Uber gastó en cuatro meses su presupuesto anual para IA después de desplegar Claude Code entre sus ingenieros: el coste por desarrollador subió de US$500 a US$2.000 mensuales y la adopción pasó del 32% al 84% en un mes, según el informe citado en Hedgie (X) del 22/5/2026. Esa frase resume el problema: la IA agéntica consume tokens y horas de cómputo a un ritmo que rompe presupuestos diseñados para SaaS tradicional.

La factura: qué pasó y por qué

Lo que ocurrió en Uber no es una curiosidad técnica, es una ecuación económica. Según el relato del CTO citado en Hedgie (X, 22/5/2026), la herramienta Claude Code se desplegó entre aproximadamente 5.000 ingenieros; la adopción saltó del 32% al 84% en 30 días (incremento en la base mensual de uso). El coste estimado por desarrollador pasó de US$500 a US$2.000 mensuales, y la compañía consumió en cuatro meses lo que había presupuestado para todo el año. Ese salto explica por qué modelos de IA agéntica—que encadenan cientos o miles de llamadas a la API para generar, ejecutar y validar código—transforman consumo en gasto exponencial. No es un problema de elegancia técnica: es un problema de previsión de costos y de diseño de contratos con proveedores.

¿Esto nos alcanza a las empresas argentinas y pymes de LATAM?

Sí y no. La amenaza existe para cualquier organización que empiece a usar agentes de IA sin pasar por un filtro económico. GitHub Copilot cambia su modelo a facturación por uso desde el 1 de junio de 2026, según el texto consultado (22/5/2026), lo que significa que la promesa de una tarifa plana se vuelve insuficiente para tareas agentic. Para una pyme o un equipo de 2–5 desarrolladores en Argentina eso puede significar costos variables imprevistos que impactan el flujo de caja. En LATAM, donde las reglas de pago, impuestos y cambio de moneda son más rígidas, un gasto operativo que se dispara es más difícil de absorber que en mercados con capital abundante. Por eso observamos que la prioridad no es prohibir la IA, sino medirla: topes de consumo, alertas al 60–80% del presupuesto y pruebas piloto con métricas de horas ahorradas y retorno sobre la inversión.

Qué hacer ahora: reglas prácticas y límites

Para un emprendedor o CTO chico hay tres reglas simples. Primero: medir token y llamadas desde el día uno. Negociar con el proveedor límites y tarifas por volumen; no acepten la «caja negra». Segundo: segregar tareas: mantener modelos locales o más baratos para consultas simples y reservar agentes caros para tareas de alto valor (revisión de código crítico, generación de pruebas). Tercero: exigir auditorías independientes y minimizar la telemetría que sale de la empresa; la adopción no puede ir en detrimento de la privacidad ni de la nómina. Estas recomendaciones coinciden con la necesidad de transparencia que venimos sosteniendo: cuando una empresa gasta todo el presupuesto anual en cuatro meses (dato mencionado en Hedgie, 22/5/2026), la respuesta no es esconder cifras sino auditar, optimizar y renegociar contratos.

Cerramos con dos números prácticos para tomar decisiones: la adopción de 32% a 84% en un mes (Hedgie, 22/5/2026) y la migración de GitHub Copilot a facturación por uso desde 1/6/2026 (texto, 22/5/2026). Si una herramienta no demuestra que reduce costes o aumenta ingresos medibles con datos, no es prioritaria. En LATAM, la regla sigue siendo la misma: tecnología que no genera plata o no ahorra plata no sirve. Y sobre la IA, promovemos adopciones responsables: auditorías independientes, máxima transparencia y minimización de telemetría con consentimiento claro.