La inteligencia artificial ha entrado en una era de economía dividida: el costo de construir modelos frontera sigue subiendo, mientras que el costo de usarlos sigue bajando. Ambas tendencias avanzan al mismo tiempo.

Entrenar un modelo de IA frontera puede requerir decenas o incluso cientos de millones de dólares en capacidad de cómputo. Epoch AI estima que el costo de hardware y energía de estos entrenamientos ha crecido aproximadamente 2,4 veces por año.

Una vez que un modelo es entrenado, el panorama se invierte. Según Epoch AI, el precio de alcanzar un nivel fijo de rendimiento de IA ha caído alrededor de 47% cada trimestre desde 2023, lo que equivale a una reducción de aproximadamente 13 veces por año.

Este artículo recopila las cifras principales sobre costos de entrenamiento, costos de inferencia y precios de tokens, basándose en datos de Epoch AI, Universidad de Stanford, DeepSeek, OpenAI, Anthropic y Google. Todos los precios son tarifas publicadas estándar a octubre de 2026.

Estadísticas de costos de modelos de IA de un vistazo

• Los costos de entrenamiento de IA frontera han crecido alrededor de 2,4 veces por año.
• Epoch AI proyecta que los entrenamientos más grandes podrían superar los 1.000 millones de dólares hacia 2027 si la tendencia continúa.
• El cómputo de entrenamiento de GPT-4 se estima en unos 79 millones de dólares.
• Gemini 1.0 Ultra se estima en unos 192 millones de dólares.
• Llama 3.1 405B se estima en unos 170 millones de dólares.
• Grok-2 se estima en unos 107 millones de dólares.
• DeepSeek reportó 5,576 millones de dólares para el entrenamiento oficial de DeepSeek-V3, una cifra que excluye investigaciones previas y costos de personal.
• El hardware representa entre el 47% y el 67% de los costos de desarrollo de modelos frontera; el personal de investigación y desarrollo representa otro 29% a 49%.
• La energía representa solo entre el 2% y el 6%.
• El costo de un rendimiento de IA equivalente cae alrededor de 47% por trimestre, o alrededor de 13 veces por año.
• La inferencia a nivel de GPT-3.5 cayó más de 280 veces en costo entre finales de 2022 y finales de 2024.
• GPT-6 Luna y Claude Haiku 5.5 cuestan 0,10 dólares por millón de tokens de entrada y 0,50 dólares por millón de tokens de salida.
• Los tokens en caché pueden ser entre un 90% y un 95% más baratos que los tokens de entrada ordinarios en algunas APIs.

La creciente brecha entre el aumento de los costos de entrenamiento y la caída de los costos de uso está en el centro de la economía de la IA. El resto de este artículo examina cada lado por turno.

¿Cuánto cuesta entrenar un modelo de IA?

No hay una única respuesta. Los costos van desde unos pocos cientos de dólares para los primeros modelos de investigación hasta cientos de millones de dólares para sistemas frontera.

El AI Index de Stanford, utilizando estimaciones desarrolladas junto con Epoch AI, rastrea cómo han evolucionado los costos de entrenamiento. Stanford señala que estas cifras estiman principalmente los recursos de cómputo consumidos y no el costo económico total de construir cada modelo. Aun así, el cambio en siete años es dramático: el Transformer original costó menos de 1.000 dólares en cómputo estimado para su entrenamiento, mientras que GPT-4 costó unos 79 millones de dólares, más de 100.000 veces más.

No todos los modelos siguen la línea ascendente. Llama 2 70B, con unos 3 millones de dólares, costó menos que GPT-3 con 4 millones y mucho menos que PaLM 540B con 12 millones. El tamaño del modelo, el tipo de chip y el método de entrenamiento influyen todos en la factura final.

Los costos de entrenamiento frontera crecen de 2 a 3 veces por año

Epoch AI estudió decenas de sistemas de IA importantes y estima que el costo amortizado de hardware y energía de los entrenamientos frontera ha crecido alrededor de 2,4 veces por año desde 2016. Un método separado basado en precios de cómputo en la nube encontró una tasa similar de 2,6 veces por año. Dos enfoques independientes que apuntan al mismo rango dan mayor peso a la estimación.

