El gasto empresarial en IA alcanza los 177.000 millones de dólares en 2026: 5 señales de que los agentes están transformando el mercado de consumo de API

Nota del autor: análisis del informe de Menlo Ventures sobre la IA empresarial en 2026, que explica cómo los agentes están cambiando el consumo de modelos: de «personas que hacen preguntas» a «máquinas que ejecutan tareas de forma continua». También examina el impacto en las llamadas a la API, la concurrencia y la estructura de compras.

El 3 de noviembre de 2026, Menlo Ventures publicó el informe «The State of Enterprise AI». El informe estima que el gasto empresarial en IA durante 2026 fue de unos 177.000 millones de dólares (la cifra original es de 176.800 millones), unas 5,4 veces los 33.000 millones de dólares de 2025. Aún más llamativo es que las empresas gastaron, de media, unas 2,5 veces más de lo que habían previsto.

No se trata de otra generalización sobre lo grande que es el mercado de la IA. El informe se basa en una encuesta a casi 400 responsables de decisiones de empresas estadounidenses y cita datos sobre tokens de OpenRouter. Ambos apuntan al mismo cambio: la principal fuente de crecimiento del gasto ya no es que «más personas hagan preguntas a la IA», sino que «los agentes trabajen de forma continua en lugar de las personas».

Qué encontrarás aquí: un repaso a las cifras clave del gasto empresarial en IA y de los agentes, una explicación de por qué estos cambian el consumo de tokens y las llamadas a la API, y un análisis de lo que deben preparar con antelación quienes desarrollan y adquieren API.

Datos clave sobre el gasto empresarial en IA en 2026

Empecemos por las cifras. Todos los datos de la siguiente tabla proceden de estimaciones de mercado de Menlo Ventures; no representan pagos empresariales auditados ni los ingresos de un proveedor concreto de modelos.

Que «el gasto en uso de IA supere al gasto en construcción de modelos» marca un punto de inflexión. Antes, al hablar de la industria de la IA, el foco estaba en el entrenamiento y la capacidad de cómputo. Ahora, las empresas gastan más en los servicios que permiten que los modelos hagan su trabajo. También hay que tener en cuenta que este «gasto en uso» incluye infraestructura, suscripciones a aplicaciones, API y otras modalidades; no puede equipararse directamente a los ingresos del mercado de API.

Por esas mismas fechas, el 4 de noviembre, el presidente de OpenAI, Greg Brockman, afirmó en la conferencia tecnológica del WSJ que más de la mitad de los ingresos de OpenAI ya procedían del negocio empresarial. Esta cifra describe la composición de los ingresos de la propia OpenAI. Es una medida distinta del «31% del gasto empresarial en API» que Menlo atribuye a OpenAI, por lo que no deben compararse como si fueran equivalentes.

Por qué el gasto empresarial en IA supera el presupuesto: la intensidad de uso importa más que el número de usuarios

La desviación en los presupuestos de IA empresarial

El dato más sorprendente del informe es la desviación presupuestaria. A principios de año, las empresas subestimaron en general la velocidad a la que crecería su gasto en IA:

La media es más del doble que la mediana, lo que indica que unas pocas empresas que usan la IA de forma intensiva elevaron el gasto general. La tasa de adopción solo subió 10 puntos porcentuales, pero el gasto medio por empresa se multiplicó casi por cinco. Así que el crecimiento se debe principalmente no a que más empresas empezaran a usar IA, sino a que las que ya la usaban lo hicieron de forma cada vez más intensiva.

El gasto empresarial en IA está creando nuevas partidas presupuestarias

En cuanto al origen de los fondos, Menlo estima que alrededor del 55 % del gasto adicional en IA procede de presupuestos nuevos y cerca del 22 %, del presupuesto existente para software. Es decir, la IA no solo está sustituyendo al SaaS tradicional: también está creando categorías de compra que antes no existían. Para los responsables de compras, la IA ha dejado de ser parte del «gasto en herramientas de TI» y se ha convertido en un costo operativo que necesita gestionarse por separado.

