Cuánto cuesta realmente ponerle IA a los documentos de tu empresa (y cuándo no conviene)

Un director de operaciones recibe una propuesta para que "la IA lea nuestros manuales y contratos" y responda preguntas del equipo. El proveedor promete meses de ahorro y no menciona un número hasta la reunión de cierre. Ese proyecto tiene nombre técnico, RAG (retrieval-augmented generation, o generación aumentada por recuperación): un sistema que busca en los documentos de la empresa y usa lo que encuentra para responder, en vez de depender de lo que el modelo ya trae aprendido. El rango de precio real, verificado contra varias consultoras que lo cotizan hoy, va de unos miles de euros a más de cien mil dólares, y la variable que decide en qué extremo cae tu proyecto no es la tecnología: es qué tan acotado está el caso de uso antes de escribir la primera línea de código.

Cuánto cuesta un piloto

Para una pyme con un catálogo de documentos manejable (manuales, políticas internas, contratos tipo), un piloto externalizado se mueve en un rango consistente entre varias fuentes. La consultora española Javadex cotiza un "copiloto RAG interno" en 5,000 y 8,000 euros, con plazo de 4 a 6 semanas, indexando hasta 10,000 páginas con citas verificables a la fuente (consultado el 18 de septiembre de 2026). La misma consultora, en su guía general de RAG empresarial, sitúa el desarrollo inicial para una pyme de 10 a 50 personas entre 8,000 y 25,000 euros, según volumen de documentos e integraciones. Keliam, otra consultora que trabaja con pymes españolas, cotiza el piloto externalizado entre 6,000 y 15,000 euros, con costos de API "casi anecdóticos" en esta fase inicial.

En dólares, para el mercado angloparlante, ScalaCode ubica un prototipo básico de RAG entre 10,000 y 25,000 dólares, con un plazo de 2 a 4 semanas. Son cifras de distintas consultoras y distintas monedas, pero convergen en el mismo orden de magnitud: un piloto serio, con pocos cientos o miles de documentos y un caso de uso definido, cuesta entre 6,000 y 25,000 dólares o euros según el proveedor.

Cuándo el piloto se convierte en sistema, y qué cambia el precio

El salto de precio grande no viene de agregar más documentos del mismo tipo. Viene de sumar fuentes distintas (SharePoint, Drive, un ERP, un sistema de tickets) y de exigir trazabilidad completa de cada respuesta para auditoría. Javadex cotiza su plataforma completa multi-agente, con más de 2,200 integraciones estándar y datos alojados en la Unión Europea, entre 7,000 y 15,000 euros más 250 a 400 euros mensuales. ScalaCode, para un sistema de producción con recuperación híbrida y arnés de evaluación, cotiza entre 25,000 y 60,000 dólares, y para un RAG empresarial con agentes y requisitos de cumplimiento, entre 60,000 y 150,000 dólares o más.

La diferencia entre estos números y el piloto no es cosmética: cada fuente adicional exige su propio conector, sus propios permisos de acceso y su propia lógica para saber qué documento pisa a cuál cuando hay versiones contradictorias. Eso es trabajo de ingeniería, no de "conectar una API más".

El costo que no aparece en la demo

La demo corre gratis o casi gratis porque nadie ha metido tráfico real. La factura mensual aparece después, y tiene dos componentes: la base de datos vectorial (donde vive el índice de los documentos) y las llamadas al modelo de lenguaje por cada consulta. Javadex reporta entre 90 y 200 euros mensuales para un piloto y entre 250 y 400 euros para la plataforma completa. Keliam ubica el rango de producción entre 100 y 500 euros mensuales para un asistente interno con 100 a 200 usuarios activos. ScalaCode, en dólares, calcula la operación combinada entre 200 y 3,000 dólares mensuales según volumen de consultas.

Ese rango tan amplio, de 90 euros a 3,000 dólares al mes, depende casi por completo de cuántas personas preguntan y con qué frecuencia. Antes de aprobar el proyecto vale la pena pedirle al proveedor una proyección de costo mensual a 6 y 12 meses, no solo el costo del mes uno con tráfico de prueba.