Si la tendencia continúa, Epoch proyecta que los modelos frontera más grandes podrían cruzar los 1.000 millones de dólares por entrenamiento hacia 2027. Stanford señaló en 2026 que las estimaciones de la industria para los nuevos sistemas frontera ahora van desde cientos de millones de dólares hasta cerca de 1.000 millones por iteración.

Eso no significa que cada futuro modelo líder costará mil millones de dólares. Los diseños de mezcla de expertos, mejores datos, algoritmos mejorados y hardware más barato pueden reducir el cómputo requerido para alcanzar un nivel de rendimiento determinado. DeepSeek demostró cuán grande puede ser esa diferencia.

Costo de entrenamiento de DeepSeek-V3

DeepSeek atrajo amplia atención tras reportar un costo de cómputo de entrenamiento de unos 5,576 millones de dólares para DeepSeek-V3. Su informe técnico indica que el proceso completo de entrenamiento oficial utilizó alrededor de 2,788 millones de horas de GPU Nvidia H800. Con un precio de alquiler asumido de 2 dólares por hora de GPU, el total da la cifra de 5,576 millones de dólares.

El número se malinterpreta con frecuencia. No es el costo total de desarrollar V3. DeepSeek dijo que la cifra excluye investigaciones previas, experimentos de arquitectura, estudios de ablación, trabajo de datos y otros costos de desarrollo. Por esa razón, no puede compararse directamente con estimaciones que incluyen un gasto más amplio en I+D; una comparación justa requiere el mismo alcance en ambos lados.

Lo que la cifra sí demuestra es que las decisiones de diseño e ingeniería pueden reducir drásticamente el costo de un entrenamiento grande final, un hallazgo con implicaciones para toda la industria.

El cómputo es solo parte del costo

Construir un modelo frontera requiere más que GPUs. Epoch AI estima que el costo total de desarrollo se divide en tres áreas principales: el hardware representa aproximadamente entre el 47% y el 67%, el personal de investigación y desarrollo representa otro 29% a 49%, y la energía representa solo entre el 2% y el 6%.

Los costos adicionales pueden incluir adquisición de datos, limpieza de datos, experimentos fallidos, post-entrenamiento y aprendizaje por refuerzo. Las pruebas de seguridad, las evaluaciones de modelos, la red, el almacenamiento y las instalaciones de centros de datos se suman al total.

Como resultado, el costo destacado de un entrenamiento final puede subestimar sustancialmente lo que se necesita para construir un modelo frontera competitivo, y la brecha entre ambos números puede ser grande.

Inferencia y precios de tokens

Entrenamiento vs. inferencia

El entrenamiento crea un modelo; la inferencia lo ejecuta. Las empresas pagan por la inferencia cada vez que alguien usa el modelo. Si millones de personas usan un modelo cada día, el gasto total en inferencia puede superar el costo del entrenamiento original.

Esta dinámica importa más a medida que la IA avanza hacia agentes de programación, búsqueda con IA, servicio al cliente, asistentes de voz, análisis de video y automatización empresarial. Una respuesta de chatbot de unos pocos cientos de tokens es barata; un agente de programación que lee millones de tokens, llama herramientas repetidamente y corre durante horas consume mucho más cómputo.

Precios actuales de tokens

La mayoría de las APIs comerciales de IA cobran por token. Un token es una pequeña pieza de texto, y un millón de tokens corresponde a cientos de miles de palabras en inglés, aunque la proporción exacta varía.

Los precios de 2 y 10 dólares de Gemini 4 Argon son de introducción hasta el 30 de noviembre de 2026. Google dice que después la tarifa estándar sube a 4 dólares por entrada y 20 dólares por salida.

Estos son precios de lista. No son los costos propios de los proveedores por ejecutar los modelos.

Modelos pequeños vs. modelos frontera

El GPT-6 Luna de OpenAI cobra 0,10 dólares por millón de tokens de entrada y 0,50 dólares por millón de tokens de salida. El Claude Haiku 5.5 de Anthropic lleva el mismo precio destacado para prompts de menos de 100.000 tokens. Anthropic lanzó Haiku 5.5 en octubre de 2026 y dice que el modelo cuesta alrededor de un 75% menos de ejecutar que Haiku 4.5 en promedio.

