El pago por resultados podría redefinir la economía de los negocios de IA, según Bret Taylor
Cómo funciona el pago por resultados
En el modelo tradicional de software, el cliente paga por acceder a una herramienta, generalmente mediante una suscripción o en función del volumen de uso. Sin embargo, con los agentes de IA, la lógica puede ser diferente.
Un agente es un sistema capaz de realizar tareas con cierto grado de autonomía, como atender a clientes, consultar información y completar etapas de un proceso.
En lugar de cobrar por la cantidad de procesamiento utilizado, la empresa puede establecer un precio por cada resultado obtenido.
Sierra, empresa cofundada por Taylor, ya utiliza este modelo. Según el ejecutivo, sus clientes pagan por las tareas efectivamente realizadas por los agentes, y no por tokens.
Por ejemplo, en el ámbito de la atención al cliente, el cobro puede estar vinculado a la resolución de un caso sin intervención humana. En otros sectores, el resultado puede ser la concesión de un préstamo o la preautorización de un procedimiento.
Sierra describe su modelo como outcome-based pricing, o fijación de precios basada en resultados. En una entrevista de marzo de 2026, Taylor explicó que el cobro se produce cuando el agente resuelve un problema de forma autónoma. Si la situación requiere ser remitida a una persona, no hay cobro por la atención prestada.
Por qué los tokens podrían perder relevancia
El cambio propuesto por Taylor está relacionado con una preocupación que ya afecta a las empresas que invierten en inteligencia artificial: cuánto valor genera realmente la tecnología.
Dos sistemas pueden consumir diferentes cantidades de tokens para realizar una misma tarea. Por ello, centrarse únicamente en el volumen procesado no indica necesariamente cuál solución es más eficiente.
En una entrevista con CNBC, Taylor afirmó que los modelos más avanzados pueden ser más eficientes en tareas complejas, incluso si su costo por token es mayor. Para él, la comparación debe tener en cuenta cuántos recursos son necesarios para completar una actividad.
Esto cambia la pregunta que se hace una empresa. En lugar de preguntar solo cuánto cuesta utilizar un modelo determinado, la organización puede empezar a evaluar cuánto cuesta obtener un resultado específico.
Impacto en profesionales y empresas
Este cambio también puede modificar la forma en que las empresas evalúan los proyectos de IA.
Actualmente, un equipo puede contratar una herramienta para resumir documentos, responder correos electrónicos o analizar datos, y seguir métricas como el número de usuarios, el volumen de procesamiento o las horas ahorradas.
En un modelo basado en resultados, la evaluación tiende a centrarse en la tarea final. Por ejemplo, un sistema de atención al cliente podría ser evaluado por la cantidad de casos resueltos, y no por el número de interacciones realizadas.
Para los profesionales, esto significa que conocer la herramienta no será suficiente. Será necesario entender qué proceso ejecuta, qué resultados pueden medirse y en qué situaciones sigue siendo necesaria la intervención humana.
Esta lógica también puede afectar a los proveedores de software. Si el pago está directamente relacionado con el resultado, parte del riesgo pasa del cliente a quien ofrece la tecnología.
Qué cambia en los negocios de IA
Taylor también sostiene que los datos propios de las empresas serán importantes en este contexto. Según él, la información sobre clientes y relaciones comerciales puede convertirse en un activo que diferencie a una compañía, incluso cuando los modelos de IA sean más accesibles.
El debate sobre la fijación de precios por resultados no es exclusivo de OpenAI. En marzo de 2026, Taylor afirmó que este es el modelo adoptado por Sierra y comparó el cambio con la evolución de la publicidad, que pasó de métricas como las impresiones a modelos vinculados a clics y acciones.
Para las empresas, la cuestión ahora es definir con precisión qué se considera un resultado. Una tarea concluida puede ser medible, pero aún se necesitan criterios para verificar la calidad, la satisfacción del cliente y la necesidad de corrección.
La previsión de Taylor apunta a un posible cambio en la economía del software: el enfoque deja de estar solo en el acceso a la tecnología y pasa al valor que esta proporciona. Para profesionales y empresas, esto hace que la capacidad de medir resultados sea una parte cada vez más importante de la adopción de la inteligencia artificial.








