La inteligencia artificial generativa prometió a los equipos de marketing una nueva era de producción casi ilimitada: más creatividades, más copies, más landings, más segmentaciones, más test A/B, más contenido SEO, más análisis de campañas y más personalización. Durante la primera fase, esa promesa pareció barata. Bastaba una suscripción mensual, un copiloto creativo o una API integrada en el stack de marketing para multiplicar la producción.
Ahora llega la segunda fase, bastante menos vistosa: calcular cuánto cuesta realmente cada campaña cuando la IA deja de ser una herramienta ocasional y se convierte en una capa permanente de trabajo. El problema no está solo en el precio por millón de tokens. Está en el coste por tarea, por activo creativo útil, por informe accionable, por variante probada y por conversión incremental.
El lanzamiento de Gemini 3.5 Flash muestra bien el cambio. Google lo presenta como un modelo rápido y eficiente, pero Artificial Analysis ha medido que ejecutar su índice completo cuesta 1.552 dólares, 5,5 veces más que Gemini 3 Flash y un 75 % más que Gemini 3.1 Pro. La razón no es solo la tarifa por token, sino el aumento de uso de tokens y de turnos en evaluaciones agénticas. Para marketing, esa palabra, “agénticas”, es la que debería encender todas las alarmas.
Del coste por token al coste por campaña
Durante mucho tiempo, los equipos de marketing han pensado en costes conocidos: coste por clic, coste por lead, coste por adquisición, coste por impresión, coste por envío o coste por pieza creativa. La IA introduce una nueva unidad económica: el coste de inferencia. Cada briefing, cada documento de contexto, cada prompt, cada variante de anuncio, cada resumen de datos y cada output generado consume tokens.
En una prueba aislada el gasto parece pequeño. En una operación real de marketing puede crecer muy rápido. Un agente que analiza competidores, revisa datos de campañas, genera 50 variantes de anuncios, adapta copies por canal, propone landings, resume conversaciones de clientes y crea informes semanales no consume como un chatbot. Consume como una pequeña fábrica de contenido y análisis.
La diferencia es importante porque muchas empresas han incorporado IA como si fuera una extensión barata del software de productividad. Pero cuando se integra en CRM, automatización de marketing, analítica, atención al cliente, creación de contenido y SEO, el consumo deja de ser anecdótico. La IA pasa de “herramienta creativa” a coste operativo.
| Métrica clásica de marketing | Nueva lectura con IA |
|---|---|
| Coste por pieza creativa | Coste por pieza útil después de iteraciones, revisión y descarte |
| Coste por lead | Coste total de captación más inferencia usada en segmentación, personalización y nurturing |
| Coste por campaña | Medios, herramientas, equipo, datos y consumo de modelos |
| Productividad del equipo | Producción adicional menos coste de tokens y supervisión humana |
| Personalización | Valor incremental frente al coste de generar variantes dinámicas |
| Reporting | Coste de análisis automatizado frente a decisiones realmente tomadas |
La pregunta para un CMO ya no puede ser solo “¿cuánto nos ahorra la IA en horas?”. Tiene que ser también “¿cuánto nos cuesta convertir esas horas en resultados medibles?”.
La creatividad infinita también genera desperdicio
El marketing siempre ha tenido un problema de exceso: demasiadas ideas, demasiadas piezas, demasiados informes y demasiados dashboards que no siempre cambian decisiones. La IA puede amplificar ese problema. Generar 100 variantes de un anuncio es fácil. Saber cuáles merece la pena producir, probar y escalar sigue siendo difícil.
Aquí aparece una paradoja. La IA reduce el coste de producción creativa, pero puede aumentar el coste de gestión. Más piezas implican más revisión, más control de marca, más compliance, más pruebas, más datos y más decisiones. Si el equipo no tiene un sistema claro de priorización, la empresa puede terminar pagando tokens para generar ruido.
Esto afecta especialmente a agencias y departamentos de growth. La tentación será prometer más velocidad, más contenido y más personalización. Pero el cliente no paga por volumen; paga por impacto. En un entorno donde los modelos cobran por uso, la agencia que sepa medir coste por resultado tendrá ventaja frente a la que venda “producción ilimitada con IA”.
El cambio de GitHub Copilot hacia facturación basada en uso es una señal de hacia dónde se mueve el software de IA. Desde el 1 de junio de 2026, GitHub sustituye las unidades anteriores por AI Credits, consumidos según tokens de entrada, salida y caché. Aunque Copilot pertenece al mundo del desarrollo, el mensaje sirve para marketing: las plataformas que integren agentes y tareas largas tenderán a trasladar el coste variable al cliente.
El precio visible puede ocultar subidas reales
El coste de la IA no sube siempre de forma evidente. A veces cambia la tarifa. Otras veces cambia el tokenizador, aumenta el contexto necesario o el modelo utiliza más pasos para llegar a la respuesta.
