Por Canuto  

El precio efectivo que las empresas estadounidenses pagan por los tokens de IA cayó 41% desde marzo, una señal que pone en duda la idea de una demanda empresarial casi ilimitada y aumenta la presión sobre los laboratorios y los operadores de centros de datos.
***

  • El precio promedio por millón de tokens descendió de USD $1,15 a USD $0,68 desde el máximo registrado en marzo.
  • La proporción de uso destinada a modelos frontera bajó de 53% a 45% entre comienzos de agosto y septiembre.
  • El 1% de las empresas que más gasta en IA redujo casi 10% su gasto por empleado en agosto.

 

El auge de la inteligencia artificial enfrenta una señal incómoda: el precio que las empresas pagan por utilizar modelos avanzados está cayendo con rapidez, incluso mientras los laboratorios presentan nuevas versiones y los inversionistas siguen financiando centros de datos. Datos de Ramp muestran que el costo efectivo por millón de tokens descendió 41% desde su máximo de marzo, de USD $1,15 a USD $0,68. La cifra introduce una presión adicional sobre la expectativa de que la demanda de cómputo crecerá sin límites.

El descenso no demuestra por sí solo que la burbuja de la IA haya estallado. Sí sugiere, sin embargo, que la competencia, las rebajas y la sustitución por modelos intermedios están reduciendo el valor efectivo de cada token, la unidad que muchos inversionistas utilizan para medir la expansión del sector, indica Fortune.

Una apuesta construida sobre demanda futura

Gran parte de la economía de la IA depende de apuestas sobre ingresos que todavía no llegan. Nvidia, por ejemplo, no solo es evaluada por sus ganancias trimestrales, sino también por su cartera de pedidos, mientras los rumores sobre posibles ofertas públicas iniciales y las valoraciones de OpenAI y Anthropic reflejan expectativas sobre beneficios que podrían materializarse durante décadas.

El mismo supuesto guía a empresas como CoreWeave, que financian infraestructura para centros de datos antes de contar con todos sus inquilinos. El sector está empujando capital hacia un cuello de botella equivalente aproximadamente al 2% del producto interno bruto anual, con la premisa de que la demanda de cómputo será suficientemente grande para sostener mayores niveles de inversión.

Jensen Huang, director ejecutivo de Nvidia, ha descrito esa dinámica como las “dos exponenciales”: los modelos se vuelven más complejos y, al mismo tiempo, más personas y agentes de software los utilizan. Bajo esa visión, los laboratorios capturarían el excedente generado por el cómputo y lo distribuirían por el ecosistema.

El enfriamiento del gasto empresarial

El retroceso no se limita al precio promedio. Ramp también registró una caída en la proporción de uso atribuida a modelos frontera, desde aproximadamente 53% a comienzos de agosto hasta 45% en septiembre. El dato sugiere que las empresas están distribuyendo una porción mayor de sus tareas entre herramientas menos avanzadas y más económicas.

La señal resulta especialmente relevante entre los clientes de mayor consumo. El 1% superior de las empresas en la plataforma redujo casi 10% su gasto en IA por empleado durante agosto.

Las empresas más intensivas en estas herramientas todavía gastan cerca de USD $7.200 mensuales por empleado, pero la cifra se encuentra en descenso. Esto muestra que existe una demanda considerable, aunque los presupuestos corporativos no parecen seguir un escenario de consumo ilimitado.

Durante la primavera tecnológica, la expresión “tokenmaxxing” se incorporó al vocabulario del sector y se multiplicaron las historias sobre paneles que medían el consumo de tokens. Huang incluso sostuvo que un ingeniero con salario de USD $500.000 debería consumir USD $250.000 anuales en tokens, pero durante el verano las compañías comenzaron a imponer controles de costos y a limitar ese tipo de uso.

La competencia reduce los precios

La caída responde, según la explicación atribuida a Ara Khazarian, economista jefe de Ramp y responsable de su índice, a una combinación de factores: los laboratorios recortan precios y los clientes tienen más incentivos para elegir modelos simples.

OpenAI redujo 80% el precio de entrada de GPT-5.6 Luna en una actualización del 30 de julio. El modelo pasó de USD $1 a USD $0,20 por millón de tokens de entrada y de USD $6 a USD $1,20 por millón de tokens de salida, según la información publicada por la compañía. Anthropic también ha aplicado recortes, lo que dificulta mantener márgenes elevados incluso para productos considerados de frontera.

La presión también se observa en las decisiones internas de los grandes compradores. Amazon y Meta eliminaron sus propios tableros de clasificación en mayo, y Microsoft canceló las suscripciones de Claude Code, señales de que la experimentación sin restricciones cedió espacio a políticas destinadas a demostrar productividad o limitar el gasto.

