El 30 de julio de 2026, el Financial Times reveló que Amazon identificó múltiples casos de sobregasto catastrófico en proyectos internos de inteligencia artificial. El más llamativo: un despliegue de Claude Sonnet que acumuló una factura de USD 1,8 millones para una tarea rutinaria que nunca llegó a funcionar, superando el presupuesto en un 860% sin que nadie lo notara durante cinco meses.
Los casos salieron a la luz durante una reunión interna del 28 de julio, donde ingenieros senior de Amazon presentaron los resultados ante sus colegas. La conclusión fue directa: los errores que antes producían problemas de software relativamente baratos se volvieron “catastrophically expensive” en el momento en que los agentes de IA tomaron el trabajo.
Lo paradójico del caso es que Amazon es simultáneamente uno de los mayores inversores en inteligencia artificial del mundo, con un plan de gasto de USD 200.000 millones en infraestructura de IA para 2026, y una de las primeras grandes empresas en admitir públicamente que no sabe muy bien cómo controlar lo que gasta en ella.
Los tres casos que expusieron el problema
Cruce de datos de autores con listados de productos. Amazon intentó usar Claude Sonnet para relacionar información de autores con listados de productos en su plataforma de ecommerce, una tarea rutinaria de procesamiento de datos. El proyecto nunca funcionó. Aun así, acumuló USD 1,8 millones de factura, un 860% sobre presupuesto, y pasó inadvertido durante cinco meses.
Herramienta de auditoría financiera. Un proyecto pensado para construir una herramienta de auditoría terminó siendo, sin ironía, un ejemplo de lo que esa misma herramienta debería haber detectado: se pasó del presupuesto por USD 541.000.
Mejora de procesos logísticos. Un tercer proyecto sumó USD 134.000 adicionales al presupuesto original. El menor de los tres, pero parte del mismo patrón.
En total, los tres casos documentados suman alrededor de USD 2,5 millones de sobrecosto no planificado.
Por qué la IA convierte errores baratos en facturas millonarias
El problema no es que Amazon haya tomado malas decisiones estratégicas. Es que el modelo de precios de la IA moderna hace que los errores escalen de forma impredecible. Los principales proveedores de IA cobran por tokens, es decir, por unidades de texto que el modelo procesa en cada interacción. Cuanto más trabaja el modelo, más crece la factura, y esa curva puede dispararse sin que nadie lo note hasta que ya es tarde.
En el caso del proyecto de autores, el agente de IA siguió procesando tokens durante cinco meses sin producir resultados útiles. Cada consulta, cada intento fallido y cada reintento automático sumaba al contador. El sistema ejecutaba instrucciones correctamente, pero no producía nada de valor. Y nadie tenía una alerta configurada para detectarlo.
Un agente de IA, a diferencia de un servidor inactivo, puede generar trabajo de forma activa. Puede crear un informe, criticarlo, reescribirlo, producir pruebas para la versión reescrita y pedirle a otro agente que revise esas pruebas. Cada paso parece productivo en un dashboard. Al final, la empresa puede no tener nada útil pero sí una factura enorme.
KiroRank: el ranking que incentivó gastar más sin producir más
A principios de 2026, empleados de Amazon crearon de forma informal un ranking interno llamado KiroRank, que medía cuántos tokens consumía cada trabajador usando las herramientas de IA de la plataforma Kiro. En la práctica, premiaba a quien más usara la IA, independientemente de si eso producía algo útil.
El resultado fue predecible: algunos empleados comenzaron a asignar tareas a agentes de IA sin ningún propósito real, simplemente para subir posiciones en el ranking. La práctica recibió el nombre de “tokenmaxxing”. Amazon suspendió KiroRank el 29 de mayo de 2026 tras detectar el patrón. Dave Treadwell, vicepresidente senior de Amazon, envió un mensaje directo al equipo: “Por favor, no usen IA solo por el hecho de usarla.”
La respuesta de Amazon y los controles que vienen
Amazon salió a defender su postura en un comunicado. La empresa calificó los casos como ejemplos aislados de equipos que están aprendiendo y sostuvo que no reflejan el uso general de la IA en la compañía. Asimismo, señaló que está trabajando activamente para mejorar las eficiencias de costo.
Al mismo tiempo, los ingenieros confirmaron que están desarrollando guardrails automáticos, es decir, límites de gasto configurados directamente en el proceso de despliegue de los agentes, para que los proyectos no puedan exceder su presupuesto sin activar una alerta. El objetivo es que el control sea técnico y automático, no dependiente de una revisión mensual que puede llegar cinco meses tarde.
Un patrón que va más allá de Amazon
El caso de Amazon no es un hecho aislado. En los últimos meses, varias de las empresas tecnológicas más grandes del mundo enfrentaron el mismo problema desde ángulos distintos: Microsoft canceló licencias internas de Claude Code y Uber agotó todo su presupuesto de IA para 2026 en apenas cuatro meses. El patrón se repite: los costos de la IA escalan más rápido de lo que las empresas logran anticipar y controlar.
Lo que une todos estos casos es el mismo problema de fondo: un modelo de precios basado en tokens es predecible solo en el papel. Un agente mal configurado, un empleado que sobreusa las herramientas o, directamente, un proyecto que no anda como se esperaba, puede generar una factura que nadie vio venir. Amazon es, por ahora, el ejemplo más documentado de una tensión que todo el sector está aprendiendo a manejar.
¿Querés enterarte de nuestras próximas notas?
Seguí nuestro canal de WhatsApp y recibí las novedades apenas se publiquen.