Las empresas estadounidenses eligen cada vez más el modelo de IA menos costoso que puede realizar el trabajo, en lugar de optar automáticamente por la solución más avanzada disponible. Este cambio está presionando los precios premium a medida que los modelos más nuevos cierran la brecha de capacidades y los costos de los tokens siguen cayendo, según Financial Times.

Comprar el modelo más barato que haga el trabajo

La lógica es que los costosos modelos frontera deben desplegarse solo cuando sea necesario, mientras que los trabajos rutinarios pueden ser manejados por modelos económicos que realizan la tarea de manera suficientemente buena.

Ese patrón quedó reflejado en el Índice de IA del 9 de septiembre de Ramp, que rastrea el gasto en IA de las empresas. Con base en los datos de gasto de agosto de 2026, el 43.8% de las empresas estadounidenses de la muestra de Ramp compraron productos de Anthropic, frente al 39.8% de OpenAI. Ramp también señaló que el creciente uso de modelos más baratos representa una amenaza para las compañías de IA cuyos modelos de negocio dependen de que las empresas gasten cada vez más en sistemas frontera.

La tendencia también es consistente con los hallazgos del informe de IA agéntica de la OCDE publicado en septiembre de 2026. Las entrevistas con 25 organizaciones indicaron que el ahorro de costos era una razón común para adoptar sistemas agénticos —IA capaz de planificar y ejecutar tareas de varios pasos con supervisión limitada—, junto con su contribución a una mayor productividad y su papel en la atención de la escasez de mano de obra.

Una guerra de precios medida en fracciones de centavo

El precio de los modelos de IA está cayendo rápidamente, justo cuando se presenta una nueva ola de sistemas. Según una cobertura anterior de Cryptopolitan, OpenAI lanzó GPT-6 Sol y GPT-6 Luna el 22 de septiembre, con precios al menos un 50% por debajo de los modelos GPT-5.6. GPT-6 Sol cuesta $2 por millón de tokens de entrada y $10 por millón de tokens de salida, siendo los tokens la unidad estándar de texto que los modelos procesan y sobre la cual se mide el precio de la API.

En la misma semana, Anthropic lanzó Opus 5.5 mientras xAI presentaba Grok 4.7, con estos debuts llegando a un mercado cada vez más impulsado por criterios de precio-rendimiento. Según Axios, los modelos baratos pero eficientes representan la nueva carrera competitiva de la industria.

La tendencia bajista a largo plazo es aún más notable. Según Epoch AI, el precio de alcanzar un nivel constante de rendimiento de IA ha caído alrededor del 47% en base trimestral desde 2023, es decir, aproximadamente 13 veces al año.

El costo por tarea terminada importa más

A medida que se intensifica la presión basada en precios, las métricas con las que las empresas miden el éxito de la IA están cambiando. El liderazgo en benchmarks no ha perdido importancia, pero ahora se pone mayor énfasis en cuánto pagan los clientes por un rendimiento eficaz.

AutomationBench de Zapier evalúa a los agentes de IA en flujos de trabajo de extremo a extremo que abarcan 47 herramientas empresariales. Al 28 de septiembre, Claude Opus 5.5 encabezaba la tabla con un 42.47% de eficiencia a un precio de $1.44 por tarea, mientras que GPT-6 Sol registró 33.2% en XHigh por solo $0.27 por tarea.

La misma disyuntiva aparece en Artificial Analysis. GPT-6 Sol con esfuerzo máximo obtiene 48 puntos en su Índice de Inteligencia a un costo estimado de $1.06 por tarea, mientras que MiMo-V2.6-Pro de Xiaomi, de pesos abiertos —un modelo cuyos pesos se publican públicamente y puede ejecutarse fuera de la infraestructura del proveedor—, obtiene 46 a solo $0.13 por tarea.

Esa brecha es lo suficientemente estrecha como para que el enrutamiento multi-modelo se vuelva viable. En lugar de depender de un solo proveedor para todas las cargas de trabajo, las empresas pueden asignar el modelo adecuado según la importancia relativa y la complejidad de cada tarea.

Tokens más baratos aún pueden significar facturas más grandes

Los precios más bajos no se traducen necesariamente en un menor gasto en IA. Según Axios, la paradoja de Jevons —descrita por primera vez por el economista del siglo XIX William Stanley Jevons, quien observó que una mayor eficiencia en el uso de un recurso tiende a aumentar su consumo total en lugar de reducirlo— indica que los recursos más asequibles conducen a un mayor consumo. Gartner emitió una advertencia similar en su pronóstico del 17 de agosto, estimando un aumento de más de cinco veces en el costo de inferencia de los flujos de trabajo agénticos para 2028.

Los modelos menos costosos también pueden ampliar el acceso en otras partes del mundo. Según el Global AI Diffusion Report de Microsoft, los modelos asequibles y abiertos pueden ayudar a mejorar la disponibilidad, pero la infraestructura, la conectividad y las habilidades jugarán un papel fundamental para determinar quién puede aprovecharlos.

Para los compradores corporativos, el mensaje es cada vez más claro: la mejor IA podría no ser la más inteligente, sino el tipo de IA que hace su trabajo de manera eficiente al menor costo.

Fuente: Cryptopolitan