Cien dolares: 10 tareas con Opus 5.5 max o 2.500 con GPT-6 Luna

Las listas de precios de los modelos llevan tiempo convertidas en un rompecabezas. El precio por millon de tokens parece claro hasta que se descubre que un modelo “piensa” diez veces mas que otro y que el modo de reasoning puede cambiar la factura en un orden de magnitud. Artificial Analysis propuso una metrica mas honesta: cuantas tareas de Intelligence Index pueden completarse con un presupuesto fijo de $100.

Que mostraron las cifras

El conjunto de tareas es mixto e incluye distintos arquetipos, desde razonamiento hasta escenarios practicos. El resultado es el siguiente:

• Opus 5.5 con un nivel medio de reasoning: 40 tareas.
• Opus 5.5 con el nivel maximo: 10 tareas.
• DeepSeek V4.1 Flash 1017 en el nivel maximo: 166 tareas.
• GPT-6 Luna con el nivel medio: 2.500 tareas.

Al dividir las cifras, el coste aproximado es de $2,50 por tarea con Opus 5.5 medium, unos $10 con el mismo modelo en max, alrededor de $0,60 con DeepSeek y unos 4 centavos con Luna. Es nuestra estimacion a partir de los datos de la publicacion, no una tarifa oficial. Pero el orden de magnitud esta claro: entre la opcion mas cara y la mas barata hay una diferencia de 250 veces.

La leccion principal: el modo importa mas que el modelo

Fijese en las cifras de Opus. Es el mismo modelo, pero cambiar de medium a max multiplica por cuatro el coste de cada tarea. Los tokens de “pensamiento” cuestan dinero y, cuanto mas exigente es la configuracion, mas se consumen. Muchos equipos activan el maximo por defecto “para mayor seguridad” y despues se sorprenden al ver la factura.

Imagine un servicio de soporte en el que la IA procesa 20.000 consultas al mes. Con Luna, el coste rondaria los $800 si se calcula a partir del precio por tarea del benchmark. Con Opus 5.5 medium ascenderia a unos $50.000, y con max se situaria cerca de los $200.000. Las consultas reales pueden ser mas faciles o mas dificiles que las tareas del indice, por lo que las cifras son orientativas. Sin embargo, su escala muestra por que la eleccion del modelo y del modo no puede hacerse a ojo.

Que hacer al respecto

Primero: calcule el coste por tarea resuelta, no por token. Pruebe entre 50 y 100 casos reales con dos o tres modelos y modos, y registre el precio y la tasa de exito. Lo que determina la economia es el coste de una respuesta correcta, no el coste de una llamada.

Segundo: implemente enrutamiento. Asigne las solicitudes sencillas—clasificacion, extraccion de campos y respuestas breves—a modelos baratos como Luna o DeepSeek Flash. Escale a Opus 5.5 los casos complejos en los que falle el modelo barato y active un nivel alto de reasoning solo en ellos. Este esquema suele reducir la factura varias veces casi sin perder calidad.

Tercero: mantenga el modo de reasoning en la configuracion, no en el codigo. Asi podra cambiarlo segun el tipo de tarea y los resultados de las mediciones.

Limitaciones

La publicacion omite el dato principal: cuantas de estas tareas resolvio correctamente cada modelo. El presupuesto de $100 muestra el precio de los intentos, no la calidad. Un modelo barato que falle en la mitad de las tareas puede resultar, en realidad, mas caro de lo que parece. Ademas, la combinacion de tareas de Intelligence Index no equivale a su carga de trabajo: en escenarios agenticos con largas cadenas de llamadas, las cifras pueden variar considerablemente. Por ahora, los datos solo se han presentado en un tuit, sin una metodologia detallada, por lo que deben tratarse como una referencia y no como un veredicto.

La conclusion es sencilla. La epoca en la que bastaba con elegir el modelo “mas inteligente” ha terminado. Hoy gana quien sabe seleccionar el modelo y el nivel de reasoning adecuados para cada tarea y conoce el coste de una respuesta correcta.