Costo de la IA: cayó más de 280 veces, según Stanford

El costo de la IA, medido por el precio de cada consulta a un modelo de lenguaje, cayó más de 280 veces en menos de dos años. El AI Index 2025 de la Universidad de Stanford calculó, con datos de Epoch AI y Artificial Analysis, que el precio de usar un modelo con el desempeño de GPT-3.5 en la prueba MMLU (64,8 puntos) pasó de US$ 20 por millón de tokens en noviembre de 2022 a US$ 0,07 en octubre de 2024, en un promedio ponderado de tres tokens de entrada por uno de salida (Stanford HAI, 2025). Ese número mide el precio de lista de una capacidad fija, y la factura de las empresas no bajó en la misma proporción. En la encuesta global de McKinsey de 2026, uno de cada cinco encuestados dice que su empresa ya limita el uso de IA por el costo de operación, y Gartner prevé que el costo de inferencia por flujo de trabajo con agentes se multiplicará por más de cinco hasta 2028. El token se abarató, las empresas pasaron a usar muchos más tokens, en tareas que piden modelos más caros, y el mayor costo de un proyecto sigue fuera de la factura del modelo: datos organizados, integración, revisión humana y gobernanza.

En Iasbeck&Co implementamos CRM y agentes de IA en operaciones B2B, y la pregunta sobre el costo aparece en casi toda aprobación de presupuesto. Escribí este texto para la dirección y finanzas, que reciben estos números en presentaciones sin fuente, y para los liderazgos de ventas, marketing y CS, que responden por el consumo de los agentes. La medición del retorno y la lista completa de costos de un proyecto están en ROI de IA; aquí me quedo con precio, consumo, energía y costo por interacción.

¿Cuánto cayó el costo de la IA, según Stanford?

El dato está en el capítulo 1 del AI Index 2025, de investigación y desarrollo, en la sección sobre costo de inferencia (páginas 63 y 64). El método fija un nivel de desempeño en una prueba y busca, cada mes, el modelo más barato que alcanza ese nivel, para no mezclar modelos de capacidades distintas. En la prueba GPQA, de preguntas de ciencia de nivel doctoral, el precio para superar el 50% de aciertos cayó de US$ 15 por millón de tokens en mayo de 2024 a US$ 0,12 en diciembre. El informe atribuye la caída a modelos pequeños cada vez más capaces y agrega que el costo del hardware baja un 30% al año y la eficiencia energética mejora un 40% al año.

El mismo informe trae la salvedad que suele quedar fuera de las diapositivas. Los modelos de punta siguen siendo más caros que las alternativas menores, y los proveedores cobran más por la gama alta que por los modelos pequeños de la misma casa. Al comparar un modelo de razonamiento con el modelo general del mismo proveedor, el AI Index encontró un costo casi seis veces mayor y una respuesta 30 veces más lenta. La caída de 280 veces vale para quien acepta el desempeño de 2022: una clasificación de tickets puede funcionar bien en ese nivel, y un agente que planifica etapas y consulta varios sistemas suele necesitar un modelo más caro.

¿Qué muestra Epoch AI sobre el precio de uso y el costo de entrenamiento?

Epoch AI, que provee parte de los datos del AI Index, publicó en marzo de 2025 el análisis detrás del número de Stanford (Cottier, Snodin, Owen y Adamczewski, Epoch AI, 2025). Los autores siguieron modelos en seis pruebas a lo largo de tres años y midieron la velocidad con que cayó el precio para alcanzar cada hito de desempeño. La caída varió de 9 a 900 veces por año según el hito, y el precio para llegar al desempeño de GPT-4 en las preguntas de ciencia cayó 40 veces por año. La propia Epoch advierte que las caídas más rápidas ocurrieron en el último año de la serie y que no está claro si van a continuar.

