¿Por qué el coste de la inteligencia artificial cae seis veces más rápido que la Ley de Moore?

La inteligencia artificial se está abaratando a una velocidad que ninguna tecnología transformacional había logrado en siglos: el costo necesario para alcanzar un determinado nivel de rendimiento ha caído un 47% cada trimestre desde 2023, lo que equivale a una reducción de 13 veces por año. Un nuevo informe elaborado por Epoch AI, un instituto de investigación independiente con sede en San Francisco, demuestra que esta tendencia no solo supera ampliamente la curva histórica de la Ley de Moore, sino que también deja atrás la evolución de costes de la secuenciación de ADN, las baterías de litio y la computación tradicional.

Para cualquier founder que construya productos basados en IA, este dato tiene implicaciones directas: lo que hoy cuesta una fortuna en inferencia puede ser marginal mañana, cambiando radicalmente la viabilidad económica de modelos de negocio que antes parecían inviables. Sin embargo, esta deflación de costes también elimina las barreras de entrada y intensifica la competencia, obligando a las startups a encontrar ventajas sostenibles más allá del acceso a modelos de vanguardia.

¿Qué mide realmente el estudio de Epoch AI?

A diferencia de los análisis tradicionales que simplemente comparan el precio por token de diferentes modelos, Epoch AI ha desarrollado una metodología más precisa: mide cuánto hay que gastar para obtener un resultado específico y útil, teniendo en cuenta tanto los modelos de razonamiento como el número de tokens que consumen para llegar a él.

🤖 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

El estudio analiza cinco benchmarks principales que cubren matemáticas, ciencias duras y juegos de habilidad, incluyendo pruebas como GPQA Diamond (un examen de opción múltiple a nivel de posgrado en física, química y biología), FrontierMath, AIME (OTIS Mock), rompecabezas de ajedrez y misterios lógicos. La clave del enfoque radica en trazar la «frontera de Pareto» de rentabilidad: identificar cuál es el modelo más barato disponible en cada momento capaz de entregar un nivel de precisión determinado.

Los resultados son contundentes. En términos generales, el costo por nivel de rendimiento cae un 47% trimestral (13x anual). Pero esta cifra oculta variaciones importantes según el dominio: en problemas matemáticos, la caída es aún más pronunciada, entre un 50% y 52% por trimestre (16-19x anual), mientras que en puzzles basados en juegos se sitúa entre un 39% y 43% (7-10x anual).

Un ejemplo ilustrativo tomado del propio informe: cuando OpenAI lanzó el modelo o3 en enero de 2025, podía alcanzar un 75% de acierto en GPQA Diamond a un costo promedio de $0.30 por pregunta. Aproximadamente 18 meses después, con GPT-5.6 Luna, se lograba exactamente el mismo rendimiento por $0.0004 por pregunta. Se trata de una reducción de 725 veces en menos de un año y medio, comparable a ver cómo el precio de un coche nuevo cae de $50,000 a $69.

La caída de precios en números: contexto competitivo actual

Los datos de Epoch AI reflejan una realidad que ya se está materializando en los mercados. Los principales proveedores de IA están compitiendo agresivamente no solo en capacidad, sino en eficiencia de inferencia, un fenómeno que analistas de Forrester y Gartner describen como una «carrera por la relación precio-rendimiento».

OpenAI redujo drásticamente los precios de su línea GPT-5.6 en julio de 2026: el modelo GPT-5.6 Luna cayó un 80% hasta cotizar a $0.20 por millón de tokens de entrada y $1.20 por salida, mientras que Terra bajó un 20% a $2.00/$12.00. Solo el modelo insignia Sol mantuvo su precio en $5/$30. Según la propia empresa, estas mejoras se financian gracias a optimizaciones internas donde el modelo ayudó a reescribir kernels de GPU en producción, logrando una reducción del 20% en costos de servicio y un aumento del 15% en eficiencia de generación de tokens.

Anthropic siguió una estrategia similar con Claude Opus 5.5, lanzado con precios por token un 20% inferiores a los de Opus 5, ofreciendo un rendimiento comparable al de Fable 5.1 pero a un costo significativamente menor: $4 por millón de tokens de entrada y $20 por salida. Google, por su parte, posicionó a Gemini 3.6 Flash en $1.50/$7.50 por millón de tokens, compitiendo directamente en el segmento medio.

La presión competitiva no proviene únicamente de los laboratorios estadounidenses. Investigaciones de CNBC revelaron que los modelos chinos capturaron el 46% del uso de tokens empresariales en Estados Unidos dentro de la plataforma OpenRouter, llegando a superar en ciertos momentos a los modelos de origen estadounidense. Modelos como DeepSeek V4 Pro operan con descuentos promocionales permanentes del 75%, cotizando a apenas $0.435/$0.87 por millón de tokens.