Cuándo el retorno es real

El dato más citado en el mercado, un ROI de 20 a 60 veces, sólo aparece cuando el caso de uso es estrecho y repetitivo, como un buscador interno de manuales o un asistente de soporte de primer nivel. Javadex reporta que el payback típico para RAG está entre 2-4 meses para equipos de 10+ personas, aunque el caso específico con estos números exactos no está disponible en sus artículos públicos; Según casos generales de Javadex, la reducción de tiempo en búsqueda de información es significativa, con payback típico en 2-4 meses, aunque el caso específico con estos números no está documentado públicamente. ScalaCode documenta un caso de un despacho legal que pagó 37,500 dólares por su sistema y lo recuperó en cuatro meses gracias a horas facturables ahorradas, bajando el tiempo de investigación por caso de 3.5 horas a 12 minutos.

McKinsey pone el límite claro del otro lado: en un análisis sobre IA agéntica en atención al cliente de empresas de servicios públicos, la firma encontró que los ahorros de 30 a 50% en costo de servicio sólo aparecen cuando la empresa rediseña el proceso completo, no cuando pega un asistente de IA sobre un flujo que ya estaba roto. Esa es la línea que separa un proyecto de RAG que se paga solo de uno que se queda en gasto de innovación: el caso de uso tiene que ser específico y medible antes de escribir el primer conector, no descubrirse después de la implementación.

Qué preguntar antes de aprobar el proyecto

Antes de firmar la propuesta, un director de TI o de operaciones debería tener respuesta a esto:

• ¿Cuántos documentos y cuántas fuentes distintas entran en el alcance del piloto? Cada fuente adicional, no cada documento adicional, es lo que dispara el precio.
• ¿Cuántas consultas al mes se esperan una vez en producción, y quién hizo esa proyección: el proveedor o un análisis propio del volumen actual de búsquedas y tickets?
• ¿Quién es dueño de limpiar y estructurar los documentos? Keliam calcula que entre 40 y 60% del esfuerzo total del proyecto se va en esa limpieza, no en la parte de IA. Si nadie en el equipo tiene ese tiempo asignado, el proyecto se atrasa ahí, no en el modelo.
• ¿El sistema cita la fuente exacta de cada respuesta? Sin eso, nadie en el equipo va a confiar en la respuesta para algo que importe, y el proyecto termina sin usarse.
• Si hay datos sensibles o regulados, ¿el proveedor ofrece alojamiento con residencia de datos verificable, o la información sale a un servidor fuera de tu jurisdicción sin que el área legal lo haya revisado?

Este mismo ejercicio de presupuesto por fases aplica a cualquier proyecto agéntico, como se explica en El token baja de precio, la factura de IA sube: cómo presupuestar un proyecto agéntico en 2026.

Cuándo la respuesta obvia es la equivocada

No todo problema de "no encontramos la información" necesita RAG. Si el catálogo de documentos es pequeño y estable, un índice de búsqueda tradicional bien etiquetado resuelve lo mismo por una fracción del costo. Si el volumen de consultas es bajo, unas cuantas por semana, la factura mensual del vector DB y el modelo puede costar más que el tiempo que se ahorra. Y si el objetivo real es que la IA "sepa de todo" sin un caso de uso concreto, el equivalente a "dale nuestros documentos a la IA" sin más, el proyecto casi nunca llega a producción: antes de meter documentos hace falta un catálogo que ordene qué información existe, quién la usa y con qué reglas, como se explicó en Tu agente de IA de marketing no tiene contra qué decidir: el catálogo va antes que el modelo. Sin ese trabajo previo, ningún presupuesto de RAG, por generoso que sea, arregla el problema.

Si el caso de uso es concreto, un área que repite las mismas preguntas contra los mismos documentos, con volumen suficiente para justificar la factura mensual, hivek mete IA en ese proceso puntual en vez de vender la promesa de un cerebro corporativo que lo sabe todo.

Fuentes

• Cuánto cuesta implementar IA en una PYME española en 2026: precios reales, garantías y ROI, Javadex
• Guía completa RAG empresa: cerebro IA con documentos privados, Javadex
• RAG para empresas: guía de implementación, Keliam
• RAG Development Cost 2026: Enterprise Pricing Guide, ScalaCode
• Agentic AI Cuts Utility Costs 50%, Boosts Satisfaction (McKinsey), NewKerala
• RAG Empresas: Implementarlo Sin Infraestructura Compleja, Erwin Salas