La paradoja de la eficiencia en la IA: cuanto más barata, menos rentable
Los precios por token han caído unas 600 veces desde 2020, y cada mejora de eficiencia traspasa un poco más el margen del proveedor al cliente. La ingeniería está ganando la partida; el modelo de negocio es la víctima.
Empecemos por el comportamiento, no por el discurso. Se calcula que SpaceX genera entre 2.000 y 2.500 millones de dólares mensuales alquilando lo que una estimación cifra en 400.000 a 500.000 GPU a desarrolladores de IA, Google incluido, según el análisis de Clouded Judgement sobre el mercado de cómputo. Meta, por su parte, estaría preparando la venta de su capacidad de cómputo sobrante como servicio en la nube. Cuando los compradores más agresivos de hardware de IA empiezan a actuar como caseros, la señal es difícil de ignorar: la capacidad ya no escasea, y todo el que tiene balance lo sabe.
Esa señal choca con el relato reconfortante de 2026: una inferencia más barata significa más uso, más uso significa más ingresos, así que la eficiencia beneficia a toda la cadena. La primera parte es cierta. La aritmética de la segunda es donde muerde la paradoja, y los modelos de negocio construidos sobre precios de escasez son los primeros en la fila. El margen de un proveedor es la diferencia entre lo que cuesta producir inteligencia y lo que cuesta venderla, y ese hueco se estrecha por los dos lados a la vez.
La magnitud del apretón es fácil de subestimar. Un análisis de escenarios sobre una posible burbuja de la IA, apoyado en investigación reciente publicada en arXiv, señala una caída de aproximadamente 600 veces en el precio por token entre 2020 y 2026, con un punto de inflexión estructural en torno a mayo de 2024, el momento en que la competencia, y no el progreso del hardware, pasó a ser el motor principal del abaratamiento. Los datos públicos cuentan la misma historia a menor escala: el Índice de IA 2025 de Stanford HAI situó el coste de consultar un modelo de la clase GPT-3.5 en unos 20 dólares por millón de tokens en noviembre de 2022, y en unos 0,07 dólares en octubre de 2024: una caída de más de 280 veces en menos de dos años. Ese punto de inflexión importa más que la cifra en sí. Cuando son las curvas de coste las que fijan los precios, los ingenieros pueden ir por delante. Cuando es la competencia la que los fija, cada mejora de eficiencia se traslada al cliente casi en el instante en que se descubre.
¿Por qué el abaratamiento de la inferencia hunde las valoraciones?
Porque las valoraciones de los laboratorios punteros son, en la práctica, contratos de opción sobre una escasez duradera. Redúzcase la historia a lo esencial: la inteligencia sigue siendo cara, el puñado de firmas capaces de producirla cobra rentas por ello, y esas rentas justifican el capital desplegado. Cada eslabón de esa cadena se debilita a medida que la inferencia se convierte en materia prima. Una previsión de mercado anticipa que los precios de los modelos punteros caerán por debajo de 0,50 dólares por millón de tokens en dos años, con niveles de entrada cerca de 0,10 dólares. Precios así no sostienen rentas de escasez; sostienen márgenes de utility, y los márgenes de utility no justifican los múltiplos de un laboratorio puntero.
Esa misma previsión espera que los proveedores retrocedan hacia arriba en la cadena, hacia el ajuste fino, el entrenamiento a medida y la integración vertical, desplazando el margen de vender inferencia a adaptarla. Pero ese repliegue cambia la base de la competencia. El negocio de más arriba en la cadena premia la distribución, las relaciones empresariales ya existentes y la profundidad de integración por encima de la mera calidad del modelo, y en ese terreno los gigantes integrados tienen la mayoría de las cartas. Una gran tecnológica puede tratar su modelo como una función más que vende capacidad en la nube, ofimática o publicidad. Un laboratorio independiente necesita que el modelo, por sí solo, sostenga toda la cuenta de resultados.
Hay un giro adicional que pocos modelos de precios incluyen. Mi lectura es que los gobiernos tratan ya el cómputo como capacidad estratégica, así que la demanda de hardware puede mantenerse firme incluso mientras el retorno comercial de ese hardware sigue sin demostrarse. Las cifras de gasto ya muestran esa demanda desacoplándose de los retornos demostrados: la previsión de Gartner de marzo de 2025 cifró el gasto mundial en IA generativa en 644.000 millones de dólares para el año, un 76 por ciento más que en 2024, si bien advertía de que las expectativas de los compradores se estaban enfriando tras una alta tasa de fracasos en las primeras pruebas de concepto. Eso sostiene la capa del silicio y a los caseros de GPU, sin hacer nada por devolver el poder de fijación de precios a los proveedores de modelos. La política industrial alarga el auge en los extremos de la cadena y aplaza el ajuste de cuentas en el medio.
¿Quién gana cuando la inteligencia se convierte en materia prima?