Del lado de quien construye los modelos, la curva va en la dirección opuesta. En junio de 2024, Epoch estimó que el costo amortizado de hardware y energía de las rondas finales de entrenamiento de los modelos de frontera crece 2,4 veces por año desde 2016, y que las mayores rondas superarían US$ 1.000 millones hasta 2027 si la tendencia continuara (Cottier, Rahman, Fattorini, Maslej y Owen, Epoch AI, 2024). En el desglose hecho para modelos como GPT-4, el hardware representa del 47% al 67% del costo de desarrollo, el equipo de investigación del 29% al 49% y la energía del 2% al 6%. Quien compra IA paga ese entrenamiento incluido en el precio de los modelos de punta y de los planes, y por eso el modelo más capaz del catálogo sigue caro mientras el de hace dos años cuesta centavos.

¿Qué investigaciones miden el costo de la IA?

Fuente	Año	Muestra o método	Hallazgo principal
Stanford HAI, AI Index 2025	2025	Precios de API (Epoch AI y Artificial Analysis) para un nivel de desempeño fijo	El precio del nivel GPT-3.5 cayó de US$ 20 a US$ 0,07 por millón de tokens entre nov/2022 y oct/2024
Epoch AI, precios de inferencia	2025	Seis pruebas de desempeño en tres años, menor precio para alcanzar cada hito	Caída de 9 a 900 veces por año, según el hito
Epoch AI, costo de entrenamiento	2024	Estimación de hardware y energía de modelos de frontera	El costo crece 2,4 veces por año desde 2016; la energía es del 2% al 6% del total
Gartner, previsión de inferencia	2026	Previsión de analistas para proveedores de IA	La inferencia le costará al proveedor más de un 90% menos en 2030; los agentes usan de 5 a 30 veces más tokens por tarea
Gartner, paradoja de la inferencia	2026	Previsión de analistas para líderes de producto	El costo de inferencia por flujo con agentes se multiplica por más de cinco hasta 2028
McKinsey, The state of AI	2026	Encuesta en línea con 1.719 participantes de 97 países, de mayo a junio de 2026	Uno de cada cinco dice que su empresa limita el uso de IA por el costo de operación
Agencia Internacional de Energía, Energy and AI	2025	Modelado con escenarios de consumo de electricidad	Los centros de datos usaron 415 TWh en 2024 y deben llegar a cerca de 945 TWh en 2030

¿Por qué sube la cuenta de IA si el token se abarata?

Gartner publicó en 2026 dos previsiones que, leídas juntas, describen el movimiento. En marzo, la firma previó que ejecutar un modelo de un billón de parámetros les costará a los proveedores más de un 90% menos en 2030 que en 2025 (Gartner, 2026). El mismo comunicado advierte que esa caída no se trasladará por completo a los clientes corporativos y que los modelos con agentes exigen de 5 a 30 veces más tokens por tarea que un chatbot común. Como el consumo crece más rápido de lo que cae el precio, Gartner concluye que el costo total de inferencia debe subir.

En agosto, Gartner llamó al fenómeno “paradoja de la inferencia” y previó que el costo de inferencia por flujo de trabajo con agentes se multiplicará por más de cinco hasta 2028 (Gartner, 2026). Según el comunicado, enviar una tarea a un modelo de razonamiento con agentes aumenta el costo de inferencia del proveedor al menos cinco veces frente a una interacción simple de chatbot. Las dos previsiones se escribieron para empresas que venden IA, y quien compra recibe ese costo a través del precio de los créditos y de los planes.

La encuesta de McKinsey muestra el efecto del lado del comprador: uno de cada cinco encuestados dice que su empresa limita el uso de IA por el costo de operación, incluidos los tokens, y cerca de uno de cada diez reporta ese límite en cada uno de tres tipos de herramienta, chatbots, agentes y agentes de programación (McKinsey, 2026). La lectura completa de esa encuesta está en el estado de la IA en las empresas. En Brasil, el costo pesa antes del uso: en la TIC Empresas 2025, el 42% de las grandes empresas que no usaron IA dijo que los costos parecen demasiado altos (Cetic.br/NIC.br, 2026), como comento en la IA en las empresas brasileñas.