Con estas tarifas, una empresa que envía 100 millones de tokens de entrada a un modelo de 0,10 dólares paga solo 10 dólares, mientras que 10 millones de tokens de salida a 0,50 dólares por millón cuestan otros 5 dólares. La salida cuesta más porque los modelos generan tokens de uno en uno, lo que requiere más cómputo.

Los modelos baratos no sirven para todas las tareas. Los sistemas de razonamiento frontera necesitan mucho más cómputo, y los proveedores cobran en consecuencia: Anthropic lista a Claude Opus 5.5 a 4 dólares por millón de tokens de entrada y 20 dólares por millón de tokens de salida, 40 veces el precio de salida de Haiku 5.5.

Esa diferencia les da a los agentes de IA un claro incentivo para enrutar tareas simples a modelos pequeños, reservando los caros para el razonamiento complejo.

Los costos de inferencia de IA han caído drásticamente

El AI Index de Stanford ofrece un ejemplo contundente. En noviembre de 2022, el rendimiento a nivel de GPT-3.5 en el benchmark MMLU costaba unos 20 dólares por millón de tokens. Para octubre de 2024, Gemini 1.5 Flash-8B alcanzó el mismo nivel de benchmark por 0,07 dólares por millón de tokens, una caída de más de 280 veces en menos de dos años.

Stanford encontró que los precios de inferencia cayeron entre 9 y 900 veces por año, dependiendo de la tarea medida. El rango es amplio porque cada benchmark y cada nivel de rendimiento tiene su propia historia de precios.

Los menores márgenes de ganancia no son la única causa. Los modelos de IA y el hardware que los ejecuta se han vuelto mucho más eficientes.

El precio de una capacidad de IA equivalente cae 13 veces por año

La investigación de Epoch AI de septiembre de 2026 va más allá de los precios de tokens brutos y mide cuánto cuesta alcanzar un nivel fijo de rendimiento del modelo. Epoch estima que este costo ha caído alrededor de 47% cada trimestre desde 2023. A lo largo de un año completo, eso suma una caída de aproximadamente 13 veces.

La aritmética es sencilla. Si los precios caen 47% cada trimestre, queda el 53%. Después de cuatro trimestres, queda aproximadamente el 7,9%, cerca de una treceava parte.

Epoch dice que esta caída es más rápida que las curvas de costos de tecnologías importantes anteriores, incluidas la secuenciación de ADN, la computación general, las baterías de litio y los costos de electricidad. La tasa varía según la tarea.

El hardware y el software hacen que la IA sea más barata de ejecutar

La inferencia de IA se beneficia de ganancias constantes en la economía de los chips, que Stanford rastrea a través de tres tendencias anuales del hardware de aprendizaje automático. Las GPUs modernas también utilizan formatos numéricos de menor precisión, mejores sistemas de memoria y conexiones más rápidas entre chips. Cada cambio permite que un centro de datos haga más trabajo por el mismo dinero.

El software amplifica las ganancias. Técnicas como cuantización, destilación, dispersión, diseños de mezcla de expertos, decodificación especulativa, batching continuo y mejores compiladores reducen el cómputo necesario por respuesta. Como resultado, la misma cantidad de capacidad de IA puede entregarse con menos recursos de cómputo con el tiempo.

El caché y el procesamiento por lotes reducen aún más los costos

Las APIs modernas descuentan cada vez más la información repetida. Considere un agente de IA que envía el mismo manual de empresa de 100 páginas con cada solicitud: un proveedor puede guardar ese texto en caché en lugar de procesarlo cada vez.

OpenAI cobra 0,20 dólares por millón de tokens de entrada en caché para GPT-6 Sol, en comparación con 2 dólares por entrada ordinaria, un descuento del 90%. El Gemini 4 Argon de Google actualmente descuenta un 95% la entrada en caché implícita elegible.

Los usuarios que no necesitan respuestas instantáneas también pueden pagar menos. OpenAI precios el procesamiento Batch y Flex para GPT-6 Sol en alrededor del 50% de las tarifas estándar. El procesamiento por lotes se adapta a la clasificación de documentos, análisis nocturno, extracción de datos, resúmenes a gran escala y evaluaciones sin conexión.

