, un backend y medio product owner durante 12-14 semanas hasta producción, y después una fracción estable más pequeña. Si lo dotas más justo de lo debido, lo primero que se recorta es el andamiaje — que es como un piloto acaba degradándose otra vez en una demo sin que nadie lo haya decidido.

El error a evitar no es pagar la prima. Es pagarla por las competencias equivocadas — por eso escribimos una guía aparte sobre qué evaluar de verdad al contratar ingenieros LLM.

Inferencia: el único coste que crece porque tuviste éxito

El software clásico tiene coste marginal casi nulo; las funcionalidades de IA te facturan por petición, para siempre. La inferencia es un coste de ventas, y escala con la adopción — cuanto mejor funciona tu funcionalidad, más grande la factura. Una funcionalidad que procesa 100.000 peticiones al día a unos céntimos cada una es una partida anual de seis cifras que no existía en tu economía unitaria pre-IA.

Tres palancas mueven el número más que la elección de modelo:

1. Caché. El prompt caching y la reutilización de respuestas recortan la mitad o más del gasto en tokens en cargas repetitivas.
2. Enrutado. Mandar el 80% fácil de las peticiones a un modelo un escalón por debajo, reservando el modelo frontera para el 20% difícil.
3. Disciplina de salida. Las salidas verbosas cuestan linealmente; las salidas estructuradas y acotadas son una decisión de presupuesto, no de estilo.

Presupuesta la inferencia como coste de ventas desde el primer día, con un objetivo por petición. Los equipos que no descubren esta partida hasta el sexto mes se la encuentran ya convertida en crisis.

Las líneas que nadie pone en el deck del piloto

Cuatro costes separan al 5% que llegó a producción del 95% que no, y ninguno parece «IA»:

• Evals. Construir el golden dataset y la suite de regresión se mide en semanas de ingeniería, y es lo único que te separa de desplegar regresiones a ciegas. Saltárselo no elimina el coste; lo traslada a incidentes de producción.
• Trabajo reactivo aguas abajo. El análisis de Entelligence sobre más de un millón de pull requests encontró que solo 0,18 $ de cada dólar de programación con IA llega a los usuarios como funcionalidad nueva — el resto se fue en revisión, retrabajo y mantenimiento alrededor del código generado. Desmontamos ese número aquí; el patrón se repite en todo lo demás: generar salida de IA es barato, absorberla no lo es.
• Compliance. Si la funcionalidad toca una decisión regulada, las obligaciones de deployer bajo el Reglamento europeo de IA — documentación, supervisión, transparencia — son trabajo de ingeniería con fecha límite. Cinco preguntas te dicen si te aplica.
• Deriva y mantenimiento. Los modelos se deprecan, los prompts se pudren, los corpus de retrieval envejecen. Planifica una fracción estable del equipo que lo construyó — ni cero, ni el equipo entero — mientras la funcionalidad viva.

Tres formas de comprarlo, y qué incluye cada número

Las tres son compras legítimas; compran cosas distintas, y los datos del MIT añaden un hecho útil a la elección: las herramientas construidas externamente llegaron a despliegue aproximadamente el doble de veces que las construidas en casa. El contexto y la velocidad le ganan a la pureza del organigrama. Para que conste: nuestro modelo es la tercera fila — un squad con match en 72 horas, trabajando dentro de tu código y no junto a él.

Cómo presupuestar una funcionalidad de IA sin mentirte

1. Pon precio al sistema de producción, no al piloto. Toma la estimación de la demo y añade evals, guardrails, observabilidad y compliance como líneas con nombre. Si el total no se acerca al triple, falta algo.
2. Fija un objetivo de inferencia por petición antes del lanzamiento. Trátalo como coste de ventas: un número, un responsable, un panel.
3. Presupuesta el andamiaje, no el prompt. La competencia escasa es conseguir que un componente probabilístico se comporte dentro de un sistema determinista.
4. Decide la fracción de mantenimiento por adelantado. Una funcionalidad de IA sin propiedad estable es una cola de regresiones con fecha de lanzamiento.
5. Acota el piloto en el tiempo y define su salida. El GenAI Divide está lleno de pilotos que nunca se diseñaron para convertirse en otra cosa. Un piloto sin presupuesto de producción asociado es una demo con mejores diapositivas.

El resumen

Una primera funcionalidad de IA creíble en producción cuesta un trimestre de 2-3 ingenieros senior (250.000–400.000 $ a tarifas de EE. UU., un 26–71% menos en nearshore), más una línea de inferencia que escala con el éxito, más las evals, el compliance y el mantenimiento estable que la demo nunca te enseñó. El 95% que no encontró retorno no compró, en general, la tecnología equivocada — compró un tercio del sistema y esperó que el resto apareciera solo.

Si los dos tercios que faltan son la parte para la que necesitas manos, es lo que desplegamos: ingenieros LLM senior, enfocados a producción, con match en 72 horas. Aquí tienes cómo contratarlos.