¿Cuánto pesa la energía de los centros de datos?

El informe Energy and AI, de la Agencia Internacional de Energía, estima que los centros de datos consumieron cerca de 415 TWh en 2024, alrededor del 1,5% de la electricidad del mundo, con el 45% de ese consumo en Estados Unidos, el 25% en China y el 15% en Europa (IEA, 2025). El consumo creció cerca de un 12% al año desde 2017, más de cuatro veces el ritmo del consumo total de electricidad. En el escenario base, se duplica con creces hasta 2030 y llega a cerca de 945 TWh, un poco por encima del consumo actual de Japón, con la IA como principal motor.

El AI Index 2026 registra que la capacidad de energía de los centros de datos de IA llegó a cerca de 29,6 GW en el cuarto trimestre de 2025 (Stanford HAI, 2026). En un estudio citado por el informe, el gasto por consulta de tamaño medio varió de cerca de 5 a 23 Wh entre los 15 modelos de 2025 que más energía consumieron, y la elección del modelo pesa tanto en la energía como en la factura.

Para el presupuesto de un área comercial, la energía entra por el precio del proveedor, sin línea separada en la factura. Limita cuánto pueden bajar los precios de los modelos de punta y entra en el informe de sostenibilidad de quien declara emisiones indirectas.

¿Dónde está el costo de un proyecto de IA?

El precio del token es el único ítem que acompaña las curvas de Stanford y de Epoch, y solo baja para la empresa cuando la plataforma traslada la caída. En los proyectos que acompaño, el consumo del modelo casi nunca es la mayor línea del primer año, y la preparación de los datos y las horas de revisión suelen pesar más.

Componente	¿Acompaña la caída del precio del token?	Qué determina el costo
Consumo del modelo por tarea	En parte	Precio del token, tamaño del contexto, número de llamadas y elección del modelo
Créditos de la plataforma	Depende del proveedor	Precio por acción definido en el contrato, que puede no cambiar cuando baja el token
Preparación de datos	No	Campos estandarizados, duplicados, historial confiable en el CRM
Integración con sistemas	No	Número de sistemas que el agente lee y dónde escribe
Revisión humana	No	Calidad de las respuestas y regla de aprobación definida por el liderazgo
Gobernanza y seguridad	No	Política de uso, control de acceso, auditoría de muestras
Formación de los equipos	No	Cuántas personas operan, revisan y configuran los agentes

¿Cómo estimar el costo de un agente de IA por interacción?

La cuenta por interacción tiene dos partes. La primera es el consumo del modelo: tokens de entrada por el precio de entrada, más tokens de salida por el precio de salida, multiplicados por el número de llamadas que el agente hace para completar la tarea. La segunda es el tiempo de quien revisa, que las plataformas no muestran. En las plataformas que cobran créditos por acción, reemplaza la primera parte por el consumo promedio de créditos medido en una prueba, convertido a moneda local, como describo en agentes de IA.

Ejemplo ilustrativo: agente de atención al cliente

Los números de abajo son hipotéticos y no representan precio de ningún proveedor ni caso de cliente. Imagina un agente que clasifica cada ticket, busca la respuesta en la base de conocimiento, redacta un borrador y revisa su propio texto, en cuatro llamadas al modelo. Cada llamada lee cerca de 6.000 tokens (instrucción, historial del cliente y fragmentos de la base) y genera cerca de 800. Con un precio hipotético de US$ 1 por millón de tokens de entrada, US$ 5 por millón de salida y un tipo de cambio de R$ 5,50 solo para la cuenta, el consumo queda en US$ 0,04 por ticket, o cerca de R$ 0,22. El analista tarda dos minutos en revisar cada borrador, a un costo cargado de R$ 60 por hora, lo que da R$ 2,00 por ticket revisado. La operación recibe 5.000 tickets al mes.