¿Qué significa esto para tu startup?

La deflación acelerada del costo de la inteligencia artificial presenta tanto oportunidades estratégicas como riesgos competitivos. Para funders y equipos técnicos, estos son los puntos críticos:

1. Reevaluar la arquitectura de tu stack de IA

Muchas startups comenzaron sus productos asumiendo que el costo de inferencia sería una fracción significativa de sus márgenes. Con caídas de 13x anuales, esa suposición queda obsoleta rápidamente. Si tu modelo de negocio depende de funciones de IA, probablemente puedas expandir su alcance o reducir precios para el usuario final sin sacrificar rentabilidad.

Sin embargo, la ventaja de costos no es automática. Los proveedores cobran según el modelo que elijas y la forma en que estructures tus llamadas. No todos los modelos bajaron de precio uniformemente: mientras Luna cayó 80%, Sol mantuvo su precio premium. Del mismo modo, los modelos de razonamiento (como la serie o3 de OpenAI) facturan los tokens de pensamiento interno a tarifa de salida, lo que puede multiplicar por 3 a 10 veces el costo base dependiendo de la complejidad de la tarea.

2. Implementar enrutamiento inteligente de modelos

La estrategia más efectiva para controlar gastos no es elegir un único proveedor, sino implementar un sistema de routing que dirija cada tipo de solicitud al modelo más económico capaz de resolverla adecuadamente. Las tareas simples de alto volumen (clasificación, etiquetado, extracción de datos) pueden ejecutarse en modelos económicos como Luna o GPT-4.1 Nano ($0.10/$0.40), reservando los modelos premium solo para problemas genuinamente complejos.

3. Optimizar activamente tus prompts y aprovechar el caché

Los ahorros reales en producción van mucho más allá de los recortes de precio anunciados. Combinando cuatro palancas — enrutamiento de modelos, compresión de prompts, caché de entrada y procesamiento por lotes — se puede reducir la factura de una API en producción entre un 50% y 70% adicional sin afectar la calidad de los resultados.

El prompt caching ofrece descuentos de hasta el 90% en tokens de entrada repetidos. Si tus llamadas comparten un system prompt fijo, instrucciones estables o bloques de conocimiento común, colocar ese contenido constante al inicio del prompt permite servirlo a una fracción del precio. De manera similar, la Batch API de OpenAI ofrece un 50% de descuento para cargas de trabajo que no requieren respuesta instantánea, ideal para procesamiento masivo nocturno o enriquecimiento de datos offline.

4. Considerar si el código abierto tiene sentido para tu caso

Con los precios de APIs cerradas cayendo tan rápido, la propuesta de valor del auto-hospedaje de modelos abiertos cambia. El código abierto realmente gana en volúmenes muy altos, tareas simples o cuando existen requisitos estrictos de soberanía de datos y privacidad. Pero siempre hay que sumar los costos ocultos: GPUs, mantenimiento, disponibilidad, seguridad y el tiempo de ingeniería dedicado a mantener la infraestructura funcionando.

5. Construir ventajas que no dependan exclusivamente del modelo

Cuando la capacidad de IA se convierte en commodity, la diferenciación real debe venir de otro lado: integración profunda en flujos de trabajo específicos, datos propietarios, experiencia de usuario superior o distribución. Las empresas que capturen valor a través de la implementación práctica y la confianza institucional tendrán más resiliencia que aquellas que dependan únicamente del acceso a inteligencia de frontera.

Conclusión

El estudio de Epoch AI documenta algo que ya estamos experimentando en el mercado: la inteligencia artificial se está convirtiendo en una utilidad básica a precios cada vez más bajos, siguiendo una curva de deflación sin precedentes en la historia tecnológica. Para los founders hispanohablantes, esto representa una oportunidad histórica para construir productos con IA que antes eran económicamente inviables, especialmente en mercados emergentes donde los presupuestos han sido tradicionalmente más ajustados.

La clave está en no asumir que los menores precios de API equivalen automáticamente a menores costos para tu producto. La optimización disciplinada — elegir el modelo correcto para cada tarea, aprovechar el caché, usar batch processing y auditar constantemente el consumo — es lo que realmente determina si aprovechas esta ventana de oportunidad o simplemente migras gastos sin ganancia real.

Mientras los proveedores compiten por convertirse en la vía predeterminada de adquisición de inteligencia empresarial, las startups que entiendan la economía subyacente de la inferencia estarán mejor posicionadas para escalar de forma sostenible.