Cualquier conversación sobre la fijación de precios en IA acaba reduciéndose a cuatro variantes prácticas: por token, por resultado, por agente y por puesto con un fondo de créditos. Los proveedores las presentan como filosofías fundamentalmente diferentes. En la práctica, ofrecen soluciones para distintas combinaciones de previsibilidad, protección del margen y comprensión por parte del comprador. La elección correcta no es necesariamente la más sofisticada, sino aquella que se adapta a la economía unitaria de tu negocio y al patrón de compra de tus clientes.
Se trata de una comparación de modelos de fijación de precios basados en IA, no de una clasificación. Cada modelo funciona en algunos casos y falla en otros. Sigue leyendo para descubrir en qué situaciones encaja cada uno, cuánto te cuesta cuando no funciona y cómo plantearte las combinaciones híbridas que acaban utilizando la mayoría de los productos de IA para empresas.
Precio por token
Con la tarificación por token, el cliente paga una tarifa por cada token procesado, normalmente con tarifas distintas para los tokens de entrada y de salida. Este es el modelo más sencillo de explicar a un comprador con conocimientos técnicos. Está directamente vinculado al coste de la infraestructura. Es el estándar para las API de IA dirigidas a desarrolladores. OpenAI, Anthropic, Cohere y todos los demás proveedores importantes de modelos de lenguaje a gran escala (LLM) utilizan alguna variante de este modelo.
La contrapartida es la comprensión por parte del comprador. Los compradores empresariales no saben qué es un token y no pueden prever su gasto en un producto cuyo precio se establece en tokens. Eso no supone ningún problema cuando el comprador es un desarrollador que trabaja con tu API. Sin embargo, sí lo es cuando el comprador es un equipo financiero que intenta elaborar el presupuesto anual.
El modelo «por token» funciona cuando: tu comprador tiene conocimientos técnicos, tu producto es una API o una herramienta para desarrolladores, y tus sistemas de monitorización de clientes son lo suficientemente buenos como para que estos puedan medir su propio consumo. El modelo «por token» falla cuando: vendes a compradores empresariales sin conocimientos técnicos que quieren una cifra anual predecible, o cuando tus costes de inferencia varían de un mes a otro y no dispones de un mecanismo para reajustar los precios sin tener que renegociar los contratos.
Fijación de precios por resultado
El cliente solo paga cuando la IA completa con éxito una tarea definida: una consulta desviada, un cliente potencial cualificado o un caso de fraude detectado. Es el modelo de precios que mejor se ajusta al valor. La disposición a pagar es máxima cuando el resultado es cuantificable y claramente atribuible.
La realidad operativa es más complicada que el discurso de venta. El éxito debe definirse con la precisión suficiente para poder ser auditado. La atribución debe resistir una reclamación del cliente. El sistema de facturación debe valorar los resultados variables y retener los ingresos hasta que se confirme el resultado. Ejemplos públicos en los que esto funciona: Intercom Fin (por resolución de ticket), Riskified (por transacción aprobada) y Decagon (por resolución de conversación). Lo que tienen en común es una señal de éxito clara que genera el propio sistema de IA y que el cliente puede verificar.
El modelo «por resultado» funciona cuando: el resultado es discreto, medible a nivel de evento y generado por un sistema, en lugar de por el criterio humano. El modelo «por resultado» falla cuando: la definición del resultado no resiste un debate sobre la atribución, cuando los clientes discuten qué se considera un éxito o cuando tu plataforma no permite retener los ingresos en función de resultados pendientes. El reconocimiento de ingresos para la fijación de precios basada en resultados se rige por la contraprestación variable de la norma ASC 606, con riesgo de reversión en los resultados no confirmados, lo que constituye uno de los tratamientos contables más complejos de la normativa.
Tarifas por agente
El cliente paga por cada instancia de agente o por cada tarea del agente, normalmente con un mínimo mensual. Este modelo funciona cuando el agente es una unidad de valor independiente que el cliente puede atribuir a un proceso específico. En cuanto a complejidad operativa, se sitúa a medio camino entre el modelo «por resultado» (que requiere el éxito) y el modelo «por puesto» (que no depende del uso).
La variante práctica que está ganando terreno es la de «por agente y tarea»: se cobra por cada unidad de trabajo que realiza el agente, con un alcance definido de lo que constituye una tarea. Los distintos agentes pueden tener tarifas diferentes en función de su función: agente de desarrollo de ventas, agente de atención al cliente, agente de compras. Cada uno tiene su propio coste unitario y su propio precio.
El modelo «por agente» funciona cuando: los agentes realizan unidades de trabajo discretas que se corresponden con procesos identificables del cliente, y este puede atribuir el uso a resultados específicos sin necesidad de una estructura de facturación «por resultado». El modelo «por agente» falla cuando: los agentes trabajan en bucles o ciclos asíncronos que no se corresponden claramente con una unidad cuantificable, o cuando el consumo del cliente experimenta picos que no puede prever. Algunos proveedores también utilizan el modelo «por agente» como precio de entrada, al que añaden un recargo «por resultado», lo que combina la previsibilidad de una base de suscripción con la alineación de valor propia del modelo basado en resultados.
