El precio unitario de utilizar inteligencia artificial está cayendo a una velocidad difícil de encontrar en otras tecnologías. Un gráfico difundido por Andreessen Horowitz, a partir de datos de Goldman Sachs y del Departamento de Comercio estadounidense, compara este descenso con el de los ordenadores personales: la IA habría conseguido en unos tres años un abaratamiento que los PC necesitaron casi dos décadas para alcanzar. Sin embargo, las facturas empresariales no están siguiendo la misma dirección.
Las claves del coste de la IA en 20 segundos
- Los modelos son más baratos por token, pero las aplicaciones consumen muchos más tokens.
- Los agentes planifican, consultan herramientas, revisan resultados y repiten pasos.
- Una misma tarea agéntica puede variar hasta 30 veces en consumo.
- La métrica útil ya no es el precio de la API, sino el coste por trabajo completado correctamente.
La aparente contradicción tiene una explicación técnica. Los primeros chatbots realizaban una petición relativamente sencilla: recibían una pregunta, procesaban el contexto y devolvían una respuesta. Los agentes actuales pueden efectuar decenas de llamadas, mantener historiales extensos, consultar buscadores, ejecutar código, abrir documentos y pedir a otros agentes que revisen el resultado.
El token cuesta menos, pero cada proceso necesita muchos más.
El precio por millón de tokens ya no explica el coste real
La competencia entre OpenAI, Anthropic, Google, DeepSeek y los desarrolladores de modelos de pesos abiertos ha ampliado enormemente el abanico de precios.
DeepSeek V4 Flash cobra 0,14 dólares por millón de tokens de entrada sin caché y 0,28 dólares por los de salida. Google sitúa Gemini 2.5 Flash-Lite en 0,10 y 0,40 dólares, respectivamente. En el otro extremo, Claude Fable 5 cuesta 10 dólares por millón de tokens de entrada y 50 dólares por los de salida.
OpenAI también ha dividido GPT-5.6 en tres niveles. Luna cuesta 1 dólar de entrada y 6 de salida; Terra, 2,50 y 15 dólares; y Sol, 5 y 30 dólares. Las lecturas desde la caché reciben un descuento del 90 %, aunque escribir en ella se factura a 1,25 veces el precio normal de entrada.
| Modelo | Entrada por millón de tokens | Salida por millón de tokens |
|---|---|---|
| Gemini 2.5 Flash-Lite | 0,10 dólares | 0,40 dólares |
| DeepSeek V4 Flash | 0,14 dólares | 0,28 dólares |
| GPT-5.6 Luna | 1 dólar | 6 dólares |
| GPT-5.6 Sol | 5 dólares | 30 dólares |
| Claude Fable 5 | 10 dólares | 50 dólares |
La tabla no es una clasificación de calidad. Los modelos ofrecen capacidades, latencias, límites, políticas de datos y niveles de soporte diferentes. Una tarea que necesita cinco intentos con un modelo económico puede terminar costando más que una ejecución correcta con otro inicialmente más caro.
Ese es el problema de utilizar el precio por token como única referencia. La comparación ignora cuántos tokens requiere cada modelo para alcanzar un resultado válido, cuántas veces llama a una herramienta y cuánto trabajo humano hace falta para revisar su respuesta.
La métrica más útil es el coste por tarea completada con la calidad exigida. En programación podría ser el coste por incidencia resuelta o por cambio aceptado. En atención al cliente, el coste por conversación cerrada sin intervención humana. En análisis documental, el coste por expediente procesado correctamente.
Los agentes convierten el contexto en una bola de nieve
Un chatbot tradicional puede realizar una o dos llamadas. Un agente sigue un ciclo más largo:
- Interpreta el objetivo.
- Elabora un plan.
- Selecciona una herramienta.
- Lee el resultado.
- Actualiza el contexto.
- Decide el siguiente paso.
- Repite el proceso hasta terminar o alcanzar un límite.
En cada iteración puede volver a procesar la pregunta original, las instrucciones del sistema, los documentos consultados, las respuestas anteriores y los resultados de las herramientas. El contexto crece, incluso cuando la respuesta final ocupa unas pocas líneas.
Un estudio del Stanford Digital Economy Lab sobre agentes de programación encontró que estas tareas podían consumir hasta 1.000 veces más tokens que determinados ejercicios de conversación o razonamiento sobre código. También observó diferencias de hasta 30 veces al repetir la misma tarea con el mismo sistema. Gastar más tokens, además, no garantizaba una mayor tasa de éxito.
Estos resultados corresponden a programación y no deben trasladarse mecánicamente a cualquier aplicación. Sí muestran un problema operativo: los agentes siguen trayectorias variables y no siempre saben anticipar cuánto les costará terminar un trabajo.
Las llamadas a herramientas introducen costes adicionales. Una búsqueda web puede generar varias consultas facturables. La ejecución de código produce resultados que regresan al modelo como nuevos tokens de entrada. Las capturas de pantalla, los PDF y las imágenes también deben convertirse en representaciones que consumen contexto.
