No hace mucho tiempo, muchas empresas comenzaron a implementar activamente agentes de IA en una amplia variedad de flujos de trabajo. En muy poco tiempo, el coste de utilizarlos se convirti\u00f3 en una preocupaci\u00f3n urgente para las empresas. Adem\u00e1s, no es un problema que afecte \u00fanicamente al departamento financiero: junto con las preocupaciones presupuestarias tambi\u00e9n han surgido problemas de fiabilidad, estabilidad operativa e incluso seguridad de la informaci\u00f3n. Esto se debe a que el coste de automatizar un mismo proceso var\u00eda significativamente de un despliegue a otro, es impredecible y podr\u00eda estar sujeto a influencias externas.<\/p>\n
Adem\u00e1s, para un actor malicioso que ataca a una organizaci\u00f3n, cualquier proceso automatizado mediante IA y vulnerable a la influencia externa es, en esencia, un objetivo conveniente para un \u201cnuevo tipo de ataque DDoS\u201d. Los informes de errores de aplicaciones, las revisiones de productos o las solicitudes de servicio de soporte t\u00e9cnico pueden (al igual que cualquier otro dato externo que una empresa procesa a trav\u00e9s de IA) servir como herramienta en un ataque destinado a aumentar el consumo de tokens (fragmentos de palabras que sirven como la unidad b\u00e1sica de entrada y salida de un LLM).<\/p>\n
En 2026, las grandes empresas gastaron de manera significativa en los presupuestos de sus sistemas de IA por primera vez. Uber hab\u00eda gastado todo su presupuesto anual en abril<\/a>, mientras que una empresa no identificada no estableci\u00f3 l\u00edmites de gasto para Claude y gast\u00f3 500\u00a0millones de USD en un solo mes<\/a>. Aunque los proveedores de IA anuncian regularmente precios m\u00e1s bajos y modelos m\u00e1s eficientes, el cambio de los chatbots a sistemas agentes que operan de forma continua y aut\u00f3noma aumenta el consumo de tokens en cientos o miles de veces<\/a>.\u00a0 Al mismo tiempo, el modelo de \u201csuscripci\u00f3n fija por 20\u00a0USD o 100\u00a0USD\u201d para las empresas se est\u00e1 volviendo cosa del pasado; todos los proveedores principales est\u00e1n haciendo la transici\u00f3n de sus clientes empresariales a la facturaci\u00f3n de pago por uso.<\/p>\n Como consecuencia, las empresas se enfrentan a un problema demasiado familiar para las industrias del alojamiento en la nube y de las comunicaciones m\u00f3viles. Sin sistemas especializados de contabilidad y administraci\u00f3n de costes, una organizaci\u00f3n solo descubre cu\u00e1nto costar\u00e1 un proceso o proyecto concreto una vez que lo ha completado. En los sectores de las telecomunicaciones y la nube, este problema finalmente se resolvi\u00f3 mediante el desarrollo de sofisticados sistemas de facturaci\u00f3n, y sus clientes incluso han adoptado el t\u00e9rmino especializado FinOps<\/a>. En el caso de la IA, este proceso todav\u00eda est\u00e1 en sus primeras etapas. Adem\u00e1s, la naturaleza probabil\u00edstica de la IA generativa complicar\u00e1 la soluci\u00f3n del problema.<\/p>\n Para comprender por qu\u00e9 los costes aumentan tan r\u00e1pido y son tan dif\u00edciles de predecir y controlar, debemos recordar c\u00f3mo funciona un modelo de lenguaje y qu\u00e9 lo convierte en un agente de IA. El modelo no tiene estado; es decir, no conserva ninguna informaci\u00f3n entre interacciones. Cada vez que el agente da el siguiente paso, debe volver a enviar al modelo todo el historial de trabajo de una tarea espec\u00edfica (el contexto): el mensaje inicial, el razonamiento previo, el contenido de los archivos que ha