OpenAI y Anthropic copan la frontera de precio de la IA

Los modelos cerrados se quedaron con casi todo el presupuesto

Solo el 3% de los presupuestos de inferencia tiene hoy a un modelo de pesos abiertos como la mejor compra en relación precio-rendimiento, según el LLM Atlas de Village. En junio esa cifra era del 41%. La caída es la más pronunciada que el índice haya medido: al cierre de cada trimestre desde 2024, los modelos abiertos nunca habían bajado del 6%.

El dato toca directo la línea de costos de cualquier startup que ya tenga IA en producción. Si tu arquitectura asume que el modelo abierto siempre va a ser la opción barata, ese supuesto acaba de dejar de ser cierto en la mayor parte de la curva de precios.

Village construye el Atlas estimando un puntaje de capacidad por modelo y configuración de razonamiento a partir de benchmarks públicos, y un costo por tarea con un modelo de costos propio. Para cada fecha toma todos los modelos ya publicados y busca el más capaz en cada uno de 201 presupuestos distribuidos en escala logarítmica entre el 1% y tres veces el costo de GPT-5. Los puntajes son al 31 de octubre de 2026.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Quiénes ganan en el extremo barato?

Los pocos presupuestos que los modelos abiertos todavía ganan están casi todos en el piso de la tabla de precios, y los ocupan Gemma 4 E4B, de Google, y MiMo-V2.6-Flash, de Xiaomi.

Hace apenas unos meses el mapa era otro. En junio, DeepSeek V4 Flash era la mejor compra en casi un tercio de todos los presupuestos, con GLM-5.2, de Zhipu, justo por encima. Dos lanzamientos de OpenAI se llevaron casi todo eso de vuelta: GPT-6 Luna, en septiembre, y GPT-6.1 Terra, en octubre, hoy cubren los presupuestos que ganaban los modelos abiertos, acompañados por Claude Haiku 5.5, de Anthropic.

Los abiertos ganan en ráfagas, no en el promedio

El patrón se repite desde 2024: un lanzamiento abierto fuerte y barato —casi siempre de DeepSeek— se queda con una banda ancha de presupuestos hasta que el siguiente modelo cerrado lo deja por debajo. DeepSeek-V3.2-Exp fue la mejor compra en casi la mitad de todos los presupuestos la semana de su lanzamiento, en septiembre de 2025. Ninguno de esos picos duró: después de cada uno, la cuota abierta cayó a la mitad o menos al trimestre siguiente.

¿Por qué los laboratorios cerrados están ganando en valor?

El análisis de Village propone tres explicaciones que encajan con el patrón:

Destilación interna. Un laboratorio con el modelo más fuerte puede entrenar versiones baratas con sus propios resultados. Las capas cerradas económicas de hoy siguieron a sus modelos insignia en cuestión de semanas: Claude Haiku 5.5 llegó dos semanas después de Claude Opus 5.5. Los laboratorios abiertos tienen que partir de sus propios modelos, más débiles, porque los términos de los cerrados suelen prohibir entrenar competidores con sus salidas.
Familias completas. Los modelos GPT-6 y GPT-6.1, desde Luna y Terra hasta Sol y Astra, ocupan 11 de los 21 puntos de la frontera. Una sola generación cubre casi todos los precios.
Escala de servicio. OpenAI, Anthropic y Google corren inferencia a una escala enorme, Google sobre sus propios chips, lo que puede bajar el costo por tarea. La mayoría de los laboratorios abiertos sirve mucho menos tráfico.

El precio de lista cuenta la misma historia

Los precios publicados de API explican por qué la banda abierta se comprimió. OpenAI lista GPT-5.5 en contexto corto a US$5 por millón de tokens de entrada y US$30 por millón de salida, y Anthropic lista Claude Sonnet 4.6 a US$3 y US$15, según TechRepublic. DeepSeek V4 Flash aparece a US$0,14 por millón de entrada (cache miss) y US$0,28 de salida, y DeepSeek V4 Pro a US$0,435 y US$0,87.

Ese diferencial sigue siendo enorme, pero el punto del Atlas no es el precio por token: es el costo por tarea. Un modelo abierto barato que necesita más intentos o más tokens de razonamiento puede terminar costando más que un cerrado de gama media que resuelve a la primera.

