El precio del pensamiento artificial cae 13 veces al año, un récord histórico

Un precio de salida que se desploma mientras los insumos se disparan

El boom de la IA hace subir el precio de lo que consume: chips, electricidad, e incluso la mano de obra de los electricistas. Epoch AI se interesa por el reverso paradójico de este fenómeno: el precio de lo que producen los centros de datos baja a una velocidad inédita.

El ejemplo elegido es elocuente. A finales de enero de 2025, o3 alcanzaba un 75% en GPQA Diamond, un test tipo test de física, química y biología de nivel doctorado, por unos 30 céntimos por pregunta. Menos de 18 meses después, GPT-5.6 Luna obtiene la misma puntuación por 0,0004 $.

Es decir, una caída de 725x. El informe lo traduce en imagen: un coche nuevo cuyo precio pasara de 50.000 a 69 dólares.

Medir el coste real, no el precio del token

Los trabajos anteriores razonaban en precio por token: Guido Appenzeller (a16z) encontraba 10x al año, un primer análisis de Epoch en marzo de 2025 entre 9 y 900x según los benchmarks. Los modelos de razonamiento, lanzados con o1, dejaron cojo este enfoque: consumen muchos más tokens pero se apoyan en modelos más pequeños y baratos por token.

Epoch mide por tanto el coste real para alcanzar una puntuación. En lugar de hacer correr cada modelo con todos los presupuestos posibles, el equipo retoma un método del CAISI: a partir de una ejecución sin restricciones, se cuentan las preguntas resueltas correctamente bajo un presupuesto X de tokens, puntuando las demás al azar. Así se obtiene una curva completa de rendimiento-gasto.

Para evitar sesgos, el equipo rellenó sus huecos de datos probando modelos con bajo esfuerzo de razonamiento y modelos pequeños y eficientes, incluidos modelos de pesos abiertos alojados en hardware alquilado. Validación: en cinco modelos también disponibles vía API, la diferencia entre coste directo y precio de API se mantiene por debajo del 30%.

Modelos estadísticos asumidos como aproximados

El objeto de estudio es la frontera de Pareto: el modelo más barato capaz de alcanzar cada nivel de rendimiento en una fecha dada. Una frontera inestable por naturaleza, que un solo resultado añadido o faltante puede desplazar durante meses.

Epoch probó varios enfoques: ajuste suavizado de la frontera, envolvente restringida, regresión sobre todos los datos, análisis de frontera estocástica. El modelo elegido es un ajuste Box-Tidwell de la frontera de costes, que se ajusta a los datos sin producir inversiones absurdas. Los demás dan a veces resultados implausibles, como costes que aumentan.

Los autores renuncian explícitamente a los intervalos de confianza y al bootstrap, considerados engañosos en este contexto. La cifra del 47% coincide exactamente con la media calculada sin modelo, lo que refuerza su credibilidad.

La prima del estado del arte no dura

En tres de los cinco benchmarks principales (AIME, FrontierMath, GPQA Diamond), el coste cae más rápido justo después de que un nivel de rendimiento se alcanza por primera vez. En promedio: 66% por trimestre en el momento en que ese nivel se convierte en SOTA, 32% dos años después.

La explicación propuesta: el laboratorio que logra un nuevo récord cobra brevemente una prima, antes de que la competencia y los avances técnicos aplasten el precio. Los puzzles de ajedrez y de juego misterioso son la excepción, con una ligera aceleración.

Detalle notable: la competencia más feroz cerca del estado del arte enfrenta sobre todo a modelos cerrados. Solo un modelo de pesos abiertos, QwQ-32B, aparece en segunda posición en los ejemplos estudiados, aunque la presión del open source pueda jugar indirectamente.

Una caída sin equivalente histórico

Epoch considera plausible que este ritmo dure desde noviembre de 2021, fecha de apertura comercial de la API de GPT-3. Un indicio: GPT-3 obtenía 43,9 en MMLU por 60 $ el millón de tokens; Llama 2-7B lograba 45,3 en julio de 2023 por 0,20 $, es decir, una caída de 31x al año.

En comparación, el precio residencial de la electricidad en Estados Unidos bajó 1,05x al año entre 1892 y 1973, las baterías de litio-ion 1,16x (1991-2024), el compute 1,51x (1940-2001), la secuenciación de ADN 1,84x (2001-2025).

Las limitaciones, planteadas por los propios autores

Primer riesgo: el benchmaxxing, el entrenamiento dirigido específicamente a los benchmarks conocidos. Mystery Game Puzzles, cuyo juego se mantiene en secreto para evitarlo, muestra una caída algo más lenta (44% frente a 47%), lo que sugiere una crítica «válida pero no fatal».

Además, un benchmark no es trabajo útil, y ningún usuario real alterna constantemente entre modelos para mantenerse en la frontera de costes. Tres años de datos es poco tiempo, y las opciones de cálculo de la media hacen variar el resultado entre 42,9% y 58% por trimestre.

Por último, precio a la baja no significa gasto a la baja: una tarea como verificar miles de artículos científicos podría exigir el equivalente a un millón de ejecuciones de benchmark. Y si aprobar un test de matemáticas de primaria se ha vuelto gratis, demostrar teoremas difíciles no lo es.