La IA se abarata cien veces y el problema se muda de sitio

El viernes pasado se publicó DeepSeek V4 Flash 0731, un modelo de lenguaje que cuesta tres céntimos pasar por una batería de pruebas donde el modelo más caro del mercado cuesta 3,15 dólares.

Cien veces menos. No un veinte por ciento: dos órdenes de magnitud.

El titular escribe solo, y ya lo has visto: «la IA más barata del mundo». Es lo menos interesante. Lo interesante es lo que suele pasar después de que algo se abarate cien veces, porque de eso tenemos treinta años de experiencia en este oficio. Spoiler: rara vez acaba en ahorro.

Un aviso: las cifras son las del 7 de agosto de 2026, día en que lo escribo. Aquí las tarifas y los rankings cambian en semanas; léelas como una fotografía.

Un Cray-2: en 1985, la máquina más rápida del mundo. Foto: Rama, CC BY-SA 3.0 FR; imagen recortada y disponible bajo la misma licencia.

Los números, sin adornos

Es la versión ligera de la familia insignia de DeepSeek. Los datos que importan:

• Tarifa publicada: 0,14 dólares por millón de tokens de entrada y 0,28 por millón de salida. Con acierto de caché, la entrada baja mucho más.
• Coste de pasar el índice de referencia de Artificial Analysis: unos 3 céntimos, frente a 86 del siguiente competidor, 1,86 dólares de OpenAI y 3,15 de Anthropic. Ojo: es lo que cuesta esa batería concreta, no lo que costará tu tarea.
• Puntuación en ese índice: 50, un punto por debajo del modelo de OpenAI del momento y a la par con el de Google. No es un porcentaje de aciertos: el Intelligence Index es un índice compuesto que agrega nueve evaluaciones en una escala propia.
• Arquitectura: mezcla de expertos, 284.000 millones de parámetros en total y unos 13.000 activos por token. Ventana de contexto de un millón de tokens.
• Pesos: hoy el modelo está disponible como servicio de API. DeepSeek ha anunciado que publicará los pesos, pero ni ellos ni su licencia están disponibles todavía, así que lo que digo más abajo sobre ejecutarlo por tu cuenta va en condicional.

Fíjate en ese 50, que es el dato que se cae de todos los titulares: queda a un punto del mejor por la centésima parte del precio. Se puede leer de dos maneras opuestas, según lo cerca que esté tu trabajo de lo que el índice mide.

Coste por token no es coste por respuesta

Primera trampa, y la que más veo en las hojas de cálculo: el precio se publica por millón de tokens. Tu factura es ese precio multiplicado por los tokens que el modelo decide emitir. Y eso lo decide él, no tú.

Los modelos que razonan antes de contestar generan texto intermedio que tú no ves, y cómo se factura depende del proveedor: unos lo cobran como salida, otros aparte y otros no lo devuelven pero sí lo cuentan. Conviene mirarlo. En cualquier caso, dos modelos con la misma tarifa pueden diferir mucho en la factura de una misma pregunta, porque uno se extiende más que el otro.

Por eso la medición útil no es la tarifa, sino cuánto cuesta terminar la tarea. Un modelo que acierta a la primera y otro que necesita tres intentos y una revisión humana no son el mismo producto a distinto precio: si el fallo lo detecta una persona, has cambiado tokens por horas, que es lo caro.

Así que la pregunta no es «¿cuál es más barato?», sino en qué tareas me vale este.

En qué tareas vale

En muchísimas, y ese es el giro: buena parte de lo que hoy se resuelve con el modelo más caro del catálogo es trabajo de saldo:

• Clasificar tickets en cinco categorías.
• Extraer cuatro campos de un correo.
• Normalizar direcciones postales escritas por humanos.
• Decidir si un texto libre es una queja, una consulta o una devolución.
• Reescribir una descripción de producto en cincuenta palabras.

Nada de eso necesita un razonador de frontera; le sobra con un modelo modesto y una buena validación después. Y sin embargo casi todo el mundo lo manda al más grande que tiene contratado, porque era el del ejemplo de la documentación y porque cambiar da pereza.

Elegir modelo por tarea, y no por marca, es la optimización de coste con mejor relación esfuerzo/resultado que hay ahora mismo. Basta una tabla de qué llamada va a qué modelo y un criterio para decidirlo. Empieza por la más aburrida, que casi seguro es la más frecuente.

La palanca que nadie mira: la caché

Un detalle que decide facturas enteras: el token de entrada cuesta 0,14 dólares por millón si el proveedor tiene que leerlo entero, y unas cincuenta veces menos si ya lo tenía cacheado.