Cómo cambian los agentes el consumo de API: de preguntar a ejecutar

Diferencias entre las llamadas de un chatbot y las de un agente

La causa directa de que el presupuesto se dispare es el cambio en el patrón de llamadas. Un chatbot convencional funciona, en esencia, con una pregunta y una respuesta: el usuario envía un mensaje y el modelo devuelve un resultado. El consumo de tokens es aproximadamente proporcional al número de preguntas. Un agente, en cambio, recibe un objetivo, divide el trabajo, llama a herramientas, comprueba los resultados y vuelve a iterar. Una sola tarea puede implicar decenas de invocaciones del modelo.

📊 Sobre el gráfico: el flujo del agente multimodelo de la derecha puede usar modelos distintos para planificar, ejecutar y validar. Si quieres comprobar esta estructura de llamadas por tu cuenta, puedes usar una sola clave en APIYI apiyi.com para alternar entre modelos de distintos proveedores y compararlos.

El consumo de tokens depende del volumen de tareas

A partir de datos de OpenRouter, Menlo observó que los agentes ya representan alrededor del 80 % del consumo total de tokens de la plataforma: unos 130,9 billones de tokens por semana. Desde que el tráfico de agentes superó al tráfico impulsado por personas en febrero de 2026, el primero ha crecido unas 37 veces, mientras que el segundo solo ha crecido unas 5 veces en el mismo período.

Los usuarios de OpenRouter son principalmente desarrolladores y empresas emergentes, por lo que estos datos no representan a toda la industria, aunque la tendencia coincide con otras señales. El informe empresarial de OpenAI de 2025 muestra que el consumo medio de tokens de inferencia de la API empresarial por organización creció unas 320 veces interanuales. Un artículo de Axios sobre Codex también señala que más del 60 % de los usuarios ejecutan varias tareas a la vez en algún momento del día. Estos datos indican que el consumo de tokens está pasando de depender de las personas a depender de las tareas.

Hacia dónde va el gasto empresarial en IA: por qué lideran la programación y los chatbots

Distribución del gasto en aplicaciones de IA

En un mercado de aplicaciones de IA de unos 77.300 millones de dólares, el gasto está muy concentrado:

La concentración es aún mayor en programación. Menlo estima que Claude Code y Codex representan juntos unos 24.000 millones de dólares del mercado de aplicaciones de programación, cerca del 70 %. Que la programación haya sido el primer campo donde el modelo de agentes ha funcionado en la práctica está directamente relacionado con tres condiciones.

Tres condiciones para implementar agentes con éxito

1. Un entorno donde puedan ejecutar acciones: los agentes necesitan acceso a GitHub, correo electrónico, calendarios, Slack, documentos empresariales y bases de datos. La capacidad de razonamiento por sí sola, sin herramientas, no basta para completar tareas reales.
2. El contexto completo de la tarea: además de la pregunta del usuario, necesitan conocer las normas de la empresa, los procesos de negocio, el historial del proyecto, las restricciones operativas y los criterios de éxito.
3. Resultados verificables: un compilador puede determinar si el código se puede compilar, y las pruebas pueden comprobar si una función opera correctamente. Esta es una razón clave por la que los agentes de programación llevan la delantera. En cambio, los resultados de tareas de investigación y búsqueda son más difíciles de verificar de forma objetiva.

El tercer punto también explica el riesgo de costos de los agentes. En ámbitos donde los resultados son difíciles de verificar, un agente puede consumir muchos tokens y aun así llegar a conclusiones erróneas. Axios informó sobre el caso del profesor de Stanford Andrew Hall, quien usó Claude Code para actualizar un artículo académico antiguo. Una revisión manual posterior detectó errores tanto en la recopilación de datos como en el procesamiento del código.

Análisis del impacto de los agentes en el mercado de consumo de API

Impacto en los desarrolladores de API

• Hay que recalcular los costos: estimar el presupuesto de API según «número de usuarios × precio unitario» ya no es preciso. Conviene hacerlo según «número de tareas × promedio de rondas de invocación × longitud del contexto».
• Se necesitan límites de presupuesto: los agentes que funcionan en segundo plano deben tener un límite de tokens por tarea, un número máximo de iteraciones y un mecanismo de interrupción ante fallos. De lo contrario, pueden darse casos como el aumento del gasto empresarial de 1,9 a 4,7 veces el presupuesto.
• La combinación de modelos se vuelve habitual: usar un modelo potente para planificar, uno económico para la ejecución por lotes y un modelo de otro proveedor para la verificación cruzada puede reducir considerablemente el costo por tarea.

