Epoch AI: el costo de la IA cae 13 veces al año

La IA se abarata 13 veces por año: qué midió Epoch AI

El costo de alcanzar un nivel determinado de rendimiento en inteligencia artificial cayó alrededor de un 47% por trimestre desde 2023, un ritmo equivalente a abaratarse unas 13 veces por año. Los datos provienen de Epoch AI y están recogidos en un informe elaborado por Adrian Cox junto a Azeem Azhar, fundador de Exponential View, para el Deutsche Bank Research Institute.

La traducción para quien construye es directa: la capacidad de cómputo que hoy te parece cara puede costar la mitad en tres meses. Eso reordena el presupuesto de inferencia, el diseño del producto y hasta el tamaño de la ronda que necesitas.

Epoch AI no mide el precio promedio de todos los productos de IA. Mide cuánto cuesta que un modelo alcance un estándar de rendimiento concreto. Su referencia principal es GPQA Diamond, una prueba de preguntas de nivel posgrado en materias científicas, y rastrea el costo de los modelos que aciertan al menos el 81,25%, según TechSpot. Crypto Briefing reporta además que el informe de Epoch AI se titula The Plunging Price of Thought y se publicó el 22 de septiembre de 2026.

De US$0,30 a US$0,0004 por pregunta: el caso que mejor lo explica

El ejemplo más nítido compara dos modelos de OpenAI. Según TechSpot, GPT o3, lanzado en enero de 2025, alcanzó un 75% en GPQA Diamond a un costo de US$0,30 por pregunta. Aproximadamente un año y medio después, GPT-5.6 Luna llegaba al mismo puntaje por US$0,0004 por pregunta.

Crypto Briefing cifra esa diferencia en una caída de 725 veces en el costo por un resultado idéntico.

Vale la pena detenerse en por qué ocurre. Un modelo nuevo no solo acierta más: también puede necesitar menos cómputo o menos tokens para la misma tarea. A eso se suman proveedores que bajan precios al desplegar sistemas más eficientes. El resultado es que la calidad deja de ser el único eje de competencia: el costo de entregar esa calidad pesa igual.

¿Por qué la IA se abarata más rápido que el ADN, el cómputo o las baterías?

La comparación con otras tecnologías transformadoras es la parte más citada del trabajo. El abaratamiento de la IA es cuatro veces más rápido que el de la secuenciación del ADN, seis veces más rápido que el del cómputo y 18 veces más rápido que el de las baterías de litio, según el informe citado por Bloomberg Línea.

Para dimensionarlo, TechSpot recuerda que las baterías de litio bajaron unas 100 veces entre 1991 y 2024, y que el cómputo se abarató cientos de miles de millones de veces en unos 60 años desde 1940. La IA recorrió su curva en tres años.

Hay una advertencia metodológica que conviene leer antes de extrapolar: los datos de IA arrancan en 2023 y las cifras previas se estimaron por extrapolación; los datos de cómputo terminan en 2001 y los de electricidad, en 1973. La comparación no captura todo lo que ocurrió en esas industrias en las últimas dos décadas.

El abaratamiento no es parejo y se está desacelerando

No existe una única curva de costos de IA. Epoch AI revisó otros benchmarks de matemáticas y acertijos de ajedrez y encontró comportamientos distintos: algunas tareas mejoran de forma sostenida y otras se estancan por largos períodos antes de caer de golpe. Los resultados de Frontier Math, por ejemplo, cambiaron poco entre 2025 y 2026 y luego cayeron con fuerza a mediados de 2026, según TechSpot.

El informe también detectó que el ritmo se modera. En los cinco benchmarks que siguieron, los costos caían inicialmente 66% por trimestre; dos años después, la caída era de 32% por trimestre. Sigue siendo rápido, pero refleja que reducir el costo de inferencia se vuelve más difícil cuando la energía, la capacidad de centros de datos y el hardware se encarecen.

Crypto Briefing añade un matiz clave: de las 13 veces anuales, solo una parte es eficiencia algorítmica pura, estimada en unas 3 veces por año. El resto depende de mejoras de hardware y de competencia entre proveedores.

