Cuánto Cuesta de Verdad un Asistente de IA Interno en la Región DACH (2026)

Un directivo hace una pregunta sencilla: ¿cuánto cuesta de verdad, por persona y mes, un asistente de IA interno sobre nuestros documentos de empresa? La respuesta que recibe suele ser una de dos cosas poco útiles. O una cifra de cinco dígitos que da miedo y que asume un clúster de GPU self-hosted que nadie necesita, o un encogimiento de hombros del tipo "casi nada, los tokens ya son baratos". Las dos están mal, porque el coste real de un asistente RAG sobre SharePoint, Confluence y Google Drive no es una gran línea. Son varias pequeñas, más la parte que todos olvidan: mantenerlo en marcha.

Perspectiva de ingeniería y proceso, no un pitch de proveedor. Esto va de desplegar IA internamente, un trabajo distinto de construir un producto de IA para tus clientes; la parte de setup interno la hacemos bajo AI Enablement. Los números de abajo son orientativos, sacados de precios públicos de 2026, y los tuyos diferirán. Vuelve a comprobar los precios actuales antes de presupuestar.

¿Qué impulsa de verdad el coste de un asistente de IA interno?

Casi todos se fijan en la factura del LLM, y en un asistente interno rara vez es la cifra mayor. El coste lo moldean tres cosas que tú controlas antes de gastar un solo token:

• Cuánta gente lo usa, y con qué intensidad. Diez usuarios intensivos que consultan 30 veces al día cuestan más que 200 usuarios ocasionales que lo abren dos veces por semana. La unidad que importa son consultas por día, no la plantilla.
• Cuánto tiene que leer para responder. Cada respuesta arrastra fragmentos recuperados de tus documentos al prompt. Mete diez páginas de contexto en cada llamada y tu factura de tokens de entrada se multiplica, aunque la pregunta fuera de una línea.
• Cómo de fresco tiene que estar el índice. Re-embeddear documentos en el momento en que cambian cuesta más que un sync nocturno. La mayoría del conocimiento interno no cambia minuto a minuto, y ese es un ahorro que casi todos los equipos dejan sobre la mesa.

Pon esas tres suposiciones por escrito primero. Mueven la factura mensual más que cualquier elección de proveedor que hagas después.

¿Cuáles son los componentes de coste, línea por línea?

Aquí está el conjunto completo de líneas de un asistente RAG autogestionado, con rangos orientativos de 2026. Trátalos como una foto de precios públicos, no como un quote, y vuelve a comprobarlos antes de comprometerte.

Fíjate en el patrón. Las filas de infraestructura son sorprendentemente baratas en 2026. El coste que decide si el proyecto vale la pena está en la última fila, y es el que ningún quote de proveedor incluye.

"La base vectorial y los tokens son la parte barata. La parte cara es el ingeniero que mantiene correctas las respuestas después de que cambien los documentos. Presupuéstalo o el proyecto se pudre."

Construir o comprar: ¿qué sale de verdad más barato?

Los productos empaquetados de "IA sobre tu base de conocimiento" cotizan un precio por asiento, a menudo en el rango de un asiento de productividad de pago. Es limpio y predecible, y para un equipo pequeño con documentos genéricos puede ser la opción correcta. El pero aparece en dos sitios: pagas por asiento tanto si un usuario consulta una vez al mes como cincuenta veces al día, y tu enrutado de datos y tu lógica de recuperación son lo que decidió el proveedor.

Un setup autogestionado le da la vuelta. El coste por consulta es bajo y solo pagas lo que corre, pero cargas con la construcción y el mantenimiento. El punto de equilibrio no va solo del número de asientos, va de control. En cuanto necesitas recuperación con permisos que refleje tus reglas de acceso de SharePoint y Confluence, o los datos no pueden salir de tu infraestructura, el precio por asiento de paquete deja de ser toda la historia. Profundizamos en la decisión de despliegue en cómo desplegar IA internamente sin crear shelfware.

¿Dónde añade coste la residencia de datos en DACH?