Por plaza con un fondo común de créditos
Cada licencia contribuye a un fondo común de créditos de uso de IA. Este fondo se va agotando cada vez que un usuario ejecuta una acción de IA. Cuando el fondo se agota, se activan las recargas automáticas o las mejoras de plan. GitHub Copilot Business, Notion AI, Miro AI y Figma AI utilizan variantes de este sistema.
La lógica comercial radica en que mantiene el modelo de compra por licencia al que la empresa está acostumbrada, al tiempo que introduce un componente de consumo que se adapta al grado real de adopción de la IA. Resuelve el problema de «hemos vendido licencias a una empresa en la que la mitad de los usuarios nunca utilizan la IA», ya que el fondo común de créditos absorbe las diferencias entre los distintos usuarios.
El modelo «por puesto» con un fondo común de créditos funciona cuando se dispone de un acuerdo comercial basado en puestos que se desea mantener y cuando el uso varía significativamente entre los usuarios, de modo que un modelo de fondo común ofrece una media equitativa. Este modelo falla cuando el comprador es un equipo pequeño en el que el uso se concentra en un puñado de usuarios (el fondo común no protege los márgenes porque la mayoría de los puestos no consumen), o cuando la complejidad de la contabilidad de créditos supera lo que tu plataforma de facturación puede gestionar sin necesidad de una conciliación manual. La contabilización se basa en los ingresos diferidos para la emisión de créditos y en el reconocimiento basado en el consumo para la utilización de los mismos, lo cual está bien establecido según la norma ASC 606, pero requiere que la correspondencia entre créditos y costes esté documentada y sea coherente.
Dónde aterrizan realmente los híbridos
La mayoría de los productos de IA para empresas acaban siendo híbridos. Las dos combinaciones más habituales son:
- Suscripción más consumo adicional. El cliente paga una suscripción mensual que incluye una asignación básica de uso de IA. El consumo adicional se factura a una tarifa por unidad. Ingresos básicos predecibles, con potencial de crecimiento a medida que aumenta la adopción. Este es el modelo predeterminado de oferta SaaS para empresas aplicado a la IA.
- Puestos más fondo común de créditos más componentes basados en resultados. Una suscripción por puestos para el producto básico, un fondo común de créditos compartido que regula el uso de las funciones de IA y un cargo basado en resultados para un conjunto concreto de tareas de IA de alto valor. Es complejo de configurar. Además, este modelo se adapta a la más amplia variedad de patrones de compra de los clientes, razón por la cual los productos de IA para empresas suelen optar por esta opción.
La decisión subyacente de la plataforma es la restricción que determina si el modelo híbrido es viable. Un motor de facturación que no permite aplicar varias tarifas en una misma factura obliga a la empresa a optar por un modelo más sencillo que el que el mercado considera más rentable. Esa limitación de la plataforma es una de las razones más habituales por las que las estrategias de monetización basadas en la IA se diluyen entre el diseño de precios y el contrato con el cliente.
Cómo elegir un modelo de fijación de precios para la IA
La elección no es «cuál de estas opciones es la mejor», sino «cuál de ellas se ajusta a la rentabilidad de nuestra unidad y al patrón de compra de nuestros clientes». Tres preguntas te ayudarán a llegar casi hasta el final.
En primer lugar, ¿cómo es el coste unitario? La economía unitaria por transacción determina qué modelo permite fijar el precio sin mermar el margen. Si tu coste unitario es elevado y variable, los modelos «por resultado» o «por tarea del agente» te ofrecen la relación más estrecha entre precio y coste. Si tu coste unitario es bajo y predecible, el modelo «por puesto» con un fondo de créditos absorbe la variación sin que tengas que fijar el precio de cada evento.
En segundo lugar, ¿quién es tu comprador? Los compradores técnicos pueden prever el gasto por token. Los compradores empresariales, no. Si el comprador pertenece al departamento de finanzas o de compras, el modelo debe ofrecer una cifra que puedan tener en cuenta a la hora de elaborar el presupuesto.
En tercer lugar, ¿qué es lo que admite realmente tu plataforma? El modelo de precios más defendible que tu plataforma no pueda calcular tiene menos valor que el segundo mejor modelo que pueda calcular sin problemas. Insiste en la cuestión de la plataforma antes de comprometerte con la cuestión de los precios.
Para consultar el marco completo que abarca los nueve modelos de monetización de la IA y cómo desarrollar la estrategia previa a la elección del modelo, visita billingplatform.com/ai-monetization.
BillingPlatform evalúa todos los modelos anteriores basándose en un único motor, sin código de integración entre la facturación por suscripción, por uso, por crédito y por resultados. Descubre cómo funciona en billingplatform.com.