Impacto en los proveedores de servicios de API

Los cambios en la demanda que traen los agentes se pueden agrupar en cinco categorías. Cada una exige capacidades distintas a los proveedores:

💡 Recomendación: si tu flujo de trabajo con agentes necesita combinar modelos de varios proveedores, puedes empezar por probar un prototipo en APIYI apiyi.com con una interfaz compatible con OpenAI. La facturación por uso facilita el cálculo del costo real de cada etapa.

Una mirada objetiva: el gasto empresarial en IA no equivale a ingresos por API

La conclusión de que «cuantos más agentes haya, mayores serán necesariamente los ingresos de los proveedores de API» no se sostiene, por tres razones:

• Una gran parte de los 176.800 millones de dólares corresponde a infraestructura y suscripciones a aplicaciones, no a tarifas por invocaciones de API.
• Los precios siguen bajando. La proporción de tokens utilizados por modelos de código abierto ya ha subido al 19 %, pero su proporción del gasto es de apenas el 4 %. Esto indica que un mayor volumen de tokens no necesariamente se traduce en un crecimiento equivalente de los ingresos.
• La caché, el procesamiento por lotes y el enrutamiento entre modelos reducen el costo unitario. En última instancia, la competencia se decide por la estabilidad y la tasa de éxito de las tareas, no solo por el volumen de tokens vendidos.

Cómo crear un flujo de trabajo de Agent multimodelo con una API

Ejemplo mínimo

Este código muestra las dos invocaciones básicas de un Agent: «planificación → ejecución». Sustituye los nombres de los modelos por los disponibles en la consola de la plataforma:

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

plan = client.chat.completions.create(
    model="YOUR_PLANNER_MODEL",
    messages=[{"role": "user", "content": "把“整理本周销售周报”拆成 3 个步骤"}]
).choices[0].message.content

result = client.chat.completions.create(
    model="YOUR_EXECUTOR_MODEL",
    messages=[{"role": "user", "content": f"按以下步骤执行并输出结果：\n{plan}"}]
)
print(result.choices[0].message.content, result.usage.total_tokens)

import time
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1",
)

MODELS = {
    "planner": "YOUR_PLANNER_MODEL",    # Modelo con gran capacidad de razonamiento, encargado de desglosar la tarea
    "executor": "YOUR_EXECUTOR_MODEL",  # Modelo económico, encargado de la ejecución por lotes
    "checker": "YOUR_CHECKER_MODEL",    # Modelo de otro proveedor para la validación cruzada
}
TOKEN_BUDGET = 50_000   # Límite de tokens por tarea
MAX_ROUNDS = 3          # Número máximo de iteraciones

used_tokens = 0

def call(role: str, prompt: str, retries: int = 3) -> str:
    global used_tokens
    if used_tokens >= TOKEN_BUDGET:
        raise RuntimeError("超出单任务 Token 预算，熔断")
    for i in range(retries):
        try:
            resp = client.chat.completions.create(
                model=MODELS[role],
                messages=[{"role": "user", "content": prompt}],
            )
            used_tokens += resp.usage.total_tokens
            return resp.choices[0].message.content
        except Exception as e:
            time.sleep(2 ** i)  # Espera exponencial entre reintentos
            last_err = e
    raise last_err

def run_agent(goal: str) -> str:
    plan = call("planner", f"将目标拆成可执行步骤：{goal}")
    output = call("executor", f"按步骤执行：\n{plan}")
    for _ in range(MAX_ROUNDS):
        verdict = call("checker", f"检查结果是否满足目标“{goal}”，"
                                  f"合格只回复 PASS，否则指出问题：\n{output}")
        if verdict.strip().startswith("PASS"):
            break
        output = call("executor", f"根据反馈修正：\n{verdict}\n原结果：\n{output}")
    print(f"本任务共消耗 Token：{used_tokens}")
    return output

print(run_agent("整理本周销售数据并写一份 300 字摘要"))

Este código refleja varios puntos mencionados antes: cada tarea requiere al menos 3 invocaciones, los tres roles usan modelos diferentes y el presupuesto de tokens y el límite de iteraciones ayudan a mantener los costos bajo control.

