Costo de IA cae 56x en 6 meses: estrategia para startups

¿Por qué el costo de la inteligencia artificial cae más rápido que tu competencia?

El nivel de inteligencia que costaba US$1,22 por tarea en febrero de 2026 cuesta US$0,022 hoy — una caída de 56 veces en menos de seis meses, según datos de Artificial Analysis. A este ritmo, una reducción de 100 veces para un mismo nivel de capacidad toma aproximadamente un año. La pregunta clave no es si eso va a pasar, sino qué cambia cuando la inteligencia se vuelve tan barata.

Para los fundadores de startups tecnológicas, esto significa que la restricción ya no es la capacidad del modelo — es definir qué problemas vale la pena resolver ahora que puedes ejecutarlos miles de veces dentro de un presupuesto.

El índice que mide el verdadero costo por tarea

Artificial Analysis lleva años midiendo inteligencia y precio a través de cientos de modelos. Su Intelligence Index v4.1 — la versión actual — es un promedio ponderado sobre nueve evaluaciones agrupadas en cuatro categorías: tareas agénticas (34%), programación (24%), razonamiento científico (24%) y capacidad general (18%). El peso refleja hacia dónde se mueve el campo: un tercio del puntaje proviene de la capacidad del modelo para completar trabajo multi-paso autónomo, no de responder preguntas de examen.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

La métrica clave no es el costo por token — ese dato es fácil de obtener pero engañoso, porque diferentes modelos usan cantidades muy distintas de tokens. Artificial Analysis calcula el costo por tarea: el gasto promedio en dólares para ejecutar una tarea completa desde su suite de evaluación, incluyendo tokens de entrada, razonamiento y respuesta facturados durante la ejecución real. Esto cubre 137 modelos desde diciembre de 2024.

Cómo ha migrado la frontera de costos

La línea de Pareto — los modelos más capaces a cada punto de precio — se ha movido agresivamente. Cada frontera sucesiva queda arriba y a la izquierda de la anterior: más inteligencia al mismo costo, o la misma inteligencia por menos.

Nivel de Inteligencia	Primer cruce medido	Colapso de costo	Tiempo de duplicación
Índice ≥ 30	Ago 2025 (GPT-5 high)	29x	~73 días
Índice ≥ 40	Feb 2026 (Claude Sonnet 4.6)	56x	~28 días
Índice ≥ 50	Mar 2026 (GPT-5.4 xhigh)	35x	~29 días
Índice ≥ 60	Jun 2026 (Claude Fable 5 max)	3,8x	~34 días

Fuente: Datos reconstructivos de Artificial Analysis citados en CatalystNeuro.

El patrón es consistente: un modelo premium de frontera abre el nivel a precio alto, luego modelos más pequeños y distillados llegan al mismo nivel reduciendo el costo por orden de magnitud. En el nivel ≥ 40, Claude Sonnet 4.6 abrió en febrero a US$1,22; Gemini 3.1 Pro Preview lo undercut a US$0,33 en dos días; MiMo-V2.5-Pro bajó el récord a US$0,034 en abril; y GPT-5.6 Luna mantiene el registro actual en US$0,022.

En julio de 2026, OpenAI ejecutó el corte de precios más agresivo del año: redujo el precio de GPT-5.6 Luna un 80 % (de US$1,00/US$6,00 a US$0,20/US$1,20 por millón de tokens) y Terra un 20 %, confirmado por Sam Altman directamente. Según el gráfico publicado por OpenAI citando Artificial Analysis v4.1, Luna alcanza un índice de ~51,3 a un costo por tarea de ~US$0,055 — prácticamente igual a Claude Opus 5 (Low) a ~US$0,35, pero seis veces más barato. Esta fue una jugada de volumen: a US$0,20 por millón de tokens de entrada, Luna compite directamente con modelos open-source que antes se elegían solo por precio.

Lo que cambia cuando la lectura masiva es rutina

A centavos por documento, un modelo puede leer todos los papers de un campo, todos los registros de un archivo, todos los emails o todo el historial de soporte como parte de la operación diaria. El problema deja de ser "qué documentos revisar" para convertirse en "qué preguntas hacerle a todos ellos".