Casi US$1 billón en capex: ¿por qué se invierte más cuando todo se abarata?

La paradoja del momento: el precio de la IA se derrumba y el gasto se dispara. El informe citado por Bloomberg Línea estima que los hiperescaladores de Estados Unidos y China, junto con los proveedores de nube especializados en IA (los neoclouds), invertirán casi US$1 billón en gastos de capital relacionados con IA durante 2026, casi el doble que el año anterior.

Los números del research permiten desagregar esa cifra. UBS proyecta, según Investing.com, un gasto de capital en IA de US$998.000 millones en 2026 frente a US$506.000 millones en 2025, y US$1,447 billones en 2027. La memoria se lleva la mayor parte del aumento: pasaría de US$71.000 millones en 2025 a US$367.000 millones este año y US$923.000 millones en 2027.

Gartner, por su parte, estima que el gasto mundial en IA crecerá 49,5% en 2026 hasta US$2,7 billones, con el gasto en infraestructura de IA subiendo 51,2% y el de software de IA, 60,2%, según Computerworld.

A esto se suma el financiamiento estructurado. El 10 de agosto de 2026, Nvidia anunció acuerdos con Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs y KKR para movilizar más de US$500.000 millones de capital de terceros hacia infraestructura de cómputo, según WWWhat's New. El gasto combinado en IA de las grandes tecnológicas ya supera los US$730.000 millones en 2026.

Para justificar ese desembolso, las empresas que pagan cada vez más por capacidad de cómputo necesitan resultados crecientes: mayor productividad de los empleados, flujos de trabajo más eficientes y nuevos productos y servicios, según el informe del Deutsche Bank.

¿Qué significa esto para tu startup?

1. No firmes precios fijos largos por capacidad de inferencia. Si el costo por resultado cae a este ritmo, un compromiso de 12 o 24 meses a precio fijo te deja pagando hoy lo que en seis meses valdrá una fracción. Prefiere contratos flexibles o arquitecturas que te permitan migrar de proveedor sin reescribir tu producto.

2. Diseña para el modelo barato que viene, no para el caro de hoy. Si una función solo es viable con el modelo más caro del mercado, probablemente sea viable con un modelo de gama media en dos trimestres. Antes de descartar un caso de uso por costo, pregúntate cuándo deja de ser caro.

3. Mide costo por tarea resuelta, no por token. El precio por millón de tokens es una métrica de proveedor, no de negocio. Lo que importa es cuánto te cuesta resolver una consulta, cerrar un ticket o generar un documento. Ese número es el que se compara contra el valor que entregas.

4. Cuidado con optimizar para el benchmark. Epoch AI advierte sobre el riesgo de benchmaxxing: modelos entrenados para brillar en pruebas específicas sin las mismas ganancias en trabajo real. Si eliges proveedor solo por su puntaje, puedes terminar con un modelo excelente en el examen y mediocre en tu caso de uso.

5. Revisa tu tesis de inversión. Si tu ventaja competitiva es "usamos el mejor modelo", esa ventaja se erosiona rápido: el costo de igualar una capacidad cae más fuerte justo después de que aparece, cerca del 66% por trimestre. La defensa está en los datos propios, la integración y la confianza del cliente, no en el acceso al modelo.

Conclusión

El abaratamiento de la IA es real, medible y más rápido que el de cualquier tecnología transformadora anterior. Pero no es lineal, no es parejo entre tareas y se está moderando. La lectura útil para un founder no es "todo será gratis", sino que el costo de la inteligencia deja de ser la restricción principal y pasa a serlo la capacidad de convertir esa inteligencia en producto.

Quien construya asumiendo precios que caen tendrá margen. Quien construya asumiendo precios estables competirá contra alguien que sí lo hizo.

Fuentes

• Bloomberg Línea (fuente original)
• TechSpot
• Crypto Briefing
• Investing.com vía Yahoo Finanzas
• Computerworld España
• WWWhat's New