La promesa de una inteligencia artificial abundante, barata y accesible para todos empieza a chocar con una realidad mucho menos cómoda: cada consulta, cada respuesta, cada razonamiento intermedio y cada agente autónomo en ejecución consume tokens. Y esos tokens cuestan dinero. Mucho dinero cuando el uso deja de ser experimental y se convierte en una capa diaria de trabajo dentro de una empresa.
Durante los últimos años, la industria ha repetido que la IA generativa iba a democratizar el conocimiento, acelerar la productividad y poner capacidades avanzadas al alcance de cualquier profesional. En parte es cierto. Nunca ha sido tan fácil programar con ayuda de un modelo, resumir documentos, automatizar tareas o crear asistentes internos. Pero esa democratización tiene una condición material que se menciona menos: alguien debe pagar la inferencia.
El problema ya no es solo técnico. Es económico. Los modelos más potentes son caros, los agentes consumen más que los chatbots tradicionales y la facturación por uso empieza a sustituir a la tarifa plana que permitió la adopción masiva inicial. La IA empresarial entra así en una fase más madura y más desigual: quien pueda asumir grandes facturas de API tendrá acceso a flujos de trabajo más complejos; quien no, tendrá que limitar usos, elegir modelos más baratos o buscar arquitecturas alternativas.
El token se convierte en el nuevo cuello de botella
La unidad económica de la IA ya no es la licencia por usuario, sino el millón de tokens. Un token puede ser una palabra corta, una parte de una palabra o un fragmento de texto procesado por el modelo. En una consulta sencilla apenas se nota. En un agente que revisa un repositorio completo, consulta documentación, genera código, ejecuta pruebas, corrige errores y vuelve a intentarlo, el consumo se dispara.
Esa es la diferencia entre usar IA como asistente y usar IA como sistema autónomo. Un chatbot responde. Un agente itera. Lee, piensa, compara, llama a herramientas, genera resultados intermedios y decide el siguiente paso. Cada vuelta del bucle tiene coste.
La tendencia ya se está viendo en los precios y en las políticas comerciales de los grandes proveedores. OpenAI sitúa GPT-5.5 en 5 dólares por millón de tokens de entrada y 30 dólares por millón de tokens de salida en API estándar, con descuentos para batch y recargos para prioridad. Anthropic mantiene Claude Opus 4.7 en 5 dólares de entrada y 25 dólares de salida. Google ofrece Gemini 3.5 Flash a 1,50 dólares de entrada y 9 dólares de salida en su API de pago. xAI, con Grok 4.3, se mueve en una franja inferior: 1,25 dólares de entrada y 2,50 dólares de salida.
La comparación con algunos modelos chinos muestra una diferencia muy relevante en coste por token, aunque no siempre sean modelos equivalentes en capacidad, latencia, ecosistema, cumplimiento normativo o disponibilidad empresarial. DeepSeek V4 Pro aparece con precios de 0,435 dólares por millón de tokens de entrada y 0,87 dólares de salida. Alibaba Cloud lista Qwen-Max a 2,50 dólares de entrada y 7,50 dólares de salida. Z.ai/GLM-5.1 aparece en proveedores públicos con referencias cercanas a 1,40 dólares de entrada y 4,40 dólares de salida. Baidu situó ERNIE 4.5 desde 0,004 yuanes por 1.000 tokens de entrada y 0,016 yuanes por 1.000 de salida, equivalentes aproximados a 0,55 y 2,20 dólares por millón en el momento de su anuncio. MiniMax M2.7 se mueve alrededor de 0,30 dólares de entrada y 1,20 dólares de salida en distintos proveedores.
Tabla comparativa de precios por millón de tokens
Los precios de esta tabla son orientativos y están pensados para comparar órdenes de magnitud, no para tomar una decisión de compra sin revisar la ficha oficial de cada proveedor. Pueden variar según la fecha en la que se lea este artículo, la región, el modo de ejecución, el contexto utilizado, descuentos por batch, caché, prioridad, promociones temporales o acuerdos enterprise.
| Región | Empresa | Modelo de referencia | Entrada por 1M tokens | Salida por 1M tokens | Lectura rápida |
|---|---|---|---|---|---|
| EE. UU. | OpenAI | GPT-5.5 | 5,00 $ | 30,00 $ | Alto coste de salida para tareas largas y agentes que generan mucho texto |
| EE. UU. | Anthropic | Claude Opus 4.7 | 5,00 $ | 25,00 $ | Muy caro en salida, aunque con descuentos por caché y batch |
| EE. UU. | Gemini 3.5 Flash | 1,50 $ | 9,00 $ | Más competitivo que modelos frontera de mayor coste | |
| EE. UU. | xAI | Grok 4.3 | 1,25 $ | 2,50 $ | Precio agresivo frente a otros modelos estadounidenses |
| China | DeepSeek | DeepSeek V4 Pro | 0,435 $ | 0,87 $ | Muy barato para flujos intensivos, sujeto a condiciones y promociones |
| China | Alibaba/Qwen | Qwen-Max | 2,50 $ | 7,50 $ | Coste intermedio dentro del bloque chino |
| China | Z.ai/Zhipu | GLM-5.1 | 1,40 $ | 4,40 $ | Competitivo para tareas de razonamiento y código |
| China | Baidu | ERNIE 4.5 | ≈0,55 $ | ≈2,20 $ | Precios convertidos desde yuanes; pueden cambiar por región y modelo |
| China | MiniMax | MiniMax M2.7 | 0,30 $ | 1,20 $ | Uno de los costes más bajos para agentes y código |
La tabla deja ver una tensión de fondo: los modelos estadounidenses más avanzados suelen tener precios de salida mucho más altos, justo en la parte que más pesa en agentes autónomos, asistentes de programación, generación de documentación y flujos multiagente. Los modelos chinos, en cambio, compiten de forma muy agresiva en precio, aunque el coste no es la única variable que debe considerar una empresa.
