La inteligencia artificial se abarata seis veces más rápido que la computación clásica
El coste de conseguir un determinado nivel de rendimiento con inteligencia artificial se ha desplomado desde 2023. Un análisis reciente estima que el precio necesario para completar una tarea con una calidad concreta cae un 47% cada trimestre, lo que equivale a que la misma capacidad resulte aproximadamente 13 veces más barata al cabo de un año.
La velocidad de esta reducción supera ampliamente la asociada tradicionalmente a la Ley de Moore, la observación que durante décadas ha servido para describir el avance de los chips. La comparación apunta a que la IA mejora su relación entre rendimiento y coste unas seis veces más deprisa que la computación clásica.
La clave no está solo en pagar menos por cada token
La cifra no significa necesariamente que las suscripciones de los principales servicios de IA hayan bajado de precio. De hecho, muchos usuarios perciben lo contrario: los créditos incluidos en algunos planes parecen durar menos a medida que los laboratorios incorporan modelos más avanzados y funciones de razonamiento.
La diferencia está en qué se compara. El análisis no se limita a observar el precio de un token, la unidad básica con la que los modelos procesan el texto. Un token puede ser una palabra completa, parte de una palabra o un signo. La referencia utilizada es cuánto cuesta alcanzar un resultado determinado en una tarea concreta.
Así, una operación que hace un año requería un modelo caro puede resolverse hoy con otro sistema más eficiente y con un coste muy inferior. La comparación intenta medir la capacidad obtenida por cada euro gastado, no únicamente la tarifa publicada por los proveedores.
Modelos más eficientes y nuevas técnicas de razonamiento
Una de las razones del abaratamiento es que los modelos actuales pueden ofrecer resultados similares a los de generaciones anteriores utilizando menos recursos. También ha mejorado la forma en la que distribuyen su capacidad: no todas las consultas necesitan activar el mismo nivel de computación.
Los modelos de razonamiento introducen además un matiz importante. Antes de responder, pueden generar pasos intermedios para analizar un problema, comprobar una operación o comparar distintas posibilidades. Este proceso suele consumir más tokens de salida, pero también puede elevar notablemente la precisión en matemáticas, programación o análisis.
El coste final depende, por tanto, de varios elementos: el precio de entrada, el volumen de texto procesado, la cantidad de tokens generados y la capacidad del modelo para resolver la tarea. Una tarifa más alta por token no siempre implica un coste mayor si el sistema necesita muchos menos intentos o produce una respuesta correcta a la primera.
Qué decía realmente la Ley de Moore
En 1965, Gordon Moore observó que el número de transistores integrados en un circuito podía duplicarse aproximadamente cada año. Una década después revisó su previsión y situó ese intervalo en torno a los 24 meses.
Aunque se la conoce como Ley de Moore, no es una ley física. Se trata de una predicción basada en la evolución observada por la industria de los semiconductores. Durante décadas ha funcionado como una referencia para anticipar mejoras en la capacidad de cálculo y reducciones relativas de precio.
La inteligencia artificial depende en gran medida de esos avances. El entrenamiento de los modelos y su uso cotidiano, conocido como inferencia, se apoyan en procesadores especializados capaces de ejecutar enormes cantidades de operaciones en paralelo. Por eso, comparar la evolución del coste de la IA con la de los chips permite entender hasta qué punto intervienen otros factores además del hardware.
La IA avanza más rápido que otros sectores tecnológicos
El ritmo estimado de abaratamiento también supera al de otras tecnologías que han experimentado mejoras muy significativas. Según la comparación, la IA reduce sus costes aproximadamente cuatro veces más rápido que la secuenciación del ADN y 18 veces más rápido que las baterías de litio.
Esta aceleración procede de una combinación de factores: nuevos diseños de modelos, mejores métodos de entrenamiento, hardware especializado, software más optimizado y una competencia intensa entre los laboratorios. Cada generación intenta ofrecer más capacidad sin aumentar proporcionalmente el consumo de recursos.
Una tendencia sólida, pero no una cifra absoluta
Las estimaciones deben interpretarse con cautela. El estudio se basa en cinco pruebas relacionadas con las matemáticas, las ciencias y los juegos de habilidad. No pretende representar todas las tareas que una persona o una empresa puede realizar con IA.
Además, los laboratorios pueden optimizar sus modelos para destacar en determinados exámenes. Obtener una mejor puntuación en una prueba concreta no garantiza que el sistema sea igual de útil en atención al cliente, redacción, programación o análisis de documentos.
También existe una diferencia entre el coste técnico de generar una respuesta y el precio que paga el usuario. Las tarifas comerciales incluyen servidores, desarrollo, almacenamiento, soporte, márgenes empresariales y, en algunos casos, funciones adicionales. Por eso, el abaratamiento de la capacidad no se traslada automáticamente a las suscripciones.
Aun con esas limitaciones, la conclusión principal resulta relevante: la inteligencia artificial está consiguiendo más rendimiento por cada euro a una velocidad excepcional. Si esta tendencia se mantiene, las herramientas que hoy parecen reservadas para grandes empresas podrían ser mucho más accesibles en pocos años.
