Ingresos, tokens y cómputo: la IA no sabe contarse a sí misma, y eso importa más de lo que parece

Por Michael Parekh (AI Ramblings, Substack) · 12 de octubre de 2026.

La cifra clave: según Bloomberg, citado por Parekh, los inversores no logran homologar los ingresos de OpenAI y Anthropic porque las dos empresas los contabilizan de forma distinta. Anthropic registra por el importe bruto las ventas de sus modelos a través de socios en la nube como Amazon. OpenAI computa solo su parte. Los analistas intentaron recalcular ambas bajo el mismo criterio y concluyeron que no tienen información suficiente.

La métrica estrella, el ARR (ingresos anualizados recurrentes, es decir, el ritmo de facturación de un periodo corto multiplicado hasta cubrir un año), tampoco es una norma contable estandarizada. Puede construirse con la última semana, el último mes o el mejor periodo de un trimestre. Los datos que recoge el artículo ilustran la brecha: OpenAI espera alcanzar o superar un ritmo anualizado de 70.000 M$ a final de año, pero unos 35.000 M$ de ingresos reales en 2026, la mitad. Anthropic, según la misma fuente, ingresó unos 4.600 M$ reales en 2025 frente a un ritmo de más de 9.000 M$ al cierre. Parekh añade su propia estimación (no un dato confirmado): entre 100.000 y 120.000 M$ de ritmo anualizado para Anthropic a final de año. Esperaba ver el S-1 (el folleto de salida a bolsa) de Anthropic en los próximos días, con salida prevista antes de Acción de Gracias.

El segundo frente es el coste. Según el WSJ, solo el 11% de unas 400 empresas encuestadas podía prever con precisión su gasto en IA. Un estudio de investigadores de Stanford, Carnegie Mellon, Berkeley y Microsoft Research, sobre más de 6.800 tareas, halló que en el 32% de los casos el modelo más barato acabó saliendo más caro. En un ejemplo, Gemini 3 Flash dio 952 pasos, gastó unos 14 $ y fracasó; Gemini 3.1 Pro lo resolvió en 85 pasos por cerca de 1 $.

El tercero es el cómputo. Según el WSJ y SemiAnalysis, alquilar chips H100 de Nvidia a un año cuesta un 60% más que hace doce meses, y los proveedores exigen contratos plurianuales con pagos iniciales de hasta el 30%. Anthropic, según el artículo, alquila más de 300 megavatios a SpaceX en un acuerdo de hasta 45.000 M$. Y hasta los particulares acaparan: The Information cuenta el caso de un exdirectivo de Microsoft con siete GPU en el sótano.

Nuestra lectura: esto no son tres anécdotas, es una sola tesis. Cuando una tecnología crece más rápido que sus instrumentos de medida, el precio lo fija la narrativa. Antes de las OPV, el ARR funciona como relato; el S-1 lo convertirá en contabilidad, y ahí es donde cada cifra tendrá que defenderse. Coincidimos con Parekh en que la comparación honesta es la neta, pero señalamos un matiz: ninguna de las dos es «la correcta» sin conocer los contratos, y ese dato no lo tenemos.

El hallazgo sobre tokens es el más útil a largo plazo. Que el modelo barato salga caro un tercio de las veces desmonta el hábito de comparar por precio por millón de tokens: lo que importa es el coste por tarea resuelta. En general, esto desplaza el valor hacia quien mida, limite y audite el gasto de agentes, una capa de gestión que hoy casi no existe. Es coherente con algo que venimos defendiendo: el margen migra del modelo a la implantación y al control.

Sobre el cómputo, el mensaje es de corto plazo duro: escasez, precios al alza y ventaja para quien ya tiene capacidad. Eso concentra poder en pocas manos y encarece la entrada a las startups, un riesgo real. Pero la contrapartida, también visible en el artículo, es que la demanda empuja la inversión en energía y chips, y el acaparamiento doméstico muestra el apetito por IA local, alineado con la democratización del acceso.

Un apunte final, más ligero, del mismo texto: OpenAI afirma que GPT-5 redujo la complacencia (sycophancy) en más de dos tercios frente a GPT-4o, y que investigadores externos de CUNY, King's College London y Transluce observan la mejora. Son datos atribuidos a la empresa y a esos estudios; activistas como el Human Line Project consideran que el problema persiste con más de 900 millones de usuarios semanales. Ajustar un producto «infinitamente ajustable» a tiempo, a diferencia de lo ocurrido con las redes sociales, es una buena señal.

En resumen: mientras no sepamos contar ingresos, tokens y cómputo con la misma vara, conviene desconfiar de las cifras más llamativas y esperar a las cuentas auditadas. La transición será desordenada; la abundancia a largo plazo no depende de que hoy sepamos medirla, pero sí de que acabemos aprendiendo a hacerlo.