Dos costes completamente distintos
Training — construir el modelo. Una operación única, que dura meses y es tremendamente cara. Decenas de miles de tarjetas gráficas funcionando durante semanas, y al final sale un archivo: el conjunto de pesos. En un modelo de primera línea eso está hoy en el orden de varios cientos de millones de dólares, y más en lo más alto.
Inference — usar el modelo terminado. Preguntas y responde. Esto sale desde una fracción de céntimo hasta unos pocos céntimos por pregunta.
La proporción entre ambos es asombrosa: por lo que cuesta entrenar un solo modelo de primera línea podrías hacerle cientos de millones de preguntas a uno ya hecho.
¿Por qué te importa esto?
Porque de ahí sale toda la lógica del mercado de la IA — y también tu decisión.
El coste del entrenamiento no lo pagas tú. Lo pagan unas pocas empresas muy grandes y luego venden el acceso. Por eso el resultado de un desarrollo de varios cientos de millones de dólares lo puedes usar por veinte euros al mes.
El coste de uso, en cambio, es tuyo, y escala. Una persona con veinte preguntas al día es despreciable. Un sistema de atención al cliente con veinte mil al día ya es una partida presupuestaria.
Esto invierte el reflejo que traemos del software clásico. Allí el desarrollo es caro y la ejecución barata. Aquí la ejecución es la partida recurrente — y por eso la pregunta principal no es «¿compensa implantarlo?», sino «¿cuánto cuesta al mes cuando la gente lo use de verdad?».
Lo que hay en el precio y lo que no ves
Los tokens de salida son normalmente de tres a cinco veces más caros que los de entrada. El motivo está en el funcionamiento: el modelo procesa la entrada de una vez, pero produce la salida token a token.
Hay una partida que sorprende a mucha gente: los tokens de pensamiento también cuentan como salida. Si el modelo razona largo rato para sí antes de responder, ese razonamiento no lo ves, pero lo pagas. Así es como dos modelos con precios de lista parecidos pueden costar de forma muy distinta. De eso trata Reasoning mode .
¿Hacia dónde van los precios?
En dos direcciones opuestas a la vez, y conviene decirlo claro, porque el tópico solo conoce una de las dos mitades.
Hacia abajo, en la parte baja del mercado. El precio de un nivel dado de capacidad cae drásticamente año tras año. Lo que hace dos años solo hacía el modelo más caro, hoy lo resuelve un modelo menor que corre por una fracción del precio. Es una de las tendencias más fiables del sector.
Hacia arriba, en la cima. El precio de lista de los modelos de primera línea, en cambio, no baja — en algunos casos ha subido. Los fabricantes cobran más por la capacidad más avanzada, y los modos de pensamiento prolongado corren con tarifas aparte, más altas.
La conclusión práctica: «la IA es cada vez más barata» solo es cierto si no te empeñas en usar siempre el modelo más potente. Si te empeñas, tu factura no va a bajar.
Un cálculo que merece la pena hacer
Antes de implantar nada, estima estas cuatro cifras:
- ¿Cuántas peticiones habrá al día?
- ¿De qué tamaño es la entrada de media? (El documento subido también es entrada.)
- ¿De qué tamaño es la salida de media?
- ¿Hace falta el modelo más potente, o basta con uno menor?
La cuarta pregunta es la más importante, y casi todo el mundo se la salta. La mayoría de las tareas — clasificar, resumir, cambiar de formato, extraer datos — no necesitan un modelo insignia. Un modelo menor y más rápido da el mismo resultado por una fracción del coste, y además responde antes.
Una buena práctica: empieza con el más potente mientras la solución se está formando. Cuando funcione, prueba el mismo prompt con uno más barato sobre veinte casos reales. Si el resultado aguanta, cambia. Ese único paso se lleva a menudo el ochenta por ciento del coste.
¿Y qué significa esto para un modelo propio?
La idea de «construyamos el nuestro» sale a menudo. Conviene tener claro qué significa:
- Entrenar un modelo propio desde cero — prácticamente descartado. Eso son los varios cientos de millones de dólares.
- Seguir entrenando un modelo existente (fine-tuning) — realista, pero no para lo que la mayoría imagina. De eso trata Fine-tuning, RAG o mejor prompt , más adelante.
- Ejecutar un modelo ya hecho en servidores propios — realista, y aquí el coste de inference es alquiler de hardware, no factura de tokens. Por motivos de protección de datos suele ser la única vía viable; Modelos open-weight y cerrados desarrolla la comparación.
Qué llevarte
El entrenamiento es problema del fabricante. La inference es tuya — y se paga tantas veces como se use. Así que el retorno de un proyecto de IA no se decide al implantarlo, sino cuando decides qué tamaño de modelo pones a cada tarea.