OpenRouter analizó Claude Opus 4.7 y observó que, para prompts de producción de más de 10.000 tokens, el nuevo tokenizador genera entre un 32 % y un 34 % más tokens que Opus 4.6 para texto equivalente; en prompts más pequeños, la inflación medida sube al 42-45 %. Anthropic también indica que Opus 4.7 puede usar hasta alrededor de un 35 % más tokens que modelos anteriores según el contenido.
Para marketing, esto tiene una consecuencia directa. Un mismo flujo puede encarecerse aunque el precio oficial parezca igual. Si una empresa procesa research de clientes, transcripciones de entrevistas, análisis de reviews, históricos de campañas o catálogos largos, cualquier aumento en tokenización impacta en la factura.
También ocurre con los modelos “baratos y rápidos”. Gemini 3.5 Flash aparece con un precio de 1,50 dólares por millón de tokens de entrada y 9 dólares por millón de tokens de salida, pero el coste final depende de cuántos tokens y vueltas necesite el flujo completo.
| Uso de IA en marketing | Riesgo de coste oculto | Cómo controlarlo |
|---|---|---|
| Generación masiva de copies | Muchas variantes que nadie usa | Limitar rondas y exigir scoring automático |
| SEO y contenidos largos | Mucho contexto, research y reescrituras | Plantillas, caché y workflows por intención |
| Personalización de emails | Variantes por segmento y etapa del funnel | Medir uplift real frente a versión base |
| Social media always-on | Volumen alto y revisión constante | Calendarios cerrados y reutilización inteligente |
| Análisis de campañas | Datos largos y resúmenes recurrentes | Automatizar solo informes que cambien decisiones |
| Agentes de CRM | Consumo continuo en segundo plano | Presupuestos por flujo y límites por cliente |
La nueva disciplina: Marketing AI Ops
El marketing necesita una capa propia de gobierno de IA. No basta con dejar que cada equipo use el modelo que quiera ni con prohibir herramientas por miedo al coste. Hace falta una disciplina práctica, algo parecido a Marketing AI Ops: procesos, métricas, límites, control de calidad y medición financiera.
Eso implica decidir qué tareas merecen modelos de frontera y cuáles pueden resolverse con modelos más baratos. Un análisis estratégico para una campaña global puede justificar un modelo caro. Clasificar menciones sociales, generar primeros borradores o resumir tickets repetitivos quizá no. La clave está en diseñar rutas de trabajo donde el modelo potente intervenga cuando aporta valor real, no por defecto.
Noticias.AI recogía recientemente el aviso sobre la factura del desarrollo con IA, con organizaciones que ya declaran costes de tokens de entre 200 y 500 dólares por desarrollador al mes, y usuarios intensivos por encima de 2.000 dólares cuando los agentes se integran en tareas diarias. Aunque el dato se refiere a desarrollo de software, la lógica se trasladará al marketing cuando los agentes empiecen a operar campañas, contenidos, CRM y reporting de forma continua.
La IA puede mejorar muchísimo el marketing. Puede acelerar research, aumentar la calidad de los briefs, adaptar mensajes por audiencia, detectar patrones de comportamiento, ayudar a equipos pequeños a producir como equipos grandes y reducir tareas repetitivas. Pero no elimina la economía. La desplaza.
El coste por token será cada vez menos interesante que el coste por resultado. ¿Cuánto cuesta producir una landing que convierte mejor? ¿Cuánto cuesta una campaña personalizada que incrementa el ROAS? ¿Cuánto cuesta analizar 10.000 conversaciones de clientes si luego nadie cambia el producto, el pricing o el mensaje?
La IA no sustituye la estrategia de marketing. La amplifica. Y por eso puede amplificar tanto el acierto como el desperdicio. Las empresas que ganen no serán las que generen más piezas, sino las que conecten IA, datos, creatividad, distribución y medición con disciplina financiera.
La promesa de la creatividad infinita sigue siendo potente. Pero en marketing, como en cualquier otro negocio, lo infinito rara vez es gratis. La próxima ventaja competitiva no estará en usar IA, sino en saber cuándo usarla, con qué modelo, para qué resultado y a qué coste.
Preguntas frecuentes
¿Por qué sube el coste real de usar IA en marketing?
Porque los equipos pasan de usos puntuales a flujos continuos: generación de contenido, análisis, personalización, agentes, reporting y optimización de campañas. Cada paso consume tokens.
¿El precio por millón de tokens es suficiente para comparar modelos?
No. Hay que medir el coste por tarea completa. Un modelo barato por token puede salir más caro si necesita más contexto, más rondas o más salida para llegar a un resultado útil.
¿Qué áreas de marketing deben vigilar más el gasto en IA?
Contenido SEO, paid media, CRM, email marketing, social media, análisis de campañas, atención al cliente y automatización de informes son áreas donde el consumo puede crecer rápido.
¿Qué puede hacer un CMO para controlar la factura?
Definir casos de uso, medir coste por resultado, aplicar presupuestos por equipo, usar modelos distintos según la tarea, cachear contexto, limitar agentes y revisar si cada flujo mejora métricas reales.