le\u00eddo y las respuestas de todas las herramientas. Con cada paso, este \u201cresumen\u201d se hace m\u00e1s extenso, especialmente si la tarea implica bucles iterativos. Si un paso falla, la respuesta no es clara o una herramienta devuelve un error, el agente sencillamente vuelve a intentarlo, lo que aumenta a\u00fan m\u00e1s el tama\u00f1o del contexto. Y si la tarea no la realiza un \u00fanico agente, sino varios que se reparten el trabajo e intercambian resultados, este volumen se multiplica por el n\u00famero de agentes. Como consecuencia, el consumo de tokens no aumenta de forma gradual, sino a intervalos, y es pr\u00e1cticamente imposible predecirlo al inicio de la tarea.<\/p>\n Al ejecutar dos sesiones diferentes de interacci\u00f3n con un agente de IA para resolver exactamente la misma tarea (dos tickets de servicio de soporte t\u00e9cnico, dos tareas de an\u00e1lisis, etc.), el n\u00famero de tokens utilizados puede variar y llegar a multiplicarse por 30<\/a>. Esto depende de cu\u00e1ntos pasos, errores y reintentos se requieran para resolver la tarea. El aumento del consumo de recursos no depende necesariamente de la complejidad de la tarea. Hay casos bien conocidos en los que la IA se atasc\u00f3 en un \u201cbucle de pensamiento\u201d y desperdici\u00f3 una cantidad absurda de recursos en tareas triviales.<\/a><\/p>\n Tres generaciones de IA en sistemas empresariales consumen recursos de formas completamente diferentes:<\/p>\n Dado que las llamadas a los LLM son significativamente m\u00e1s costosas que las llamadas habituales de un software est\u00e1ndar, automatizar tareas rutinarias de una empresa implica un coste inusualmente elevado. Por ejemplo, Gartner estima<\/a> que resolver una \u00fanica solicitud de soporte al cliente utilizando un LLM cuesta aproximadamente 3 $<\/a>. Es f\u00e1cil imaginar c\u00f3mo los atacantes podr\u00edan bombardear una empresa con miles de solicitudes extensas y sofisticadas generadas por un LLM de bajo coste, lo que provocar\u00eda un da\u00f1o financiero considerable. Dado que el proceso est\u00e1 automatizado, es posible que las anomal\u00edas no se detecten de inmediato.<\/p>\n Si un atacante sabe qu\u00e9 sistema de agentes y qu\u00e9 LLM se utilizan en un proceso empresarial, puede llevar a cabo un ataque m\u00e1s preciso y causar un da\u00f1o significativamente mayor. Los autores del estudio GitInject<\/a> estimaron que un atacante que pueda crear incidencias en GitHub dentro de una organizaci\u00f3n que utilice agentes de IA para analizar errores puede causar hasta 111 $ de da\u00f1os con un solo ataque (antes de que entren en acci\u00f3n los mecanismos de defensa de GitHub) y consumir 400\u00a0minutos de GitHub Actions<\/a> de la cuenta de la v\u00edctima. Naturalmente, un ataque de este tipo se puede repetir varias veces, sin ning\u00fan coste para el atacante.<\/p>\n El mayor riesgo, aunque dif\u00edcil de cuantificar en t\u00e9rminos monetarios, proviene de los ataques que provocan que los LLM tengan un razonamiento excesivo. En el art\u00edculo OverThink<\/a>, los autores demostraron c\u00f3mo una tarea redactada de manera inofensiva, cuando se introduce en un modelo de lenguaje, finalmente produce un resultado correcto pero, en el proceso, consume 46 veces m\u00e1s tokens de lo que deber\u00eda. Adem\u00e1s, todas las tareas que probaron los investigadores superaron correctamente los filtros de seguridad existentes.<\/p>\nConsumo impredecible de tokens<\/h2>\n
\n
Token\u00f3mics en ataques: denegaci\u00f3n de cartera como nuevo ataque DDoS<\/h2>\n