OpenAI y Anthropic cambian el cálculo del coste de los modelos de lenguaje: en 2026 importa el precio de la tarea

El mercado de los grandes modelos de lenguaje entra en una nueva etapa: un token más barato ya no implica un presupuesto predecible. Casi al mismo tiempo, OpenAI y Anthropic han mostrado que en 2026 las empresas tendrán que contar no solo el precio de un millón de tokens, sino el coste completo de ejecutar una tarea. Para las compañías que construyen productos sobre escenarios con agentes, esto cambia la propia lógica de las compras, la planificación y la economía unitaria.

La primera señal llegó de Anthropic. La compañía ha pasado los marcos de trabajo con agentes a una facturación basada en el uso, es decir, al pago por el consumo real de tokens en lugar de suscripciones fijas. En la práctica, esto significa que parte de las capas externas y los servicios que antes podían sostenerse con una tarifa plana pierden su base financiera.

Mientras la carga era relativamente predecible, la suscripción resultaba cómoda tanto para el proveedor como para el cliente. Pero en los sistemas con agentes el gasto de computación crece rápido: el modelo no se limita a responder una consulta, sino que planifica pasos, hace varias llamadas, recurre a herramientas, verifica el resultado y puede lanzar una larga cadena de acciones.

En paralelo, OpenAI ha cambiado su enfoque para los clientes corporativos. En los planes Enterprise, Business y EDU, la compañía ha introducido una tarificación más flexible, en la que el coste escala con el volumen de uso y no queda rígidamente ligado al número de puestos o licencias por usuario. Para los responsables de compras es un cambio importante. Hasta hace poco se podía ver la suscripción como una partida de gasto casi fija; ahora el modelo se acerca a los servicios en la nube: el pago depende más de la intensidad real de uso. Cuanto más activamente usen los empleados la generación, la búsqueda, el análisis de documentos y las funciones con agentes, más cambiará la factura.

Esto no anula otra tendencia que el mercado ha observado durante los dos últimos años. Entre 2023 y 2025, las API sí se abarataron, y el coste de un millón de tokens para los modelos de clase GPT-4 bajó. Por eso muchos equipos se acostumbraron a una regla simple: si el precio del token cae, adoptar LLM resulta, con el tiempo, automáticamente más rentable. En 2026 esta regla ya no funciona sin matices.

La métrica clave ahora no es el precio por token en sí, sino el coste de resolver una tarea concreta. Si para obtener un resultado útil el sistema necesita varias pasadas, un contexto largo, llamadas a herramientas, comprobaciones adicionales y generaciones repetidas, la factura total puede subir incluso con una API nominalmente más barata. Esto se nota especialmente en los productos con agentes, donde un escenario que para el usuario parece una sola acción puede descomponerse por dentro en decenas de operaciones del modelo.

De ahí se deriva una conclusión práctica para los equipos. El presupuesto de LLM debe construirse ahora en torno al coste de una acción completada: cuánto cuesta un informe, un análisis de documento, una sesión de asistente o un flujo de trabajo con agentes ejecutado con éxito. De ahí surgen nuevos requisitos para el producto: limitar pasos innecesarios, controlar la profundidad del razonamiento del agente, reducir el contexto, usar caché, derivar a modelos más baratos cuando sea admisible y medir con rigor qué llamadas crean valor de verdad.

Para CTO, CPO y equipos financieros, esto supone pasar de hablar de «IA barata» a una economía operativa normal, donde importa no el precio atractivo de una tabla, sino el precio de un resultado de negocio concreto.

El sentido principal de este cambio es que el mercado de los LLM no ha dejado de abaratarse, sino de ser ingenuamente simple. La escasez de computación (compute crunch) en 2026 no es solo una cuestión de capacidad disponible, sino también de control del gasto. Ganarán no las empresas que miren el precio más bajo por token, sino las que sepan calcular el coste del resultado final y diseñar el sistema para que cada token adicional aporte un beneficio medible.