Según el economista de Ramp, algunas empresas están estableciendo configuraciones predeterminadas que alejan a sus empleados de los modelos frontera. En su lugar, recurren cada vez más a Terra y Sonnet, descritos como modelos de nivel medio que mantienen una capacidad elevada con un costo menor.

OpenAI y Anthropic compiten por el valor de cada token

Los datos de precios muestran una competencia desigual entre los dos laboratorios. Desde el 1 de agosto, el precio efectivo de OpenAI cayó 38%, hasta USD $0,48, mientras el de Anthropic descendió 22%, hasta USD $0,90. Durante el año, Anthropic cobró casi el doble que OpenAI y mantuvo un piso cercano a USD $0,90 desde junio.

La diferencia sugiere que Anthropic todavía conserva cierto poder de fijación de precios, aunque esa ventaja podría reducirse a medida que OpenAI gana una proporción creciente de los tokens utilizados según el precio. Una rebaja agresiva puede atraer volumen, pero también comprime el ingreso obtenido por cada unidad de consumo.

Los lanzamientos han generado repuntes temporales, pero no un cambio permanente de tendencia. El precio de Anthropic subió cuando presentó Fable 5 en marzo y el de OpenAI aumentó tras el lanzamiento de Sol en julio, aunque ambos movimientos fueron inconsistentes y los precios terminaron descendiendo nuevamente.

La explicación más directa es confirmada para los recortes de lista de OpenAI: la compañía anunció el 30 de julio la reducción del precio de GPT-5.6 Luna. La migración hacia modelos menos costosos y la menor participación de los modelos frontera son una explicación plausible del descenso del precio efectivo agregado, pero los datos disponibles no permiten atribuir todo el movimiento a un único catalizador.

El riesgo para los centros de datos

La caída de precios tiene implicaciones que van más allá de los laboratorios. Morgan Stanley ha señalado la vulnerabilidad de hasta USD $300.000 millones en bonos utilizados para financiar construcciones de empresas neocloud, compañías similares a CoreWeave que tomaron deuda para levantar centros de datos antes de asegurar a sus inquilinos.

El riesgo no significa que toda esa deuda esté en peligro inmediato, pero sí que el modelo financiero depende de que los precios del cómputo acompañen la expansión de la capacidad instalada. Si los clientes consumen más unidades a precios cada vez menores, los operadores tendrán que demostrar que el volumen compensa la compresión de tarifas y que los centros pueden mantener una ocupación suficiente.

La competencia de modelos de código abierto y de proveedores chinos agrega otra fuente de presión. Solo 3,6% de las empresas en la plataforma de Ramp utiliza modelos de código abierto o chinos, pero DeepSeek, Tencent, Alibaba y otras compañías de China participan en una intensa guerra de precios que puede deprimir las tarifas internacionales.

La combinación de menores precios, menos uso de modelos frontera y reducción del gasto por empleado no prueba el fracaso de la IA. Sí obliga a revisar las proyecciones que suponían que cada nueva capacidad produciría automáticamente más ingresos.

Del conteo de tokens al trabajo completado

Sarah Friar, directora financiera de OpenAI, describió durante una conferencia de Goldman Sachs la posibilidad de trasladar el cobro empresarial desde el conteo de tokens hacia el trabajo terminado. Ese cambio llevaría la conversación desde la cantidad de texto procesado hacia el resultado obtenido, aunque exigiría definir cómo se mide una tarea y qué nivel de desempeño justifica cada tarifa.

La ejecutiva también afirmó que OpenAI había reducido 80% el precio de GPT-5.6 Luna desde su lanzamiento. La reducción anunciada por la compañía el 30 de julio confirma el recorte del 80% en el precio de entrada del modelo, aunque la comparación exacta depende de si se consideran los precios anteriores de entrada o de salida.

Friar aseguró además que los ingresos empresariales de OpenAI crecieron 32% entre junio y julio. Ese avance parece estar relacionado con una mayor cuota de mercado, más que con un aumento generalizado del precio por token, una distinción importante para los inversionistas que intentan separar crecimiento de volumen y expansión real de márgenes.

La economía de la IA todavía puede crecer aunque el precio unitario siga bajando, especialmente si el uso total aumenta y los modelos se incorporan a más procesos. Sin embargo, el escenario de compañías capaces de elevar simultáneamente capacidad, tarifas y consumo enfrenta una prueba concreta: demostrar que la eficiencia y el volumen pueden compensar la rápida comoditización de los tokens.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados