Precio de la IA: el descuento que pagas con tus datos

En tres días, tres laboratorios lanzaron un modelo de vanguardia: GPT-6 Astra, Claude Fable 5.1 y Muse Spark 1.3, de Meta. Lo que cambió de verdad no fue la inteligencia de ninguno de ellos. Fue dónde se cobra la cuenta.

Hasta ahora, comparar modelos era comparar dos líneas: precio por millón de tokens de entrada y de salida. Esas dos líneas dejaron de decir cuánto vas a pagar.

Lo que cobra cada uno hoy

• GPT-6 Astra (OpenAI): US$ 10 por millón de tokens de entrada y US$ 50 de salida, con entrada en caché a US$ 1.
• Claude Fable 5.1 (Anthropic): los mismos US$ 10 y US$ 50 en la tabla. Lo que cambió fue el caché, que bajó de US$ 1 a US$ 0,25 por millón, una reducción del 75%.
• Muse Spark 1.3 (Meta): US$ 1,25 de entrada y US$ 4,25 de salida, una fracción de los otros dos. Y existe un segundo precio, mucho menor, explicado más adelante.

Mirando solo la tabla, la conclusión sería simple: Meta es diez veces más barata. La conclusión real depende de dos cosas que la tabla no muestra.

El caché bajó un 75%, pero eso solo vale para quien lo construyó bien

El caché, aquí, es el fragmento de texto que envías repetido en cada llamada: la instrucción del sistema, el manual del producto, el catálogo, el historial de la conversación. El modelo guarda ese fragmento ya procesado y cobra mucho menos por releerlo.

Con el recorte de Anthropic, leer del caché pasó a costar el 2,5% del precio de la entrada normal. El efecto práctico divulgado es una caída de cerca del 25% en el costo de una carga de trabajo típica, y de hasta 45% en tareas muy agénticas — aquellas en las que el modelo hace muchas llamadas seguidas, releyendo el mismo contexto en cada paso.

El detalle que decide si vas a recibir ese descuento: el caché solo se aprovecha cuando el comienzo de lo que envías es idéntico entre una llamada y otra. Si tu sistema arma el texto con la fecha y la hora al principio, o mezcla el orden de las instrucciones, o inyecta el nombre del cliente antes del manual, el fragmento cambia en cada llamada y no hay caché alguno. Pagas precio completo y ni siquiera descubres por qué.

Es decir: este recorte de precio no es un descuento que cae solo en tu factura. Es un descuento para quien ordena el texto de una forma específica: el contenido fijo primero, el variable al final.

El descuento de más del 90% que se paga con datos

Meta hizo la jugada más agresiva, y la más interesante de analizar. Además del precio estándar, creó una franja para quien autoriza a la empresa a usar tus preguntas y las respuestas del modelo para entrenar sus futuros modelos.

En esa franja, el millón de tokens de entrada sale por US$ 0,10 y el de salida por US$ 0,20. Comparado con el precio estándar de la propia Meta, es una caída de cerca del 92% en la entrada y 95% en la salida. Frente a los US$ 10 y US$ 50 de los competidores, la diferencia supera las cien veces.

No es caridad ni guerra de precios en el sentido común. Es Meta poniéndole precio a tu dato y dejando que decidas si quieres venderlo. La empresa también señaló que planea liberar los pesos del modelo — lo cual es una promesa, no un hecho consumado, y conviene tratarla como tal.

Por qué ese descuento puede estar prohibido para ti

Aquí la decisión sale del terreno financiero y pasa al jurídico. Si lo que le envías al modelo incluye datos de clientes, el descuento significa autorizar a un tercero a entrenar con ese dato. Tres preguntas resuelven el caso en la mayoría de las empresas:

1. ¿Tienes base legal para esto? La LGPD exige una. ¿El cliente consintió el tratamiento de su dato para entrenar el modelo de otra empresa? Casi siempre la respuesta es no.
2. ¿Tu contrato lo permite? Los contratos con clientes corporativos suelen tener una cláusula de confidencialidad que ya lo impide, sin necesidad de llegar a la LGPD.
3. ¿Qué va exactamente junto con eso? No es solo la pregunta. Va el documento que adjuntaste, el fragmento del sistema que el agente leyó, el nombre que apareció en medio de la conversación.

Existe un uso en el que la franja barata es perfectamente adecuada: contenido que ya es público o que no identifica a nadie — generar descripciones de productos de catálogo, resumir un texto que tú mismo publicaste, probar un prompt con datos ficticios. El error es adoptar la franja barata por defecto y descubrir después qué pasó por ella.

Cómo elegir ahora

Con tres variables en juego —precio de tabla, caché y dato—, la comparación por precio de token se volvió inútil. Lo que funciona:

1. Mide el costo por tarea concluida, en tu tarea, con tu propio texto. Es la única medida que junta las tres variables.
2. Separa tus cargas de trabajo en dos. Las que envían datos sensibles y las que no. Pueden, y probablemente deban, correr en modelos distintos.
3. Antes de cambiar de proveedor por causa del caché, revisa tu código. Si el comienzo del texto cambia en cada llamada, el descuento no existe para ti — y reordenar el texto es más barato que cambiar de modelo.
4. Trata la promesa de pesos abiertos como una promesa. Planificar una migración basada en algo que aún no se lanzó es como firmar un contrato con la fecha en blanco.

Ese es el tipo de análisis que hacemos en implementación de IA para empresas: medir tu tarea antes de elegir el modelo, y separar lo que puede y lo que no puede salir de casa. Sobre el lanzamiento de OpenAI en detalle, mira qué cambia con GPT-6 Astra; sobre la cuenta de correr un modelo abierto en tu propia máquina, cuánto cuesta correr un modelo abierto. Y la regla de qué dejar que la IA acceda está en la regla de permisos.

Fuentes

Anuncio de Claude Fable 5.1 y de Mythos 5.1 y documentación de precios de Anthropic; página de GPT-6 Astra y documentación de modelos de OpenAI; material de precios de Muse Spark 1.3 de Meta y cobertura de VentureBeat, DataCamp y MindStudio sobre ambos cambios de precio. Las cifras de descuento por franja se verificaron fuera de la newsletter que originó el tema.