La guerra de precios de la IA: OpenAI abarata GPT-5.6 y convierte la frontera en un activo perecedero

LA REBAJA, EN SU CONTEXTO. OpenAI recortó el 30 de julio de 2026 las tarifas de su familia GPT-5.6. Terra, el modelo de gama media, pasó de 2,5 a 2 dólares por millón de tokens de entrada y de 15 a 12 de salida (un token es la unidad mínima de texto que procesa el modelo, más o menos tres cuartos de una palabra en inglés). Es una rebaja del 20%. Luna, el modelo económico, cayó un 80%, hasta 0,20/1,20 dólares. Sol, el tope de gama, no se movió: sigue en 5/30. OpenAI lo atribuye a dos cosas: sirve cada consulta con un 20% menos de coste y genera cada respuesta con un 15% más de eficiencia. Traducido: no regala margen. Traslada un ahorro que ya tenía. La rebaja es real, pero es defensiva.

LA CIFRA QUE IMPORTA NO ES EL TOKEN. Aquí va nuestra primera lectura. Comparar modelos por el precio del token es como comparar coches por el precio del litro de gasolina. Lo que paga una empresa no es un millón de tokens: es una tarea terminada. Un ticket de soporte resuelto. Una factura extraída. Un pull request revisado. Y una misma tarea consume cantidades de tokens muy distintas según el modelo. Los flujos «agénticos» —donde el modelo planifica, usa herramientas, lee el resultado y reintenta en bucle— queman entre 5 y 30 veces más tokens que una simple pregunta de chatbot, según DoiT. En programación, la diferencia llega a multiplicarse por mil. Por eso el número que importa es el coste por tarea resuelta. En el índice Intelligence Index de agosto de 2026, GPT-5.6 Sol cuesta 1,04 dólares por tarea, casi la mitad que Claude Opus 5 (2,03 dólares) y menos que Fable 5 (2,75). Ese es el terreno donde OpenAI quiere pelear, y no es casual.

LO BARATO PUEDE SALIR CARO. Pero el coste por tarea esconde una trampa. Un modelo más barato por token puede salir más caro por trabajo bien hecho. La clave es la fiabilidad. Si un modelo acierta menos veces, hay que reintentar. Y si comete errores que alguien debe corregir, ese arreglo cuesta dinero. DoiT lo ilustra con un agente de atención al cliente: un modelo a 0,22 dólares por intento con un 58% de acierto terminó costando un 79% más por tarea correcta que otro a 0,30 dólares con un 64% de acierto. ¿El motivo? El barato dejaba más errores que limpiar. Nuestra lectura: el precio de lista es la parte fácil de la ecuación. La cara es la fiabilidad. Y ahí la frontera de calidad todavía manda. En nuestra comparativa viva (zendoric.com/modelos), Fable 5 lidera en calidad con 90 puntos, por delante de GPT-5.6 Sol (79) y de los mejores modelos chinos, GLM-5.2 (77) y Qwen3.7-Max (73).

CHINA MARCA EL SUELO DEL PRECIO. OpenAI no recorta en el vacío. Recorta con China empujando el suelo. Los laboratorios chinos bajaron sus tarifas de API seis veces en el primer semestre de 2026, y tres de esas bajadas se declararon permanentes, según un recuento de la comunidad DEV. DeepSeek V4-Pro cobra 0,435 dólares de entrada y 0,87 de salida, con la caché —respuestas repetidas que no hay que recalcular— casi regalada, a 0,0036. Kimi, de Moonshot, mantiene un suelo de 0,07 dólares en caché. Aquí conviene atribuir, no comprar el relato: según KraneShares, DeepSeek sostiene un margen bruto del 60-80% con esos precios, comparable a los objetivos de Anthropic para 2028. Es decir, no es venta a pérdida para hundir al rival. Es una estructura de costes distinta. La presión es real y viene para quedarse. Lo que no debemos confundir es «barato» con «regalado a fondo perdido».

LA FRONTERA ES UN ACTIVO PERECEDERO. Esto nos lleva a la tesis de fondo, que enlaza con nuestro monográfico sobre Kimi K3. La inferencia —el acto de ejecutar el modelo para obtener una respuesta— se está convirtiendo en materia prima. El precio del token ya no refleja «inteligencia»: refleja hardware, sostiene KraneShares. Los datos acompañan. GPT-4 salió en marzo de 2023 a 30/60 dólares; en 2026 hay modelos ligeros por debajo de 0,40 dólares de salida, una caída cercana al 99,7% en tres años, y el fondo de inversión a16z habla de un abaratamiento de unas diez veces al año. Cada modelo frontera es hoy un activo perecedero: manda unos meses y luego un rival, a menudo abierto, lo iguala en las tareas comunes y hunde su precio. Kimi K3 lo enseñó: salió a 3/15 dólares, pero con un 90% de aciertos de caché su entrada efectiva baja a unos 0,30. La pregunta ya no es qué modelo es el más listo hoy. Es qué queda cuando todos son «suficientemente listos» para lo corriente. Dos cosas, según el análisis: el 10% de tareas más difíciles, donde la calidad aún se paga, y el poso que un despliegue acumula con el uso —sus datos de evaluación, su memoria de errores, sus flujos de trabajo—. El modelo se deprecia. Ese poso, no.

NUESTRA LECTURA A LARGO PLAZO. Terminamos con las implicaciones, sin euforia y sin catastrofismo. A corto plazo hay tensión real. La rebaja comprime los márgenes de toda la industria y aprieta a las startups que revenden inferencia con poco valor añadido: si tu producto es solo una llamada a la API, tu suelo de precio lo fija ahora DeepSeek. Y una inferencia tan barata abarata también el fraude y la desinformación a escala; no lo perdemos de vista. Pero el saldo de fondo es positivo, y conviene decirlo con calma. Cuando ejecutar un modelo capaz cuesta casi nada, se construyen aplicaciones que ayer no salían a cuenta: un tutor para cada alumno, un primer cribado médico para quien no tiene un médico cerca, herramientas para quien nunca aprendió a programar. La guerra de precios no es el final del negocio de la IA. Es el comienzo de su difusión. El valor deja de estar en el modelo y pasa a lo que hagamos con él. Y esa, a la larga, es una buena noticia.