🚀 Inicio rápido: te recomendamos obtener primero el saldo gratuito de prueba en APIYI apiyi.com, probar distintos modelos para cada uno de los tres roles y registrar los datos de usage antes de decidir qué combinación usar en producción.

Preguntas frecuentes (FAQ)

Gasto empresarial en IA y agentes: puntos clave

• Escala: Menlo estima que el gasto empresarial en uso de IA en 2026 ronda los 176.800 millones de dólares, unas 5,4 veces más que el año anterior.
• Desviación presupuestaria: el gasto real medio de las empresas fue 4,7 veces el del año anterior, aunque solo habían previsto multiplicarlo por 1,9.
• Origen del crecimiento: procede principalmente de un uso más intensivo en empresas que ya habían adoptado la IA, no de un aumento de la adopción.
• Mecanismo de invocación: los agentes vinculan el consumo de tokens al volumen de tareas, el grado de paralelismo y la duración de la ejecución.
• Condiciones para la implementación: se necesitan un entorno de ejecución, contexto completo y resultados verificables. Por eso, la programación lleva la delantera.
• Evaluación realista: el gasto empresarial en IA no equivale a los ingresos por API, y el crecimiento de tokens tampoco equivale al crecimiento interanual de los ingresos.
• Cómo empezar: con APIYI apiyi.com se pueden combinar modelos de distintos proveedores con una sola clave API y calcular el costo de tareas reales.

Resumen

Hay tres cambios fundamentales en el gasto empresarial en IA en 2026:

1. De las personas a las tareas: el consumo de modelos está pasando de las «preguntas humanas» a la «ejecución continua por parte de agentes».
2. De gasto en herramientas a presupuesto independiente: más de la mitad del gasto adicional proviene de nuevos presupuestos. La IA se está convirtiendo en un costo operativo que se gestiona por separado.
3. De vender tokens a vender fiabilidad: la competencia entre servicios de API se centrará cada vez más en la estabilidad, la concurrencia, el cambio entre modelos y la supervisión del consumo.

Para desarrolladores y responsables de compras, lo más útil ahora es calcular el «costo por tarea» con tareas reales, en lugar de estimar el presupuesto según el número de personas. Una opción es usar APIYI apiyi.com para crear rápidamente un prototipo de agente con varios modelos y fundamentar el presupuesto de IA del año siguiente en datos reales de usage.

📚 Referencias

1. Menlo Ventures – 2026 The State of Enterprise AI: principal fuente de datos de este artículo
2. Enlace: menlovc.com/perspective/2026-the-state-of-enterprise-ai

3. Descripción: incluye datos sobre gasto empresarial en IA, cuotas de API, agentes en OpenRouter y metodología de la investigación

4. Reuters – Brockman sobre los ingresos empresariales de OpenAI: más de la mitad de los ingresos de OpenAI provienen de empresas

5. Enlace: reuters.com/legal/transactional

6. Descripción: noticia del 5 de noviembre de 2026. Ten en cuenta que esta cifra y la cuota de API de Menlo utilizan criterios distintos

7. OpenAI – The State of Enterprise AI 2025: datos de referencia sobre el uso empresarial

8. Enlace: openai.com/business/guides-and-resources/the-state-of-enterprise-ai-2025-report

9. Descripción: incluye datos históricos, como el aumento interanual de aproximadamente 320 veces en el consumo de tokens de inferencia por organización

10. Axios – Office workers drive OpenAI’s Codex growth: ejecución paralela de tareas y supervisión de agentes

11. Enlace: axios.com/2026/06/02/openai-codex-knowledge-workers
12. Descripción: datos de junio de 2026, útiles para conocer cómo usan los agentes los trabajadores del conocimiento

Autor: equipo técnico de APIYI
Intercambio técnico: si tienes preguntas prácticas sobre flujos de trabajo con agentes e invocación de múltiples modelos, contáctanos a través de la página principal de APIYI apiyi.com