280x más barato en dos años: la economía de la IA se ha invertido

En 2023, una consulta a GPT-4 costaba lo suficiente como para que tocara contar con cuidado. En 2025, una consulta equivalente se volvió 280 veces más barata. No un 280 por ciento – 280 veces. En dos años, el costo de usar IA pasó de ser una barrera a ser un error de redondeo.

Stanford AI Index – el informe anual que recopila datos sobre la industria de la IA desde cientos de fuentes – registró esta caída en su edición de 2025. Y en el informe de 2026 añadió contexto: las inversiones en IA estallaron hasta los $285.900 millones, los consumidores reciben valor por $172.000 millones al año, y los centros de datos consumen tanta electricidad como el estado de Nueva York. La economía se ha invertido – pero no como se esperaba.

280x – qué pasó con el costo

Stanford AI Index 2025 introdujo una métrica que merece su propio párrafo: el costo de inferencia de modelos al nivel de GPT-3.5 cayó 280 veces desde el lanzamiento de ChatGPT a finales de 2022. No es el efecto de reemplazar un modelo caro por uno barato. Es una caída de precio con calidad comparable – gracias a la competencia entre proveedores, la optimización de infraestructura y el abaratamiento de los chips.

Para contexto: en el mismo período los smartphones bajaron de precio un 15 por ciento aproximadamente. El almacenamiento en la nube, alrededor de un 30 por ciento. Los billetes de avión, prácticamente nada. Y la inferencia de IA – 280 veces.

Lo vemos en nuestros propios datos. Cuando probamos 53 modelos en primavera de 2026, la consulta más barata costaba $0,0001, la más cara – $0,17. La diferencia de precio – 1.600 veces. La diferencia de calidad entre los diez mejores modelos – 0,24 puntos sobre cinco. Un mercado donde el precio cae más rápido de lo que sube la calidad es un mercado que se ha invertido.

En la práctica esto significa una cosa: el acceso a la IA dejó de ser un problema. En 2023 un manager podía decir “no nos alcanza el presupuesto para GPT-4”. En 2026 eso suena más o menos como “no nos alcanza el presupuesto para el correo electrónico”. Modelos económicos como Qwen3.5 9B o DeepSeek V3.2 entregan un 85–90% de la calidad de los modelos flagship por fracciones de centavo por consulta. Para un borrador de un correo, el resumen de un documento, la preparación de la agenda de una reunión – la diferencia entre un modelo de $0,0002 y uno de $0,016 no la vas a notar.

La barrera se desplazó. Ahora ya no está en el precio del acceso, sino en saber usarlo.

El dinero corre como un río

Mientras el costo de uso caía, el volumen de inversiones hacía lo contrario.

AI Index 2026 registra: las inversiones privadas en IA en EE.UU. alcanzaron los $285.900 millones en 2025. Para comparar – un año antes eran $109.100 millones. Un crecimiento de 2,6 veces en un año. En cifras absolutas es más que el PIB de la mayoría de los países del mundo.

El segundo puesto – China con $12.400 millones. Es 23 veces menos que EE.UU. Eso sí, Stanford hace una salvedad: los datos chinos no incluyen los fondos estatales ni las inversiones a través de empresas públicas, que en China juegan un papel distinto que en el ecosistema estadounidense de capital de riesgo. La brecha real probablemente sea menor. Pero incluso ajustada – la escala del dominio estadounidense impresiona.

Otra cifra: en 2025 aparecieron en EE.UU. 1.953 nuevas empresas de IA con financiación de venture capital. Es diez veces más que en el país que le sigue. No el doble, no el triple – diez veces.

¿A dónde va este dinero? La potencia de cálculo global para IA crece 3,3 veces anualmente desde 2022 y alcanzó los 17,1 millones de equivalentes H100. Nvidia controla más del 60% de esa potencia. El costo de entrenar modelos de frontera sigue subiendo – aun cuando la inferencia se abarata. Entrenar un modelo y usarlo son dos economías distintas, moviéndose en direcciones opuestas.

Va un experimento mental: si la inferencia se abarató 280 veces y las inversiones crecieron 2,6 veces – significa que el volumen de uso creció en órdenes de magnitud. El dinero no desapareció – fluyó desde el pago por consulta hacia el pago por infraestructura. El usuario paga menos. El sistema en su conjunto – más.

Valor para el consumidor – $172 mil millones

AI Index 2026 ofrece una estimación a la que vale la pena prestar atención: el valor para el consumidor de la IA generativa para los estadounidenses es de $172.000 millones al año. No son los ingresos de las empresas ni el tamaño del mercado – es una estimación del beneficio que reciben las personas, muchas de las cuales no pagan nada.

El valor mediano por usuario se triplicó entre 2025 y 2026. Es una dinámica inusual. Normalmente, cuando una tecnología se masifica, el valor por usuario cae – los usuarios nuevos están menos involucrados que los tempranos. Aquí – al revés. O los usuarios aprenden rápido a sacarle más provecho, o las herramientas se volvieron sustancialmente mejores, o ambas cosas.

Pero aquí hay algo interesante: $172.000 millones de valor frente a $285.900 millones de inversión – todavía no es el equilibrio que da confianza a los inversores. Por supuesto, el valor para el consumidor y los ingresos son cosas distintas. Por supuesto, la inversión es una apuesta al futuro, no la compra del resultado actual. Pero como mínimo surge una pregunta: ¿quién y cuándo va a empezar a convertir ese beneficio en dinero?

Las cifras explican por qué se crea valor en general. Pero cómo aparece en tareas concretas de un manager – esa es una conversación que empieza no con un informe, sino con la práctica.

Modelo caro no es igual a mejor modelo

La caída del costo de inferencia genera una paradoja que analizamos en detalle en el análisis de 53 modelos: si un modelo barato entrega el 99% de la calidad de uno caro, ¿por qué exactamente estás pagando al elegir el premium?