El desenlace más plausible es la segmentación, no el colapso. El mismo análisis de escenarios dibuja un mercado de tres niveles: una pequeña franja premium que sigue siendo cara y concentrada, un nivel de nube genérica que se vuelve brutalmente competitivo, y un nivel local y en el propio dispositivo, cada vez mayor, que absorbe las tareas empresariales del día a día. Si esto es aproximadamente correcto, y es mi hipótesis central, la adopción empresarial se divide en dos. El conocimiento institucional, esos datos que una empresa jamás enviaría por correo a un desconocido, migra hacia infraestructuras controladas y a menudo locales, razón por la cual el diseño seguro de sistemas agénticos importa más que la puntuación en un benchmark. Las tareas genéricas fluyen hacia la nube más barata de cada trimestre.
Esa bifurcación es, antes que nada, una cuestión de estrategia, no de compras. Las empresas que clasifiquen pronto sus cargas de trabajo, sensibles frente a genéricas, negociarán desde una posición de fuerza en ambos frentes. Las que traten la IA como un servicio único e indiferenciado pagarán de más en el extremo premium y se protegerán de menos en el extremo sensible. Acertar en esa clasificación es un trabajo de estrategia técnica poco vistoso, y se amortiza la primera vez que un proveedor cambia su página de precios.
La víctima de esta estructura es concreta: no son las grandes tecnológicas, que monetizan el exceso de capacidad alquilando y empaquetando; ni las empresas, que capturan el excedente como compradoras. Quien pierde es el proveedor de modelos independiente, apretado por abajo por la caída de precios y por arriba por la migración del margen hacia la integración.
La consecuencia de segundo orden que casi nadie está descontando: si la franja premium se adelgaza, el riesgo de capacidad de GPU varada recae sobre quien sea dueño del hardware. Meta y SpaceX pueden alquilar su salida de un exceso de oferta. Un actor puramente especializado y muy endeudado, no.
Qué me haría cambiar de opinión
Una postura sin condiciones de salida es teología, así que aquí están las mías.
Revisaría esta tesis si los precios del nivel premium se mantuvieran planos durante doce meses mientras la capacidad seguía duplicándose, porque eso demostraría poder de fijación de precios real y no simple inercia pasajera. La revisaría si los contratos empresariales empezaran a incluir bloqueos plurianuales a precios premium, porque eso indicaría que los compradores perciben unos costes de cambio de proveedor que hoy considero exagerados. Y la revisaría si algún laboratorio independiente demostrara que los despliegues afinados a medida generan una gravedad de datos lo bastante fuerte como para resistir la oferta de un rival más barato.
Con la evidencia de hoy, situaría la probabilidad de un poder de fijación de precios duradero para un laboratorio independiente en aproximadamente una entre cuatro: lo bastante alta como para vigilarla, lo bastante baja como para que importe.
La asimetría que nadie ha descontado
Cada mejora de eficiencia de los dos últimos años ha transferido excedente del proveedor al cliente, y no se ve en el horizonte ningún mecanismo que lo devuelva. Jeff Bezos construyó la expansión de Amazon sobre la máxima de que «tu margen es mi oportunidad»; los proveedores de modelos están ahora en el lado receptor de esa máxima. La asimetría está del lado del comprador.
La respuesta práctica no es esperar a que se asiente el polvo, sino comportarse ya como quien se queda con el excedente: tratar la inferencia puntera como un insumo más, negociar con dureza y con frecuencia, mantener las cargas más sensibles en infraestructura propia, y hacer el trabajo de preparación antes que el de construcción para que el problema de margen de un proveedor nunca se convierta en un problema operativo propio.
El mercado puso precio a la escasez. Lo que se está entregando es abundancia. Para los próximos dos años, la posición inteligente es apostar por el comprador.
Preguntas frecuentes
¿Qué es la paradoja de la eficiencia en la IA?
Es la observación de que abaratar la producción de inteligencia artificial puede arruinar la economía de quienes la producen. Cuando la competencia empuja los precios a la baja más rápido de lo que caen los costes, cada avance de ingeniería se traslada al cliente en forma de rebaja de precio, de modo que el éxito técnico comprime justamente los márgenes de los que dependen las valoraciones más altas.
¿Provocará el abaratamiento de la inferencia el estallido de una burbuja de la IA?
El abaratamiento de la inferencia es señal de una competencia sana, pero pone bajo presión cualquier valoración construida sobre precios de escasez. El desenlace más probable es la segmentación, no un colapso total: una franja premium concentrada, un nivel de nube genérica brutalmente competitivo y un despliegue local cada vez mayor. Los más expuestos son los proveedores de modelos independientes que carecen de distribución o de ingresos por integración.
¿Deben las empresas ejecutar la IA en local o comprarla en la nube?
Para la mayoría de las organizaciones, la respuesta es ambas cosas. Conviene mantener en infraestructura controlada, y a menudo local, las cargas que implican conocimiento institucional y datos sensibles, y enviar las tareas genéricas al proveedor de nube más barato de cada trimestre. Tratar la IA como un servicio único e indiferenciado lleva a pagar de más en el extremo premium y a protegerse de menos en el extremo sensible.
Relacionado
- Cómo la IA empeora a los malos jefes: la máquina de la complacencia en el sillón de mando
- La burbuja de la IA se pagará en hormigón: el verdadero riesgo económico está en los centros de datos
- Digital Business
Escrito por una persona editorial de IA del sistema editorial propietario de Abyshire y revisado por nuestro equipo.