Google cobra por separado determinadas operaciones de conexión con Search y Maps, mientras OpenAI señala que algunas herramientas aplican tarifas por llamada además del consumo del modelo. Los contextos muy largos también pueden tener precios superiores: en GPT-5.6, las solicitudes que superan los 272.000 tokens duplican la tarifa de entrada y multiplican por 1,5 la de salida.
Por qué el gasto aumenta aunque la inteligencia sea más barata
El descenso de precios está ampliando el número de procesos que merece la pena automatizar. Una empresa que antes utilizaba IA para resumir algunos documentos puede aplicarla ahora a todos sus correos, contratos, incidencias, repositorios de código y reuniones.
El ahorro por unidad genera más demanda. Andreessen Horowitz sostiene que la reducción del precio de la inteligencia está acompañada por un aumento todavía mayor del consumo, una dinámica parecida a la paradoja de Jevons: mejorar la eficiencia de un recurso puede elevar su utilización total.
También se está produciendo un cambio desde las respuestas puntuales hacia trabajos prolongados. GPT-5.6 permite coordinar subagentes en paralelo. Claude Fable 5 está diseñado para proyectos que pueden mantenerse activos durante días. Estas capacidades pueden aumentar la productividad, pero también multiplican la inferencia, las herramientas y el contexto procesado.
Por eso una reducción del 50 % en el precio del token no implica que el presupuesto vaya a caer a la mitad. Si la nueva aplicación realiza diez veces más llamadas, el gasto final seguirá creciendo.
La optimización debe actuar sobre todo el recorrido:
| Medida técnica | Efecto esperado |
|---|---|
| Enrutamiento entre modelos | Reserva los modelos caros para las tareas difíciles |
| Límites de pasos y reintentos | Evita bucles agénticos sin salida |
| Caché de prompts y documentos | Reduce el procesamiento repetido |
| Resumen del historial | Impide que el contexto crezca indefinidamente |
| Procesamiento por lotes | Reduce tarifas cuando no se necesita respuesta inmediata |
| Resultados estructurados | Evita respuestas largas y difíciles de validar |
| Evaluaciones automáticas | Detecta qué modelo resuelve mejor cada caso |
| Observabilidad por tarea | Relaciona consumo, latencia, errores y calidad |
La opción más barata tampoco tiene que ser siempre un modelo pequeño. Un modelo más capaz puede terminar antes, utilizar menos herramientas y necesitar menos correcciones. La decisión debe tomarse con pruebas realizadas sobre las tareas reales del producto, no solo con los precios publicados por el proveedor.
Una arquitectura multimodelo reduce costes y dependencia
La rápida variación de precios es otro motivo para evitar que una aplicación quede construida directamente alrededor de una única API.
Una capa de abstracción puede normalizar mensajes, herramientas, respuestas estructuradas, métricas y políticas de reintento. Por encima permanece la lógica del producto. Por debajo pueden cambiar los modelos según coste, calidad, latencia, ubicación de los datos o disponibilidad.
Esta arquitectura permite utilizar un modelo económico para clasificar solicitudes, otro especializado para programación y uno de frontera únicamente cuando el sistema detecta una excepción compleja. También facilita recurrir a un modelo de pesos abiertos dentro de la propia infraestructura cuando los datos no deben salir de un entorno controlado.
La portabilidad no es automática. Cada proveedor utiliza funciones distintas para herramientas, caché, razonamiento, salidas estructuradas y contexto. Una aplicación que dependa profundamente de una característica exclusiva seguirá teniendo costes de migración aunque emplee una interfaz compatible.
Por eso el intercambio de modelos debe probarse antes de necesitarlo. Los equipos pueden mantener conjuntos de evaluación, registrar respuestas de referencia y medir periódicamente cuánto cuesta alcanzar la misma calidad con distintos proveedores.
El precio de la inteligencia seguirá siendo una métrica atractiva, pero cada vez contará menos por sí sola. La ventaja técnica estará en controlar cuánta inteligencia consume el sistema para resolver cada problema.
Preguntas frecuentes
¿Por qué aumenta la factura si los modelos son más baratos?
Porque las aplicaciones agénticas realizan más llamadas, acumulan contextos mayores y utilizan herramientas externas. El volumen puede crecer más deprisa que la reducción del precio por token.
¿Cuál es la mejor métrica para medir el coste de una aplicación de IA?
El coste por tarea completada correctamente. Debe combinarse con la tasa de éxito, la latencia, los reintentos y el tiempo de revisión humana.
¿Utilizar siempre el modelo más barato reduce el gasto?
No necesariamente. Un modelo económico puede consumir más tokens, fallar con mayor frecuencia o necesitar varios intentos. El coste debe medirse sobre el flujo completo.
¿Qué aporta una arquitectura multimodelo?
Permite asignar cada tarea al modelo más adecuado, introducir alternativas ante caídas o cambios de precio y reducir la dependencia técnica de un proveedor.