Los precios de la IA están empezando a parecerse a la computación en la nube, con clientes pagando tarifas distintas según la velocidad, la confiabilidad y la flexibilidad de la carga de trabajo.

Costo por tarea y gasto total en IA

Por qué el precio por token puede engañar

Un modelo que cuesta 1 dólar por millón de tokens no siempre es más barato que uno que cuesta 2 dólares. Supongamos que el primer modelo necesita 5 millones de tokens para terminar una tarea, mientras que el segundo la termina con 1 millón. El primer modelo cuesta 5 dólares por la tarea y el segundo 2 dólares.

Los modelos de razonamiento hacen esta verificación más importante, porque pueden producir grandes cantidades de tokens internos de pensamiento, y algunos de esos se facturan. Anthropic dice que Claude Sonnet 5.5 usa menos tokens por tarea que Sonnet 5, lo que puede hacerlo más barato en flujos de trabajo reales incluso donde los precios de lista parecen similares. Las empresas rastrean cada vez más el costo por tarea completada con éxito en lugar de solo el costo por millón de tokens.

Lo que mantiene los precios a la baja

Tres fuerzas empujan los costos de inferencia hacia abajo: hardware más eficiente, diseños de modelos más eficientes y una fuerte competencia entre proveedores.

OpenAI recortó los precios de API de GPT-6 Sol y Luna en alrededor del 50% en comparación con sus contrapartes promocionales de GPT-5.6, mientras también mejoraba la capacidad. Anthropic dice que Haiku 5.5 cuesta alrededor de un 75% menos por carga de trabajo típica que Haiku 4.5. Google también compite en precios de tokens.

El resultado es que usos de la IA que eran demasiado costosos hace dos o tres años ahora pueden caber en productos ordinarios.

Costos más bajos pueden elevar el gasto total

Una IA más barata no siempre significa menor gasto de la industria. Una empresa podría no automatizar un millón de chats de clientes si cada uno cuesta 1 dólar. A un centavo cada uno, podría automatizarlos todos.

El patrón se parece a la paradoja de Jevons, en la que el uso más eficiente de un recurso lleva a un mayor uso total. Podría ayudar a explicar por qué las mayores empresas de la nube siguen gastando cientos de miles de millones de dólares en centros de datos de IA incluso mientras el costo de cada consulta cae.

La conclusión

La economía de la IA se mueve en dos direcciones a la vez. En la frontera, los costos de entrenamiento han crecido rápido: GPT-4 necesitó unos 79 millones de dólares estimados en cómputo de entrenamiento, Gemini 1.0 Ultra unos 192 millones y Llama 3.1 405B unos 170 millones, con Epoch AI estimando que los costos de entrenamiento frontera han crecido alrededor de 2,4 veces por año.

Una vez que los modelos están disponibles, el costo de usarlos cae rápidamente. La inferencia a nivel de GPT-3.5 pasó de unos 20 dólares por millón de tokens en 2022 a 0,07 dólares en 2024, y la investigación más reciente de Epoch sitúa la caída del costo de un nivel fijo de rendimiento de IA en alrededor de 47% por trimestre, o unas 13 veces por año. Para octubre de 2026, los modelos comerciales pequeños costaban tan poco como 0,10 dólares por millón de tokens de entrada y 0,50 dólares por millón de tokens de salida.

En resumen, los modelos más avanzados cuestan más construir, mientras que el producto de esos modelos cuesta menos usar. Si eso continúa, el efecto de la IA puede depender menos de lo que cuesta entrenar un modelo y más de lo que sucede cuando miles de millones de personas y empresas pueden acceder a una IA capaz a precios cercanos al software ordinario de la nube.

Fuentes

• Epoch AI: The Plunging Price of Thought
• Epoch AI: How Much Does It Cost to Train Frontier AI Models?
• Universidad de Stanford: Informe AI Index 2025, Investigación y Desarrollo
• Universidad de Stanford: Informe AI Index 2026
• DeepSeek: Informe técnico de DeepSeek-V3
• OpenAI: Presentamos GPT-6 Sol y Luna
• OpenAI: Precios de API
• Anthropic: Claude Haiku 5.5
• Anthropic: Claude Sonnet 5.5
• Google AI: Precios de Gemini 4 Argon

Este artículo apareció originalmente en CoinCentral.