Recordemos las cifras clave: la diferencia de precio entre el modelo más barato y el más caro en nuestro benchmark – 1.600 veces. La diferencia de calidad entre los diez primeros – 0,24 puntos. Los modelos en la franja de precio $0,001–0,003 por consulta sacan de forma estable entre 4,4 y 4,7 puntos sobre cinco en tareas de management. Los flagship – 4,7–4,8.

Stanford AI Index lo confirma con datos macro: la caída del costo de inferencia no vino acompañada de una caída proporcional en calidad. Los modelos se volvieron más baratos y mejores al mismo tiempo. No es un juego de suma cero.

Para un manager esto significa que la elección “premium o económico” es un falso dilema. La pregunta correcta es “qué modelo para qué tarea”. Los costos principales de la IA suelen esconderse no en el precio de la API por tokens, sino en la integración, la capacitación del equipo y el tiempo perdido por un uso ineficiente.

Por supuesto, para un 20% de las tareas – análisis estratégico, trabajo con datos ambiguos, preparación de materiales para la dirección – la diferencia entre modelos existe y justifica el sobreprecio. Pero para el 80% restante, pagar de más por el premium es justamente lo que llamamos “el impuesto sobre la IA”: un gasto que se siente como inversión y funciona como costumbre.

Costos ocultos

Hasta ahora hablamos de cómo la IA se volvió más barata para el usuario. Ahora – de lo que esa baratura le cuesta al sistema.

AI Index 2026 ofrece datos que rara vez aparecen en los materiales de marketing de los proveedores.

La potencia de los centros de datos para IA llegó a los 29,6 gigavatios. Para comparar – es comparable al consumo eléctrico pico del estado de Nueva York. No Manhattan – el estado entero. Y esto es sólo la potencia actual, sin contar las obras ya anunciadas.

Las emisiones de CO₂ del entrenamiento de modelos de frontera crecen con cada generación. Según estimaciones de Stanford, entrenar Grok 4 generó alrededor de 72.816 toneladas de dióxido de carbono. Para tener escala: es la huella anual de una ciudad pequeña.

Pero quizá la cifra más inesperada – el agua. La inferencia de GPT-4o puede consumir más agua de la necesaria para abastecer de agua potable a 1,2 millones de personas. No el entrenamiento – la inferencia. Cada consulta, cada borrador de correo, cada “resúmeme este documento”. Multiplica por cientos de millones de usuarios.

Es uno de esos casos donde “gratis para el usuario” no significa “gratis”. El costo se trasladó desde el presupuesto del manager al presupuesto energético del planeta. No tengo claro que la industria tenga una respuesta articulada a esto – por ahora todas las conversaciones se reducen a planes de transición a energía nuclear y renovable que existen sobre todo en formato de comunicados de prensa.

Qué significa esto para un manager

Hagamos balance. En dos años, el costo de usar IA cayó 280 veces, y las inversiones anuales crecieron hasta los $286.000 millones. En paralelo, el valor para el consumidor sólo entre estadounidenses alcanzó los $172.000 millones – y lo paga la electricidad y el agua a una escala que hace poco se habría considerado absurda para un servicio de información.

¿Qué de esto importa en la práctica?

Primero: el acceso a la IA – problema resuelto. Si tú o tu equipo no usan IA en el trabajo, la razón no está en el precio. Está en otra cosa: en no entender dónde aplicarla, en la falta de habilidad para formular tareas, en el miedo a obtener un resultado erróneo, en políticas corporativas que no se han adaptado. Todo eso son barreras reales. Pero no son sobre dinero.

Segundo: la diferencia entre modelos se comprime, y la diferencia entre usuarios – crece. Google Cloud, en su informe sobre ROI, muestra que las empresas con retorno real de la IA no lo consiguen comprando un modelo caro, sino con la elección precisa de la herramienta para la tarea y formando a su gente. Un modelo de $0,002 en manos de alguien que entiende cómo formular la tarea da más que un modelo de $0,17 en manos de quien escribe “hazme algo bonito”.

Tercero: los costos ecológicos no son una abstracción, sino un factor que empezará a influir en la regulación, en los precios y en los reportes corporativos. Por ahora no toca tu presupuesto directamente. Pero si estás construyendo una estrategia de IA a dos o tres años – conviene tenerlo en cuenta.

Y aquí va lo que, me parece, se pasa por alto en las conversaciones sobre “la revolución del precio bajo”. Sí, la IA se volvió accesible para todos. Pero la accesibilidad de la herramienta y saber usarla son cosas distintas. Hay un martillo en cada casa, pero eso no convierte a cada uno en carpintero. El costo de la IA cayó 280 veces. El costo de aprender a trabajar con ella – no.

Quizá ese sea el cambio principal de 2025–2026. La ventaja competitiva se desplazó desde “tenemos acceso a la IA” hacia “nuestra gente sabe trabajar con ella”. Lo primero ahora cuesta fracciones de centavo por consulta. Lo segundo – sigue siendo caro, lento y sin garantías.

Pero si ya se están generando $172.000 millones de valor para el consumidor – significa que alguien está construyendo esas habilidades. La única pregunta es a qué velocidad lo haces tú.

Este es el segundo artículo de la serie “Stanford AI Index 2026”. El primero – sobre la paradoja de la adopción: por qué con semejante abaratamiento el uso profundo de la IA sigue siendo poco común. El siguiente – sobre la “frontera dentada” de las capacidades de la IA: tareas donde los modelos ya superan a los expertos, y tareas donde por ahora fallan.

Otras partes de esta serie

Parte 1

La IA se difundió más rápido que Internet – pero el 62% de los usuarios se quedaron en la salida