La abundancia prometida depende de una infraestructura cara
El discurso de la “era de la abundancia” se apoyaba en una idea sencilla: si la inteligencia se convierte en software, su coste tenderá a caer hasta hacerse casi marginal. Pero la IA generativa no es software tradicional. Requiere centros de datos, GPUs o aceleradores especializados, energía, memoria, redes rápidas, almacenamiento y equipos que mantengan modelos cada vez más grandes y complejos.
La inferencia no es gratis. Y en agentes autónomos, la inferencia se multiplica. Una cosa es pedir a un modelo que redacte un correo. Otra muy distinta es pedirle que analice una base de código, planifique una migración, cree pruebas, ejecute comandos, revise errores y vuelva a intentarlo varias veces. La segunda tarea puede consumir cientos o miles de veces más tokens que la primera.
Por eso los proveedores están ajustando sus modelos de negocio. GitHub ha anunciado el paso de Copilot hacia un sistema de AI Credits, ligado al consumo real de tokens de entrada, salida y caché en flujos cada vez más agentic. La propia compañía explica que Copilot ya no es solo una ayuda dentro del editor, sino una plataforma capaz de ejecutar tareas largas y de varios pasos sobre repositorios completos.
También se han conocido casos extremos que sirven como aviso. Tom’s Hardware publicó que el creador de OpenClaw llegó a consumir más de 1,3 millones de dólares en tokens de OpenAI durante 30 días, con 603.000 millones de tokens y 7,6 millones de peticiones generadas por unas 100 instancias de Codex. No es un uso normal de empresa, pero ilustra lo que puede ocurrir cuando los agentes trabajan sin límites presupuestarios claros.
La nueva desigualdad: capacidad de cómputo, no solo talento
El riesgo no es que la IA desaparezca por cara. El riesgo es que la IA más potente se concentre en quienes puedan pagarla de forma sostenida. Grandes tecnológicas, bancos, farmacéuticas, consultoras globales o empresas con presupuestos de infraestructura de seis o siete cifras podrán mantener equipos con acceso constante a modelos de frontera. Muchas pymes, universidades, medios pequeños, desarrolladores independientes o grupos de investigación tendrán que trabajar con límites mucho más estrictos.
Esa diferencia puede convertirse en una ventaja acumulativa. Quien pueda pagar más tokens podrá experimentar más, automatizar más, ejecutar más agentes, validar más hipótesis y acelerar más procesos. Quien tenga que vigilar cada dólar tenderá a limitar consultas, usar modelos más baratos o renunciar a flujos complejos.
Los modelos chinos de bajo coste actúan ahora como una válvula de escape. Permiten imaginar arquitecturas multiagente más baratas, especialmente en tareas de código, extracción, clasificación o análisis masivo. Pero tampoco conviene idealizar esa alternativa. Los precios pueden responder a estrategias de cuota de mercado, promociones temporales, subsidios, eficiencias concretas o decisiones geopolíticas. Si la demanda se dispara, si aumenta la presión regulatoria o si los costes de infraestructura suben, esos precios pueden cambiar.
La pregunta estratégica para las empresas no será solo “qué modelo es mejor”, sino “qué modelo puedo permitirme usar todos los días”. Para muchas cargas, la respuesta no será un único proveedor. Será una arquitectura híbrida: modelos caros para tareas difíciles, modelos baratos para trabajos repetitivos, modelos locales para datos sensibles, caché agresiva, control de presupuesto y observabilidad del consumo.
La IA no ha terminado con la economía de la infraestructura. La ha devuelto al centro del debate. Los tokens se han convertido en la nueva unidad de coste empresarial y, en un mundo de agentes autónomos, cada decisión técnica tendrá una lectura financiera. La abundancia llegará antes para quienes puedan pagarla.
Preguntas frecuentes
¿Por qué los agentes autónomos consumen tantos tokens?
Porque no se limitan a responder una pregunta. Dividen tareas, leen contexto, consultan herramientas, generan pasos intermedios, revisan resultados y vuelven a intentarlo. Cada ciclo consume tokens de entrada y salida.
¿Son comparables todos los precios de la tabla?
No completamente. Cada modelo tiene capacidades, contexto, velocidad, disponibilidad, condiciones comerciales y políticas de datos distintas. La tabla sirve para comparar costes aproximados por millón de tokens.
¿Pueden cambiar estos precios?
Sí. Los precios pueden variar según la fecha de lectura, región, descuentos por batch o caché, promociones, acuerdos enterprise, prioridad de procesamiento o cambios comerciales del proveedor.
¿Qué pueden hacer las empresas para controlar el coste de la IA?
Medir consumo por equipo y caso de uso, definir presupuestos, usar modelos más baratos cuando sea suficiente, aplicar caché, limitar agentes persistentes y reservar modelos caros para tareas donde aporten valor claro.