¿Qué dicen los datos de adopción empresarial?

El informe 2026: The State of Enterprise AI de Menlo Ventures, publicado el 3 de noviembre, pone números al otro lado de la balanza. El gasto empresarial en IA llegó a US$176.800 millones, 5,4 veces más que el año anterior. Los laboratorios de frontera —Anthropic, OpenAI y Google— capturan el 69% del gasto en despliegue, contra el 50% de 2025. Y los modelos de código abierto manejan aproximadamente uno de cada cinco tokens pero solo uno de cada 25 dólares de gasto en modelos.

Esa brecha entre uso y dinero es el dato más útil para un founder: los equipos usan modelos abiertos para volumen, pero siguen pagando por cerrados donde el resultado importa.

Un informe de Mozilla publicado el 15 de septiembre y reportado por Ars Technica encontró que la brecha de rendimiento entre los mejores modelos cerrados de EE.UU. y los mejores de pesos abiertos chinos se cerró a 4,4 meses, y que Kimi K3, de Moonshot AI, queda a tres puntos de Fable 5 de Anthropic costando un 30% de lo que cuesta este último. Raffi Krikorian, CTO de Mozilla, lo resumió así: pagar por un modelo cerrado «se gana su prima en unos pocos lugares: trabajo profesional experto, recuperación de alta intensidad y contexto largo».

El contraataque abierto todavía no mueve la curva

No es que el ecosistema abierto se haya detenido. Reflection AI, startup de Brooklyn fundada en 2024 por dos exinvestigadores de Google DeepMind, presentó Beam, su primer modelo de frontera de pesos abiertos: 501.000 millones de parámetros totales con 23.000 millones activos, preentrenado con 23,8 billones de tokens y una ventana de contexto de un millón de tokens, según TechCrunch. La compañía afirma que Beam iguala a GLM-5.2 de Z.ai usando entre 3 y 4 veces menos cómputo de inferencia, aunque sus resultados no fueron verificados de forma independiente. Reflection levantó alrededor de US$4.700 millones y su última ronda la valoró en US$25.000 millones pre-money.

Ese tipo de apuesta es la que puede volver a mover la banda. Pero mientras el Atlas mida costo por tarea y no cantidad de parámetros, lo que importa es si el modelo resuelve más barato, no si es abierto.

¿Qué significa esto para tu startup?

La conclusión práctica no es «cambia a modelos cerrados». Es que la decisión de qué modelo responde cada request dejó de ser algo que se define una vez y se olvida.

Audita si estás ruteando todo al mismo modelo. Si cada request va al mismo endpoint sin importar la dificultad, estás pagando precio de frontera por trabajo de triage. Un clasificador liviano que estime la dificultad y derive al modelo más barato que pueda resolverlo es la palanca más grande. En una migración de producción documentada por HPCwire, pasar de una sola API de frontera a una arquitectura por niveles recortó el costo de infraestructura de IA un 42% sin tocar la lógica de la aplicación; en cargas con agentes, el patrón bajó el costo operativo entre 60% y 80%.
Instrumenta el umbral de escalado, no solo el clasificador. El error más común es obsesionarse con la precisión del router y dejar fijo el umbral de confianza a partir del cual un request sube al modelo caro. Registra cada escalado y mide si el modelo caro realmente dio una respuesta mejor: ese dial gobierna la mayor parte del ahorro y de la pérdida.
Compara costo por tarea, no precio por token. Antes de migrar, corre tus propios prompts en ambos modelos y suma el costo total del resultado, incluyendo reintentos y tokens de razonamiento.

Conclusión

La frontera de precio-rendimiento se movió hacia los laboratorios cerrados, y el motivo no es solo que sus modelos sean mejores: es que pueden destilar sus propios modelos insignia, lanzar familias completas y servir a escala. Para un founder, eso significa que la ventaja de costo de los modelos abiertos ya no es un supuesto que se pueda dar por sentado. La estrategia que resiste es la que no depende de un solo proveedor ni de un solo modelo: medir el costo por tarea, rutear por dificultad y mantener la puerta abierta para cambiar cuando la próxima ráfaga abierta llegue.