Los costes IA suscripciones están dejando de encajar con la realidad operativa: planes mensuales de 200 dólares pueden implicar, si se utilizan al máximo, facturas en tokens de miles o incluso decenas de miles de dólares.
Lo que importa es simple: las empresas pueden comprar una suscripción, pero la ejecución intensiva —especialmente para agentes y tareas de largo recorrido— dispara el precio real hasta niveles que las tarifas planas no cubren.
Por qué los costes IA suscripciones se disparan
Un informe práctico de SemiAnalysis demostró que las suscripciones de líderes como OpenAI y Anthropic son mucho más baratas que el coste real si se aprovechan a tope. Por ejemplo, Claude Max 20x cuesta 200 dólares al mes en suscripción, pero maximizar su uso equivaldría a unos 8.000 dólares en coste por tokens; lo mismo en ChatGPT Pro 20x, otro plan de 200 dólares, que puede llegar a suponer hasta 14.000 dólares en gasto de tokens.
En la práctica, esto significa que las empresas que permiten un uso extensivo sin controles se quedan con márgenes negativos. Según el mismo análisis, Anthropic recupera costes en sus planes más baratos (Claude Pro y Claude Max 5x) con una utilización del 20%, mientras que OpenAI empieza a perder dinero si la utilización de sus planes base supera el 11,4%.
La situación empeora en las gamas altas: Anthropic pierde margen si la utilización llega al 10% y OpenAI entra en números rojos a partir del 5,7% de uso en sus planes top. No es un detalle menor: estos umbrales muestran que la estructura de precio por suscripción no escala con el consumo real de modelos grandes y agentes avanzados.
Cómo reaccionan las empresas: modelos chinos y open-source
Frente a esa presión en los costes IA suscripciones, varias compañías han optado por cambiar de estrategia. Una parte del sector está implementando agentes que alternan entre modelos según la complejidad de la tarea: usar modelos ligeros para rutinas y reservar los modelos fronterizos solo cuando sea imprescindible.
El Wall Street Journal recoge casos reales donde la conmutación de modelos reduce costes hasta un 95%. No es sorprendente: para muchas tareas internas no se necesita la máxima capacidad de un modelo de frontera. Como dijo Vishal Misra, vicedecano de Columbia, «no necesitas un modelo que conozca la gravedad cuántica» para asistentes internos o búsquedas de documentación.
Empresas como la startup Lindy han pasado a modelos chinos open-source —mencionan DeepSeek V4— porque, según el fundador, ofrecen capacidad suficiente a una fracción del coste. Mantienen los modelos de Anthropic o OpenAI para trabajos de alta exigencia, como sesiones de codificación avanzadas, y calculan que el cambio ha ahorrado millones en gastos operativos.
Otro movimiento habitual es que grandes clientes empiecen a entrenar o afinar modelos open source con datos propios. Esa ruta exige inversión inicial y expertise, pero reduce dependencia externa y, en algunos casos, mejora la eficiencia para tareas específicas.
No faltan anécdotas extremas: fuentes citadas por analistas hablan de una empresa que dejó sin límites el uso interno y sufrió una factura de tokens cercana a 500 millones de dólares en un mes. Situaciones así explican por qué muchos responsables financieros han puesto topes estrictos a la «tokenización» indiscriminada.
En paralelo, los centros de datos y la llegada de modelos más eficientes prometen reducir el coste de servir modelos antiguos. SemiAnalysis señala que modelos de nivel Opus 4.8 podrían resultar rentables en suscripciones de bajo coste pronto, pero los modelos de frontera —como Mythos o equivalentes— seguirán siendo caros de mantener y probablemente se limiten al acceso por API con facturación por token.
La consecuencia inmediata para clientes y proveedores es doble: por un lado, las suscripciones siguen siendo útiles para usuarios con uso moderado; por otro, para cargas intensivas la factura real exige cambiar de estrategia o proveedor.
OpenAI ya ha reconocido el problema públicamente y habla de formas de ayudar a los clientes a «obtener más valor por menos gasto». Anthropic, por su parte, no ha anunciado subidas de precio masivas, pero los márgenes indicados por análisis independientes muestran que mantener el modelo actual indefinidamente no es sostenible.
La presión competitiva —tanto de modelos chinos como de proyectos open source— también complica la capacidad de los proveedores para justificar precios elevados. Si agentes y pipelines pueden cambiar de modelo bajo demanda, la prima de las soluciones propietarias se erosiona.
Para empresas que gestionan licencias corporativas, la recomendación práctica es clara: implantar límites de uso, monitorizar coste por tarea y diseñar rutas de degradación que sustituyan modelos caros por alternativas más baratas cuando la exigencia lo permita.
Lo que las grandes plataformas no aclaran todavía es cómo reorganizarán sus ofertas para reflejar ese doble mercado: suscripciones económicas que cubran usos estándar y APIs por token para funciones de alto coste. En la práctica, esto significa que las funciones avanzadas podrían acabar siendo un servicio premium verdaderamente caro, mientras que el acceso masivo permanecería limitado a tareas menos intensivas.
Con la combinación de optimización operativa, adopción de modelos chinos y desarrollos open source, las empresas buscan equilibrar innovación con control presupuestario. El debate ya no es solo técnico: es financiero y estratégico.
Queda por ver si los proveedores se adaptan con nuevas estructuras de precios o si la competencia y la adopción de alternativas abiertas terminarán forzando una recomposición del mercado.
