El índice de Ramp detecta grietas en la tesis de la IA: menos gasto por empleado y fuga hacia modelos más baratos

¿Qué muestran los datos de gasto de Ramp?

El índice de IA de Ramp de septiembre de 2026, firmado por su economista jefe Ara Kharazian, parte de una fuente poco habitual: el gasto corporativo real que pasa por las tarjetas y pagos de miles de empresas en Estados Unidos. Su lectura es incómoda para el relato más optimista. La adopción de IA se amplía, pero el gasto por empleado del 1% de las empresas que más invierten cayó 9,7% en un mes, de US$7.976 a US$7.205. El precio por millón de tokens se desplomó 41% hasta US$0,68, desde un peak de US$1,15 en marzo de 2026. Y la participación de los modelos frontera en el consumo de tokens bajó de 53% a 45%.

La adopción no es lo mismo que el gasto

El matiz central de Kharazian es que crecer en uso no equivale a crecer en ingresos para quienes venden IA. El volumen de tokens sube, pero los precios caen más rápido, y ese cruce presiona los márgenes de las empresas de modelos. En otras palabras, la curva de adopción que todos celebran puede convivir con una curva de facturación que se aplana. Para un mercado que financió su expansión con la promesa de un consumo siempre en aumento, esa distinción no es un detalle contable.

¿Por qué las empresas migran a modelos más baratos?

La explicación que ofrece Ramp es simple y potente: la brecha de calidad se estrechó. Kharazian lo resume así:

«Standard models are still highly performant and also more cost effective»

Cuando un modelo estándar resuelve el 90% de las tareas a una fracción del costo, la decisión racional del área de finanzas es dejar el modelo frontera para los casos que de verdad lo exigen. Esa sustitución explica buena parte de la caída en la mezcla de tokens premium.

Qué significa para los presupuestos de IA en Chile y Latinoamérica

En Chile y Latinoamérica la señal llega en un momento sensible. El mercado local de IA sigue creciendo, pero los equipos comerciales y de RevOps ya no tienen cheque en blanco: cada suscripción de copilotos, agentes y plataformas compite con el resto del presupuesto. La lectura de Ramp le da munición al CFO que pregunta por el retorno. La respuesta defensiva ya no puede ser «todos lo están usando»; tiene que ser un número de pipeline, de horas liberadas o de conversión atribuible. Para las empresas de la región, además, el abaratamiento del token es una buena noticia: acerca capacidades antes reservadas a presupuestos de otra escala.

¿El fin del ciclo o su fase de disciplina?

Es tentador leer estos datos como el pinchazo de la burbuja. Nos parece más honesto leerlos como el paso de la euforia a la ingeniería. Los ciclos tecnológicos maduran cuando el foco se corre desde la adopción por moda hacia la optimización por costo y resultado. Que las empresas elijan el modelo suficientemente bueno en vez del más caro no es un síntoma de desilusión: es exactamente lo que hace un comprador que ya entendió la herramienta.

El análisis de Revenue Hub

Esta pieza es la síntesis y el comentario de Revenue Hub sobre la opinión de Ara Kharazian y el equipo de Ramp, no la reproducción de su informe. Nuestra recomendación para los líderes de ingresos en Latinoamérica es concreta: dejen de comprar IA por el prestigio del modelo y empiecen a orquestar por rentabilidad. Definan qué tareas exigen un modelo frontera y cuáles se resuelven con uno estándar, midan el resultado en la misma métrica que usan para la fuerza de ventas, y traten el presupuesto de IA como una cartera que se rebalancea, no como una licencia que se renueva sin preguntar. La ventaja competitiva del próximo año no será tener el modelo más potente, sino gastar mejor que el competidor en el mismo problema.