Escenario (5.000 tickets al mes)	Modelo en el mes	Revisión en el mes	Total en el mes	Total por ticket
A. Modelo intermedio, revisión del 100%	R$ 1.100	R$ 10.000	R$ 11.100	R$ 2,22
B. Modelo intermedio, revisión por muestra del 20%	R$ 1.100	R$ 2.000	R$ 3.100	R$ 0,62
C. Modelo de razonamiento (5 veces el costo), muestra del 20%	R$ 5.500	R$ 2.000	R$ 7.500	R$ 1,50
D. Token un 90% más barato, revisión del 100%	R$ 110	R$ 10.000	R$ 10.110	R$ 2,02

El escenario D muestra por qué la caída del token casi no llega a la cuenta. Una caída del 90% en el precio del token, del tamaño que Gartner prevé para los proveedores hasta 2030, le quita un 9% a la cuenta mensual cuando la revisión es total. Pasar de la revisión total a la muestra del 20%, que depende de la calidad de las respuestas y de una decisión del liderazgo, recorta un 72%. El escenario C muestra el riesgo opuesto: un modelo de razonamiento, con el multiplicador mínimo que cita Gartner, multiplica por cinco el consumo y supera a la revisión como mayor línea de la cuenta.

Los agentes de ventas tienden a leer más contexto: el que investiga la cuenta antes de la reunión lee el sitio, noticias e historial del CRM, y la entrada por tarea puede ser varias veces la del ejemplo. La estimación solo vale después de una prueba con algunas decenas de casos reales.

Lo que estos datos no dicen

El número de Stanford mide el precio de lista de la API, y el precio es distinto del costo: los proveedores pueden subsidiar modelos para ganar mercado o cobrar márgenes altos en la gama alta. El promedio de tres tokens de entrada por uno de salida no representa a un agente que lee 6.000 tokens y escribe 800, y el MMLU es una prueba de opción múltiple que no mide si el modelo resuelve tu tarea, con tus datos y en tu idioma. El informe también describe la caída como ocurrida en cerca de 18 meses, pero las fechas que informa suman 23; el orden de magnitud no cambia, y prefiero citar las fechas.

Las tasas de Epoch cubren ventanas de uno a tres años, y la propia Epoch duda de que las caídas más rápidas se repitan. Las previsiones de Gartner son estimaciones de analistas, sin muestra publicada en el comunicado. McKinsey trabaja con autodeclaración, y los escenarios de la IEA abren un rango de 700 a 1.700 TWh para 2035.

Ninguna de las fuentes mide el costo total de un proyecto de IA en una empresa usuaria, y no encontré investigación primaria que lo haga con muestra brasileña ni una serie pública de precio por token en reales. Circula además en artículos de prensa una alerta de que las empresas se equivocan del 500% al 1.000% en la estimación del costo de IA, atribuida a analistas de Gartner en una conferencia de 2024. No encontré comunicado ni informe público de la firma con ese número, y por eso queda fuera del análisis.

Qué hace el liderazgo con estos números

1. Separa precio de consumo. Pide el precio por acción y mide el consumo por tarea en una prueba, porque la caída del token solo ayuda si el consumo se mantiene estable.
2. Elige el modelo según la tarea. Clasificación, extracción y resumen suelen funcionar con modelos menores, y el de razonamiento queda para tareas con varias etapas y decisión, como recomienda la propia Gartner.
3. Calcula el costo por interacción con la revisión incluida. Lleva a finanzas el total por ticket, propuesta o contacto, con los números de tu operación.
4. Define un tope de consumo por agente. Cada agente recibe un tope mensual y un dueño que recibe la alerta.
5. Planifica la reducción de la revisión. Escribe el criterio, con tasa de corrección y plazo, que permite pasar de la revisión total a la muestra, porque esa decisión mueve la cuenta más que el precio del modelo.
6. Pon el traslado en el contrato. Negocia la revisión del precio de los créditos cuando baje el precio de los modelos y sigue el consumo por proceso.
7. Revisa costo y resultado en la misma reunión. Lleva consumo y costo por interacción a la revisión en la que el área presenta su indicador de negocio, como describo en ROI de IA.

