Los precios de los tokens de inteligencia artificial alcanzan nuevos mínimos históricos

El LLM Token Expenditure Index, que elabora la firma de inteligencia de mercado Silicon Data, cayó a 97 centavos de dólar por millón de tokens el lunes 31 de agosto de 2026. Es la lectura más baja desde que el índice se creó a fines del año pasado, y la primera vez que cruza por debajo de un dólar. En los siete días previos retrocedió 8,6%.

CNBC describe al índice como un termómetro diario del precio de mercado de un token de modelo de lenguaje grande. Silicon Data precisa su metodología: calcula el precio ponderado por uso de un millón de tokens en un universo definido de modelos, mezclando los precios activos de los proveedores con el volumen real de consumo observado en gateways de enrutamiento multiproveedor y redes de inferencia. Rastrea más de 200 modelos abiertos y más de 120 propietarios, con más de 20 fuentes de precio y volumen.

¿Por qué están cayendo los precios de los tokens?

CNBC atribuye la caída a cuatro factores, según un análisis de Charles-Henry Monchau, director de inversiones de Syz Group:

• El auge de los modelos chinos de código abierto, como Kimi K3 de Moonshot, que se ofrecen a precios menores que las alternativas de los laboratorios de frontera líderes.
• Los recortes de precio de OpenAI en dos de sus modelos GPT-5.6, anunciados a fines de julio.
• La aparición de esquemas de precios dinámicos en otros laboratorios de frontera, que permiten que las tarifas de acceso suban y bajen con la demanda.
• La caída del costo de producir un token en toda la industria.

Steve Hou, jefe de investigación de Silicon Data, apunta a una explicación estructural: la caída podría indicar que entre los modelos de frontera y los competidores más baratos ya existe oferta suficiente para «entregar capacidades adecuadas para la mayoría de las tareas».

¿Quién gana y quién pierde con la deflación de tokens?

La asimetría es clara. Para quien consume IA, el beneficio es directo: CNBC señala que una caída pronunciada de precios significa que los usuarios de modelos deberán desembolsar menos para correr consultas en chatbots populares como ChatGPT de OpenAI, Claude de Anthropic o Gemini de Google.

Para quien vende IA, el efecto es el opuesto. CNBC advierte que un índice más bajo puede condicionar a los consumidores a esperar tarifas menores, lo que se traduce en menor poder de fijación de precios para los proveedores. Y agrega una implicancia financiera relevante: la caída podría poner nueva presión sobre los márgenes de líderes como Anthropic y OpenAI, que presentaron confidencialmente sus solicitudes de salida a bolsa ante los reguladores este verano boreal.

«Los laboratorios de modelos fundacionales son los más directamente expuestos. La deflación de tokens comprime la línea de ingresos mientras los compromisos de cómputo permanecen fijos. La respuesta estratégica es visible: el foso competitivo debe desplazarse desde la capacidad bruta del modelo, donde la brecha con los pesos abiertos ya se mide en meses, hacia la distribución, la memoria y el contexto», escribió Charles-Henry Monchau.

¿Sirve este índice para presupuestar el gasto en IA de una empresa?

Sí, pero con límites que conviene entender antes de llevarlo a un comité. Silicon Data plantea tres usos concretos: los equipos de compras pueden comparar su gasto interno en tokens contra el mercado amplio y separar la exposición específica a un proveedor del movimiento general; los equipos de finanzas pueden monitorear si el acceso a modelos de lenguaje se está volviendo estructuralmente más caro o más barato; y los equipos de producto y plataforma pueden entender si sus decisiones de enrutamiento de modelos se mueven a favor o en contra del mercado.

La advertencia de la propia firma es igual de importante: el índice «no es una garantía de la factura real de ningún cliente, porque las facturas individuales dependen de descuentos privados, política de enrutamiento, diseño de la carga de trabajo, caching, largo de contexto y términos específicos del proveedor».

Para una empresa en Chile o en el resto de Latinoamérica que está armando su primer presupuesto anual de IA, esa distinción marca la diferencia entre proyectar con un supuesto de mercado y proyectar con la estructura de costos real de su propio stack.

Análisis de Revenue Hub

La conclusión operativa es incómoda para quienes retrasaron su adopción de IA esperando que bajaran los precios: el precio ya bajó, y bajó a la mitad. El argumento del costo dejó de ser una razón válida para no automatizar procesos comerciales. Si el caso de negocio de un agente de calificación de leads o de un asistente de preparación de reuniones no cerraba hace seis meses por el costo de inferencia, hoy cierra con el mismo volumen de uso. Vale la pena volver a correr ese cálculo antes de cerrar el presupuesto del próximo año.

El segundo punto es de arquitectura, y ahí está el dinero. Si tu proveedor es único y tu integración está acoplada a un solo modelo, la deflación de tokens no te beneficia: el ahorro se lo queda el proveedor hasta que decida traspasarlo. Las empresas que capturan esta caída son las que enrutan por tarea, mandando el trabajo simple a modelos baratos y reservando los modelos de frontera para lo que realmente lo necesita. Eso es una decisión de diseño que se toma una vez y paga todos los meses. En la práctica, la mayoría de los flujos comerciales que vemos en Chile y Latinoamérica, enriquecimiento de datos, resumen de llamadas, clasificación de correos, no necesitan un modelo de frontera.

El tercer punto es de negociación con proveedores de software. Si tu CRM, tu herramienta de outbound o tu plataforma de servicio te cobra un recargo por «créditos de IA», ese recargo se fijó cuando el token costaba el doble. Es un dato duro para llevar a la renovación. Cubrimos cómo estructurar esas conversaciones y el modelo de costos detrás de la IA aplicada a ingresos en nuestro blog, y seguimos la evolución de precios del sector en tendencias SaaS.