Por Canuto  

Epoch AI calcula que alcanzar un rendimiento fijo de inteligencia artificial cuesta cerca de 13 veces menos por año que en 2023. La caída de precios coincide con planes de las mayores tecnológicas de Estados Unidos para invertir hasta USD $725.000 millones en gastos de capital durante 2026, principalmente en equipos para centros de datos de IA. La pregunta es si habrá suficiente demanda para aprovechar toda esa capacidad.
***

  • Epoch AI estima que el gasto necesario para alcanzar un nivel de rendimiento determinado cayó alrededor de 47% por trimestre desde 2023.
  • En GPQA Diamond, un modelo igualó por USD $0,0004 por pregunta el resultado de 75% que o3 había logrado por aproximadamente USD $0,30.
  • Bloomberg informó que las mayores tecnológicas de Estados Unidos planean gastar hasta USD $725.000 millones en capital durante 2026, principalmente en equipos para centros de datos de IA.

La IA se abarata 13 veces al año mientras Big Tech prepara hasta USD $725.000 millones en inversiones

Alcanzar un nivel determinado de rendimiento en inteligencia artificial cuesta cada vez menos, pero esa reducción no está frenando la carrera por construir infraestructura. Un informe de Epoch AI calcula que, desde 2023, el gasto necesario para obtener una capacidad específica cayó cerca de 47% por trimestre, un ritmo que equivale a abaratarse unas 13 veces en un año. En paralelo, las mayores tecnológicas de Estados Unidos planean invertir hasta USD $725.000 millones en gastos de capital durante 2026, principalmente en equipos para centros de datos de IA, según Bloomberg.

Un rendimiento similar por una fracción del costo

El informe, publicado el 22 de septiembre de 2026 con el título The Plunging Price of Thought, fue escrito por Luke Emberson y David Roodman. Su análisis compara cuánto cuesta alcanzar determinados resultados en los benchmarks que monitorea Epoch AI, en vez de limitarse a observar cuánto cuestan los modelos en términos generales. La diferencia importa porque permite seguir el precio de una capacidad concreta aunque cambien los sistemas que la ofrecen.

La caída trimestral promedio que identificaron los autores ronda 47%, una reducción que, compuesta a lo largo de cuatro trimestres, conduce a una baja anual cercana a 13 veces. En otras palabras, para alcanzar un rendimiento que antes exigía cierto gasto, ahora puede bastar una fracción de ese presupuesto. La cifra reúne varias fuentes de mejora y no significa que todos los modelos, tareas o proveedores reduzcan sus precios al mismo ritmo.

El ejemplo más marcado del informe corresponde a GPQA Diamond, un benchmark utilizado para evaluar respuestas a preguntas científicas de alta dificultad. En enero de 2025, el modelo o3 de OpenAI alcanzó 75% en esa prueba con un costo aproximado de USD $0,30 por pregunta. Más adelante, GPT-5.6 Luna obtuvo el mismo resultado con un costo de USD $0,0004 por pregunta. La diferencia equivale a más de 700 veces menos, tomando como referencia esos costos aproximados.

La comparación no implica que cada consulta de IA cueste hoy esa cantidad ni que todos los sistemas puedan reproducir el resultado. Se refiere a un modelo posterior, un benchmark y una puntuación determinados, por lo que funciona como un ejemplo de la rapidez con que puede caer el precio de una capacidad una vez que existe una forma de medirla. Para empresas y usuarios, el dato ilustra la posibilidad de acceder a ciertos resultados con un gasto menor, aunque el informe no cuantifica cuánto crecerá el uso.

La rapidez de la reducción cambia con el tiempo

El descenso de costos tampoco avanza de manera uniforme durante la vida de una capacidad. Según el informe, las reducciones tienden a ser más intensas después de que una habilidad llega por primera vez a la frontera del rendimiento, con una caída promedio cercana a 66% por trimestre en esa etapa inicial. Así, el intervalo inmediatamente posterior a un avance puede ser especialmente veloz para quienes buscan reproducirlo a menor costo.

Ese ritmo se modera conforme la capacidad madura y deja de ser una novedad reciente. Dos años después de alcanzar la frontera, el costo cae alrededor de 32% por trimestre, de acuerdo con las estimaciones de Epoch AI. Sigue siendo una disminución significativa, pero la diferencia con el 66% inicial muestra por qué el precio de igualar una capacidad puede cambiar mucho dependiendo del tiempo transcurrido desde su aparición.