Traducido: cómo montas el prompt te cambia el coste más que qué modelo eliges.

La caché de este proveedor, como la de bastantes otros, funciona por prefijo: coincide desde el primer carácter hasta el primero que cambia. El descuento y los mínimos varían, así que conviene comprobarlo. Donde funcione así:

• Si metes la fecha y hora al principio de tus instrucciones, acabas de invalidar la caché de todas tus llamadas, siempre, para siempre.
• Si serializas un objeto a JSON sin ordenar las claves, la mitad de las veces sale en otro orden y el prefijo deja de coincidir.
• Si construyes las instrucciones concatenando trozos según la configuración, cada combinación es una caché distinta.

Lo estable va delante. Lo que cambia en cada petición, detrás. Es una regla de una línea y he visto facturas caer a la mitad con ella.

Y una segunda parte, más incómoda: sin contabilidad de tokens por caso de uso, cualquier conversación sobre optimizar el coste de la IA es literatura.

«Pesos abiertos», si llegan, no significará «te cabe en el portátil»

Aquí conviene ir con cuidado, porque la cobertura ya trata este modelo como si fuera de pesos abiertos. Lo que hay hoy es un servicio de API funcionando y el anuncio de que los pesos se publicarán: ni los pesos ni la licencia están sobre la mesa, así que lo que sigue va en condicional.

Si llegan a publicarse con una licencia que lo permita, cambiaría algo importante: podrías ejecutarlo tú, y la pregunta de a dónde van tus datos dejaría de depender de unas condiciones de uso. Es la respuesta técnica a algo que ya conté: pegar el listado de clientes en un chat gratuito es rellenar un formulario que envías a un tercero.

Con una letra pequeña que en la cobertura no aparece: 284.000 millones de parámetros no caben en tu portátil ni en tu servidor de la oficina. Solo los pesos ocupan cientos de gigabytes. «Abierto» querría decir que puedes, no que salga a cuenta.

Y no sería una libertad absoluta: no impediría subidas de tarifa, cambios de condiciones ni que el modelo se retire, ni obligaría a que la versión siguiente saliera igual. Daría lo que da conservar esa versión y poder seguir ejecutándola. Mientras no ocurra, lo prudente es no contarlo entre las ventajas.

Lo que de verdad pasa cuando algo se abarata cien veces

Cuando el alojamiento web se puso por los suelos no acabamos con webs más baratas, sino con muchísimas más sin actualizar y sin responsable — ya escribí sobre esa factura, que se paga con retraso. Y cuando el almacenamiento se abarató no guardamos lo mismo por menos: guardamos todo, sin política de retención.

El abaratamiento tiende a producir volumen antes que ahorro. Y el volumen produce mantenimiento, que es lo que menos se abarata, porque se paga en atención humana.

Aplícalo a esto. Cuando el token cuesta tres céntimos:

• Se llama al modelo desde sitios donde bastaba un if. Y ahora ese if tiene latencia, factura y no es determinista.
• Se dejan bucles de agentes reintentando en producción porque «total, es barato», hasta el mes en que no lo es.
• Se mete todo en la ventana de un millón de tokens en vez de decidir qué es relevante, porque cabe. Y el modelo también se despista con el ruido.
• Y, sobre todo: se generan diez veces más resultados de los que alguien tiene tiempo de revisar.

Esa última es la de verdad. El cuello de botella se muda del cómputo a la verificación, y comprobar no se abarata: sigue costando una persona leyendo con atención. Es el mismo agujero que conté anteayer con las semillas de un monedero de bitcoin: la calidad no siempre es observable en el resultado, porque una respuesta plausible y una correcta se parecen muchísimo.

Tres cosas para esta semana

1. Pon un número por llamada. Tokens de entrada, de salida y coste, agrupados por caso de uso. Sin eso, lo demás es opinión.
2. Baja de modelo la llamada más frecuente y más tonta que tengas, midiendo la calidad con casos reales y no con una impresión.
3. Mira dónde empieza tu prompt. Si lo primero es algo que cambia en cada petición, muévelo al final y mira la factura en dos días.

Y una cuarta que no es técnica: por cada sitio nuevo donde metas una llamada a un modelo, escribe quién revisa esa salida y cuándo se entera si empieza a salir mal. Si la respuesta es «ya lo veremos», no has automatizado una tarea: has automatizado la producción de trabajo pendiente.

(Tres céntimos. Menos de lo que costaba mandar un SMS. Con la diferencia de que el SMS, cuando fallaba, no te devolvía una respuesta larga, segura de sí misma y perfectamente equivocada.)