Costo de la IA y formación: lo que RR. HH. y T&D necesitan saber

El costo por interacción depende del comportamiento. Quien pega un documento entero en el asistente cuando bastaba un fragmento multiplica los tokens de entrada, y el líder que no confía en los borradores mantiene la revisión total durante meses y paga la línea más cara del ejemplo. RR. HH. reconoce la necesidad de formación cuando el consumo de créditos crece sin aumento de volumen y cuando nadie en el área sabe cuánto cuesta una acción del agente. Los liderazgos aprenden a leer el costo por interacción y a decidir cuándo reducir la revisión, y quienes configuran los agentes aprenden a recortar el contexto y a elegir el modelo por etapa. Para evaluar, compara el consumo por tarea y la tasa de corrección en las cuatro semanas anteriores y posteriores a la formación.

El precio del modelo va a seguir bajando, y la parte de la cuenta que la empresa controla está en el diseño de los agentes, en los datos que leen y en la confianza del equipo para revisar menos. Ese es el trabajo del entrenamiento in company de IA aplicada, con grupos para la dirección, los liderazgos y quienes operan los agentes. Entrega la biblioteca de prompts por área y la arquitectura de agentes, con lo que cada agente lee, lo que ejecuta solo y quién aprueba el resto, base para estimar y controlar el costo de cada interacción.

Preguntas frecuentes

¿Cuánto cayó el costo de la IA en los últimos años?

Según el AI Index 2025 de Stanford, el precio de usar un modelo con desempeño de GPT-3.5 cayó de US$ 20 a US$ 0,07 por millón de tokens entre noviembre de 2022 y octubre de 2024, más de 280 veces. Epoch AI encontró caídas de 9 a 900 veces por año, según el nivel de desempeño. Los modelos de punta siguen siendo mucho más caros que los menores.

¿Qué es el costo por token?

El token es la unidad de texto que procesa el modelo, y Gartner usa la referencia de cerca de cuatro caracteres por token. Los proveedores cobran por millón de tokens, con precios distintos para lo que el modelo lee (entrada) y lo que escribe (salida), y la salida suele costar más.

¿Por qué sube la cuenta de IA de la empresa si baja el precio del token?

El consumo crece más rápido de lo que baja el precio. Gartner estima que los agentes usan de 5 a 30 veces más tokens por tarea que un chatbot común y prevé que el costo por flujo con agentes se multiplique por más de cinco hasta 2028. En McKinsey, uno de cada cinco encuestados dice que su empresa ya limita el uso por el costo.

¿Cuánto cuesta un agente de IA por interacción?

Depende del modelo, del contexto que lee el agente, del número de llamadas por tarea y de la revisión humana. En el ejemplo ilustrativo de este texto, el consumo del modelo queda en centavos por ticket y la revisión humana total cuesta cerca de nueve veces más. Mide tokens o créditos por tarea en una prueba con casos reales antes de proyectar el volumen.

¿La energía de los centros de datos va a encarecer la IA?

La IEA estima que el consumo de los centros de datos se duplica con creces hasta 2030, a cerca de 945 TWh, con la IA como principal motor. La energía representa del 2% al 6% del costo de desarrollo de los modelos de frontera, según Epoch, y llega a la empresa por el precio de los proveedores, sin línea propia en la factura.

¿Cómo preparar al equipo para usar IA sin desbordar el presupuesto?

Enseña a los liderazgos a calcular el costo por interacción y a decidir cuándo la revisión puede pasar a ser por muestra. Quienes configuran los agentes necesitan aprender a recortar el contexto y a elegir el modelo por etapa. Sigue el consumo por tarea y la tasa de corrección antes y después de la formación.