Para los proveedores de modelos, esa curva plantea un desafío competitivo: una ventaja en una capacidad concreta puede perder valor económico con rapidez cuando otros sistemas se acercan a un rendimiento equivalente por menos dinero. El informe no afirma que todos los desarrollos se vuelvan intercambiables ni que el costo sea el único factor que distingue a los modelos. Su análisis sí sugiere que, en las capacidades observadas, el precio de replicar el desempeño disminuye especialmente rápido al principio.

La estimación de 13 veces por año combina mejoras de hardware, competencia entre proveedores y avances algorítmicos. Cuando los autores aíslan la eficiencia lograda por los algoritmos, calculan una mejora aproximada de tres veces por año. Por eso, atribuir toda la caída a un único factor ocultaría la contribución de los componentes físicos y de la dinámica de precios del sector.

Una curva más veloz que las de otras tecnologías

Para poner la velocidad en perspectiva, Epoch AI comparó la evolución del costo de rendimiento de la IA con tendencias observadas en otras tecnologías. La secuenciación de ADN habría reducido sus costos cuatro veces más lentamente, mientras que la informática general lo hizo seis veces más despacio. Las baterías de litio, según la misma comparación, registraron una caída 18 veces más lenta.

Esas equivalencias describen la rapidez relativa de las curvas analizadas, no una comparación directa entre el precio de una pregunta a un modelo y el de un chip, una batería o una prueba genética. Cada tecnología tiene unidades y usos distintos, por lo que el punto común es la velocidad a la que mejora el costo de obtener un resultado determinado. El informe coloca así a la IA en una trayectoria de abaratamiento inusualmente rápida frente a esos precedentes.

La separación entre la eficiencia algorítmica y la cifra total también ayuda a leer la comparación con cautela. Si la mejora atribuible solo a los algoritmos ronda tres veces por año, el descenso general de 13 veces depende además del hardware y de la competencia en precios entre proveedores. El resultado agregado describe una combinación de fuerzas, y no una promesa de que los algoritmos por sí solos seguirán una curva idéntica.

Para quienes desarrollan productos con IA, el abaratamiento puede ampliar el conjunto de tareas cuyo costo resulta asumible, pero la fuente no cuantifica qué aplicaciones concretas se volverán viables ni cuánto aumentará su demanda. La posibilidad de usar más sistemas por menos dinero aparece como una implicación del descenso, no como una garantía de adopción. Esa distinción resulta relevante cuando se compara el precio decreciente de cada unidad de rendimiento con el volumen de infraestructura que la industria planea instalar.

Inversiones récord y dudas sobre la utilización

La caída de costos coincide con una expansión de las inversiones, en lugar de dar paso a un recorte inmediato del gasto. Bloomberg informó que las mayores tecnológicas de Estados Unidos planean destinar hasta USD $725.000 millones a gastos de capital durante 2026, principalmente en equipos para centros de datos de IA. Es una previsión de inversión de capital de esas empresas, no una estimación de casi USD $1 billón en infraestructura de IA para Estados Unidos y China.

Por otra parte, Goldman Sachs prevé que la inversión global en IA supere USD $1 billón en 2026, una estimación de alcance más amplio que no debe confundirse con el gasto de capital de las tecnológicas estadounidenses. Ambas cifras apuntan a una apuesta de gran escala, pero describen categorías y alcances distintos.

La lógica de esa apuesta, tal como la describe el artículo de origen, es que los precios más bajos podrían desbloquear un uso mucho mayor y, con ello, justificar más infraestructura. Pero una reducción en el costo por tarea no demuestra por sí sola que la demanda vaya a crecer lo suficiente para ocupar todos los centros de datos y demás capacidad nueva. El informe plantea esa incertidumbre como una pregunta abierta, no como una conclusión sobre el éxito o el fracaso de las inversiones.

También queda por ver qué niveles de utilización tendrán las instalaciones si cada tarea requiere mucho menos cómputo que antes. Una unidad de rendimiento más barata puede hacer atractivas nuevas aplicaciones y, al mismo tiempo, reducir los recursos necesarios para completar trabajos ya existentes. La relación entre esos dos efectos determinará cuánto de la nueva capacidad se usa, aunque los datos resumidos en el informe no ofrecen una proyección de utilización.

En conjunto, el análisis dibuja una industria en la que el precio de obtener capacidades de IA cae con gran rapidez mientras la infraestructura absorbe inversiones cada vez mayores. El abaratamiento puede respaldar la expansión si activa más demanda, pero la combinación también expone a los inversores a dudas sobre la escala de uso y el aprovechamiento de los equipos. La tensión central no es si la IA cuesta menos, sino si el crecimiento de su uso justificará la capacidad que las empresas están financiando.

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