El límite de Uber de 1.500 dólares/mes para IA es una señal útil para fijar precios de herramientas de IA

Artículo original ↗ Discusión en Hacker News ↗

Contexto: el tope de 1.500 dólares/mes de Uber

  • El tope es por ingeniero y por herramienta de programación con IA, aproximadamente ~$18k/año, ~10–15% del coste total de un dev de alto nivel.
  • Algunos lo ven como una “señal útil” de lo que las empresas tolerarán; otros dicen que es solo una medida interna de control de costes y no un referente de mercado.
  • Varios señalan que este es el máximo; el uso medio probablemente sea mucho menor y esté sujeto a excepciones de los managers.

Precios, subsidios y planes empresariales frente a personales

  • Hay un fuerte desacuerdo sobre si los precios por token de API están subvencionados:
    • Un lado: los precios actuales por token son “introductorios” y no cubren los costes reales de entrenamiento/centro de datos; esperan subidas significativas.
    • El otro lado: la inferencia ya es rentable; los proveedores de inferencia con pesos abiertos y los revendedores cloud que cobran tarifas similares sugieren que los precios están cerca del coste.
  • Hay consenso en que los planes personales de tarifa plana están fuertemente subvencionados en relación con los precios de API; los usuarios intensivos obtienen miles de dólares en tokens por unos ~$100–200/mes.

Local / autohospedado frente a la nube

  • Muchos argumentan que $18k/año por puesto hace atractivos los modelos locales o de pesos abiertos en clústeres GPU compartidos, especialmente a escala.
  • Contraargumentos:
    • Operar una infraestructura GPU multiinquilino fiable y pilas de modelos es complejo y requiere personal caro.
    • La electricidad, la refrigeración, la depreciación del hardware y la utilización hacen que “solo comprar una máquina” rara vez sea más barato para la mayoría de las empresas.
  • Algunos esperan futuros dispositivos “IA en una caja”; otros señalan que el patrón cloud probablemente dominará, como en la computación general.

Productividad, ROI y patrones de uso

  • Las experiencias varían:
    • Algunos informan grandes aumentos de velocidad: refactors de varias semanas hechos en días, más funciones entregadas, menor tasa de bugs que llegan a producción y más herramientas internas.
    • Otros ven mucho “vibe coding”, PRs enormes, dashboards frágiles y un impacto en ingresos poco claro.
  • Tema común: el gasto en tokens a menudo no se mide o queda enterrado en las facturas cloud; los topes obligan a conversar sobre qué flujos de trabajo justifican modelos SOTA frente a opciones flash/locales.
  • Varios señalan que los flujos agentic intensivos (múltiples agentes, ejecuciones nocturnas, uso abundante de herramientas) pueden quemar más de $1,000 en un fin de semana; un uso cuidadoso y guiado suele quedarse muy por debajo de $1,500/mes.

Elección de modelo y competencia

  • Se argumenta que los modelos más pequeños/flash o de pesos abiertos aportan ~70–80% del valor a un coste 10–20x menor, especialmente para cambios guiados de <300 LOC.
  • Otros dicen que los modelos frontier siguen siendo claramente mejores en tareas “difíciles”, planificación y grandes refactors, y que merecen un precio premium.
  • Los modelos chinos/de pesos abiertos (por ejemplo, DeepSeek, Qwen) se ven como impulsores de una carrera a la baja en precios de inferencia, aunque las preocupaciones de cumplimiento y soberanía de datos limitan su uso directo por parte de algunas empresas.

Sostenibilidad, riesgo de burbuja y trabajo

  • Muchos dudan de que el capex y las valoraciones actuales de IA cierren con un gasto realista por puesto; temen una burbuja y futuras subidas de precios o depreciaciones para inversores.
  • Algunos esperan que los precios por token bajen con el tiempo mediante eficiencia y volumen; otros creen que los costes de entrenamiento y las limitaciones de hardware acabarán obligando a subir los precios.
  • Debates sobre si la programación con IA es un cambio duradero o en parte una moda:
    • Pro: adopción casi universal en equipos serios, integración rápida en los flujos de trabajo, “computación 2.0”.
    • Escépticos: ROI demostrado limitado, riesgo de bases de código frágiles, dependencia excesiva del hype y eventual retorno a un uso más modesto y dirigido.