Para una empresa DACH, la pregunta rara vez es de capacidad y casi siempre de dónde van los datos. Los datos personales, los registros de clientes y los documentos internos bajo el RGPD y la EU AI Act normalmente no pueden enviarse a un endpoint de modelo que procese fuera de la UE. Esa restricción añade coste en unos pocos sitios concretos, ninguno ruinoso si lo planificas:

• Endpoints de modelo en región UE. Los grandes proveedores ofrecen opciones de residencia de datos en la UE (por ejemplo despliegues Azure OpenAI Data Zone en Sweden Central o Germany West Central). El coste de procesamiento es a grandes rasgos comparable a la tarifa estándar; el sobrecoste por una región UE, donde aplica, suele ser modesto en vez de un múltiplo.
• Base vectorial y app hosteadas en la UE. Fijar tu base vectorial y tu servidor de app a una región UE es una decisión de configuración, no un tier de precio. Sobre todo quita de la mesa las opciones globales más baratas, lo que empuja el hosting un poco hacia arriba.
• El propio trabajo de compliance. El coste real de residencia es la revisión: el contrato de encargo de tratamiento, el registro de actividades de tratamiento, y confirmar que ningún acceso de mantenimiento llega a los datos desde fuera de la UE. Es esfuerzo de una vez más una revisión recurrente menor, y sale mucho más barato hecho en el diseño que reconvertido después.

Hecha desde el principio, la residencia es una decisión de diseño que apenas mueve la cifra por asiento. Hecha como añadido, es una reconstrucción, que es la versión cara.

¿Cuánto cuesta por asiento y mes, en un ejemplo calculado?

Solo ilustrativo. Tus números diferirán, y deberías volver a comprobar los precios actuales antes de fiarte de esto. La idea es la forma de la factura, no la cifra exacta.

Supón una empresa DACH con 50 usuarios activos, cada uno con unas 10 consultas al día (unas 11.000 consultas al mes), sobre un corpus de unos cientos de miles de fragmentos de documento, respondido por un modelo mid-tier en región UE con recuperación ajustada (un puñado de fragmentos por respuesta), reindexado nocturno y una base vectorial gestionada.

Así que la infraestructura en marcha de un asistente interno de 50 asientos suele caer en el rango de euros de un solo dígito por asiento. Esa cifra sorprende a quien esperaba una factura mensual de cuatro dígitos. El pero es la línea que dejamos para el final: el mantenimiento es lo que convierte un setup de aspecto barato en un coste anual real, y es el que decide si el asistente sigue siendo fiable.

¿Cómo lo mantienes barato sin dejar que se pudra?

La misma disciplina que mantiene asequible una build de IA en producción aplica aquí. Las palancas de coste, en el orden en que rinden:

• Enruta al modelo capaz más barato. La mayoría de las preguntas internas no necesitan tu modelo más caro. Reserva el modelo frontier para la minoría difícil y el coste por consulta cae con fuerza.
• Recupera menos, con más precisión. El mayor desperdicio de tokens es meter demasiados fragmentos en cada respuesta. Una buena recuperación más un reranker manda al modelo unos pocos fragmentos relevantes, no diez páginas. Es la palanca con mayor efecto sobre la línea del LLM.
• Cachea las repeticiones. Los equipos internos hacen el mismo puñado de preguntas mucho más que los usuarios de cara al cliente, lo que hace el caching inusualmente efectivo. La mecánica de tokens más a fondo está en cómo reducir los costes de tokens LLM en 2026.
• Reindexa según un calendario, no en cada pulsación. Un sync nocturno o casi en tiempo real basta para la mayoría del conocimiento interno y mantiene el gasto de embeddings cerca de cero.

Una nota de humildad que ninguna tabla de costes captura: un asistente barato que da respuestas erróneas en silencio es el resultado más caro de todos. Necesitas un set de evals, una forma de medir la calidad de las respuestas después de que cambien los documentos, y alguien cuyo trabajo sea vigilarlo. Esa línea de mantenimiento no es relleno opcional. Es la diferencia entre una herramienta en la que el equipo confía y una que dejan de abrir. Vimos rendir la misma disciplina en trabajo de IA en producción como Twinsoft AI, donde el harness de evals fue lo que hizo segura la optimización de coste.