Esto activa tres cambios estructurales:

Multi-pass workflows se vuelven la norma. Ejecutar una tarea tres veces y tomar consenso cuesta menos que ejecutarla una vez hace unos meses, y las ganancias de precisión son significativas.
Los proyectos de análisis se convierten en monitoreo continuo. Un escaneo que antes era un experimento puntual puede correr sobre cada nueva publicación o registro a medida que aparece.
Las capas de capacidad pierden relevancia. Una pipeline va a enrutar cada paso al nivel de inteligencia que necesite a cualquier precio que tenga esa semana.

El recurso escaso en ese escenario no es la inteligencia — es el juicio sobre dónde apuntarla, la verdad fundamental para verificarla, y los sistemas para ejecutarla a escala. Esas partes del trabajo no se están abaratando.

Qué significa esto para tu startup

El parásodo de Jevons aplicado a IA

En 1865, William Stanley Jevons observó que los motores de vapor más eficientes, que necesitaban menos carbón por unidad de trabajo, habían aumentado el consumo total de carbón en Gran Bretaña en lugar de reducirlo — porque el trabajo más barato encontró usos infinitamente mayores. Lo mismo ocurre cuando el costo de una unidad de inteligencia cae 56 veces.

El trabajo existente se vuelve más barato, pero el efecto mucho mayor es el trabajo que no se estaba haciendo porque no superaba la barrera de costo. En el caso de CatalystNeuro: a los precios del año pasado, el escaneo de literatura se ejecutaba una vez sobre una muestra; a los precios actuales, se ejecuta sobre el corpus completo, se repite cuando cambia el pipeline, y planean ejecutar cada resultado positivo tres veces para reducir ruido. El costo por paper cayó más de un orden de magnitud y el gasto total en el proyecto subió.

La demanda de inteligencia a un precio dado parece altamente elástica. Mientras eso se mantenga, la frontera en descenso se traduce en más tokens consumidos, no en menos dólares gastados.

Dos acciones concretas que puedes implementar esta semana

1. Diseña arquitecturas donde el modelo sea un componente intercambiable. Si una capacidad existe a cualquier precio hoy, la suposición sensata de planificación es que existirá a precio commodity en meses. Las fronteras de capa aún no se han estabilizado y no muestran señales de hacerlo pronto. Implementar routers de modelo explícitos — como el que ofrece OpenRouter, que envía cada solicitud al modelo más barato en la frontera de Artificial Analysis que supere un umbral mínimo de capacidad — te permite beneficiarte automáticamente de la frontera móvil sin tracking manual.

2. Redefine tus casos de uso basándote en volumen, no en complejidad máxima. Identifica las tareas que tu equipo rechaza o limita por costo operativo: moderación de contenido a escala, revisión sistemática de contratos, curación de datasets, triage de soporte. Todas estas tienen la misma forma — requieren un modelo bueno suficiente aplicado miles de veces — y todas se vuelven viables cuando el costo por ejecución cae un orden de magnitud. El filtro correcto ya no es "¿puede el modelo hacerlo?" sino "¿podemos hacerlo diez mil veces con nuestro presupuesto?"

La carrera que viene

Si el ritmo de los últimos niveles se mantiene, Grok 4.6 (US$0,84 por tarea actualmente) debería caer debajo de diez centavos alrededor de diciembre de 2026. El nivel de índice 55, que Grok 4.5 mantiene en US$0,36 hoy, debería costar menos de un centavo para mediados de octubre. En la cima, la subida se ha desacelerado — el índice subió 28 puntos en un año pero solo uno desde junio — lo que sugiere saturación del índice actual, no un ralentizamiento de los modelos. El próximo hito probablemente sea una revisión del índice, no un salto numérico grande.

Cada nivel de capacidad ha seguido el mismo arco hasta ahora: debut premium, commoditización rápida, récord establecido por un modelo distillado u open-source a un porcentaje mínimo del precio de lanzamiento. Para los fundadores que planifican infraestructura de IA, la conclusión es clara: diseña para la movilidad, no para la estabilidad.