El coste de lograr un nivel fijo de rendimiento en IA ha caído más rápido que el de cualquier otra tecnología transformadora de la historia, según un informe de Epoch AI publicado el 22 de septiembre. La cifra que más ha circulado, una caída de 13 veces al año, contrasta con una estimación bastante más conservadora del MIT, de unas 3 veces al año, una vez que se aísla el progreso puramente algorítmico de otros factores. Ambas cifras son correctas, pero miden cosas distintas, y esa diferencia es la clave para entender el titular.
La cifra de Epoch AI: 13 veces al año
Según el informe The Plunging Price of Thought, de Luke Emberson y David Roodman, el coste de un nivel dado de rendimiento en IA ha caído alrededor de un 47% cada trimestre desde 2023, lo que equivale a unas 13 veces al año, midiendo cinco puntos de referencia de matemáticas, ciencia y juegos de habilidad. Epoch AI sostiene que esa caída es más rápida que la de la electricidad, la capacidad de cálculo, las baterías o la secuenciación de ADN en cualquier momento de su historia. Es una medida de precio de mercado por un resultado fijo en un benchmark, no de progreso algorítmico puro ni del coste real en productividad del día a día.
La cifra del MIT: 3 veces al año
Según The Decoder, que resume el estudio del MIT (Gundlach y colegas, marzo de 2026), los investigadores separan tres factores que empujan los precios a la baja: el hardware más barato, la presión competitiva de precios entre proveedores, y la eficiencia algorítmica pura. Al aislar solo este último factor, calculan una mejora de unas 3 veces al año, muy por debajo de la cifra global de Epoch. El propio estudio, además, advierte de que el rendimiento máximo por tarea puede encarecerse en realidad, porque los modelos de razonamiento más recientes consumen mucha más capacidad de cálculo por cada pregunta que resuelven.
Por qué no se contradicen
Igualar el rendimiento del año pasado es hoy dramáticamente más barato: eso es lo que capta la cifra de Epoch, con todos los factores incluidos. Pero conseguir el mejor rendimiento absoluto de este año, con los modelos más avanzados, puede salir más caro que antes, porque esos modelos gastan muchísimos más tokens de razonamiento por tarea. El propio MIT encontró que buena parte de la mejora que se observa en benchmarks avanzados solo se logra a base de usar modelos más costosos, lo que distorsiona la imagen de progreso por dólar real.
Qué implica en la práctica
- Para quien usa IA hoy: lograr el nivel de un modelo del año pasado es muchísimo más barato, lo que democratiza el acceso a capacidades que antes eran exclusivas de grandes presupuestos.
- Para quien persigue la frontera: el mejor rendimiento disponible en cada momento puede no abaratarse al mismo ritmo, e incluso encarecerse, si depende de modelos de razonamiento intensivos en cómputo.
- Para leer cifras de la industria: conviene preguntar siempre si una afirmación de abaratamiento se refiere a un nivel de rendimiento fijo o al mejor rendimiento disponible, porque la respuesta cambia radicalmente según la pregunta.
Nuestra lectura
Ambos estudios son coherentes entre sí una vez que se entiende qué mide cada uno, y juntos dan una imagen más completa que cualquier titular aislado: la IA se abarata muchísimo para tareas ya resueltas, pero la frontera de lo más avanzado sigue exigiendo un gasto creciente. Es la misma tensión que ya veíamos en el caso de Grok 4.7, que mantuvo el precio por token pero gastó más tokens por tarea, y en el esfuerzo contrario de ajustes como ThinkingCap, que buscan recortar ese consumo sin perder demasiada precisión.
Fuentes: Epoch AI, The Plunging Price of Thought y The Decoder.
3 comentarios en «La IA se abarata 13 veces al año, según Epoch AI, o 3 veces, según el MIT: por qué ambas cifras son correctas»