OpenAI y Anthropic reducen sus precios de LLM hasta en un 80% en pocos meses. ¿Por qué?
Los rápidos y profundos recortes de precio de OpenAI y Anthropic se interpretan como una señal de que la inferencia de modelos de lenguaje grandes se está convirtiendo en una mercancía de bajo margen, presionada por proveedores chinos agresivos y por modelos de pesos abiertos cada vez más capaces. Quienes comentan sostienen que las mejoras de eficiencia y las mejores optimizaciones de inferencia explican parte de la caída, pero dudan de que las empresas subyacentes puedan llegar a cubrir los enormes costes de entrenamiento e infraestructura, lo que abre la puerta a una burbuja de IA o a una consolidación eventual. Muchos esperan que los incumbentes respondan buscando ventajas regulatorias, centrándose en contratos empresariales y asistentes “agénticos”, mientras que los consumidores se benefician a corto plazo de un acceso más barato.
Comoditización y guerra de precios
- Muchos lo ven como una clásica carrera hacia el fondo: los LLM se están convirtiendo en una mercancía como el ancho de banda o las aerolíneas, con márgenes bajos y una competencia de precios intensa.
- Los recortes de precio se atribuyen ampliamente a la presión competitiva de modelos de pesos abiertos y, en especial, a las APIs chinas más baratas (DeepSeek, Kimi, GLM, Qwen).
- Algunos sostienen que OpenAI/Anthropic están compitiendo sobre todo entre sí; otros dicen que la verdadera amenaza es “lo suficientemente bueno y a bajo costo” de los modelos abiertos/locales y de proveedores externos de inferencia.
Eficiencia técnica y factores de coste
- Varios comentarios señalan rápidos avances de eficiencia (trucos de
KV-cache, mejores motores de inferencia, adelgazamiento/distilación de modelos) que permiten costes por token mucho más bajos. - Las cifras publicadas por DeepSeek (ingresos elevados por hora de GPU en un modelo pequeño y optimizado) se citan con frecuencia como prueba de que la inferencia puede ser muy rentable.
- Otros señalan que estas cifras son auto-reportadas, asumen una utilización casi total y no incluyen el entrenamiento/I+D ni la adquisición de clientes.
Rentabilidad, sostenibilidad y preocupaciones sobre una burbuja
- Hay un fuerte desacuerdo sobre si la economía actual es viable:
- Un bando: los márgenes de inferencia son “una locura”, lo que permite recortes del 80% y aun así flujo de caja positivo.
- Otro: los laboratorios son “salvajemente no rentables” en conjunto; el entrenamiento y el capex eclipsan las ganancias de inferencia, y los precios actuales no pueden justificar valoraciones multimillonarias.
- Se hacen comparaciones con las aerolíneas, el sobre-despliegue de fibra en telecom, las punto-com y blockchain: tecnología valiosa, pero modelos de negocio pobres o de auge-y-caída.
Regulación, fosos defensivos y geopolítica
- Muchos ven el impulso a la regulación de la IA como una captura regulatoria: restringir los modelos de pesos abiertos y extranjeros (especialmente chinos) para preservar los márgenes de los incumbentes de EE. UU.
- Debate sobre la viabilidad e impacto de prohibir modelos chinos/abiertos: probablemente dañaría más a las empresas que cumplen la ley que a los malos actores, y podría dar ventaja a otros países.
- Algunos esperan prohibiciones de facto mediante esquemas de “seguro certificado”, requisitos de cumplimiento y presiones de seguros, en lugar de una prohibición abierta.
Uso, planes “ilimitados” y demanda
- Escepticismo sobre que puedan existir planes verdaderamente “ilimitados” de tokens, dados los costes reales de energía y computación, aunque algunos esperan algo similar a lo móvil: “ilimitado” con límites suaves.
- Otros señalan un posible sobredespliegue: si los modelos se vuelven mucho más eficientes y la demanda se satura, podría aparecer capacidad sobrante de GPU, presionando aún más los precios.