Las empresas estadounidenses priorizan modelos de inteligencia artificial económicos para tareas rutinarias mientras la competencia desploma los precios por token. Según datos de agosto de 2026, la participación de sistemas de frontera cayó de 53% a 45% en el uso total.
¿Por qué las empresas eligen IA más barata?
Las compañías están adoptando una lógica de compra diferente: reservan los modelos más potentes y costosos solo para tareas que realmente exigen sus capacidades, mientras delegan el trabajo habitual a alternativas económicas que alcanzan un nivel aceptable de rendimiento. Esta estrategia refleja un cambio fundamental en los criterios de decisión empresarial, donde el costo por tarea completada importa tanto como el rendimiento absoluto del modelo.
La brecha de capacidades entre sistemas se ha reducido significativamente durante 2026, y la caída de precios de tokens —las unidades que procesan instrucciones y generan respuestas— acelera esta tendencia. El resultado es que muchas compañías pueden resolver sus necesidades operativas sin invertir en las soluciones más avanzadas del mercado.
Cambio en la composición de gasto empresarial en IA
Según datos atribuidos a Ramp correspondientes a agosto de 2026, 43,8% de las empresas estadounidenses en su muestra compraron productos de Anthropic, frente a 39,8% que adquirieron de OpenAI. Aunque estas cifras reflejan solo la muestra analizada y no la totalidad del mercado, indican un desplazamiento en las preferencias de compra corporativa.
En el mismo período, la participación de modelos de frontera en el consumo total de tokens bajó de aproximadamente 53% a comienzos de agosto hasta 45%. Paralelamente, los precios efectivos cayeron 41%, llegando a cerca de US$ 0,68 por millón de tokens. Estos indicadores, aunque distintos entre sí, convergen en un mensaje: las empresas buscan optimizar el costo-beneficio de sus inversiones en IA.
Un informe de la OCDE de septiembre de 2026 basado en entrevistas con 25 organizaciones confirmó que la reducción de costos es una motivación frecuente, junto con el incremento de productividad y la respuesta a la escasez de talento en recursos humanos.
Competencia feroz por precios: nuevos lanzamientos y reducciones
Los proveedores principales intensificaron la competencia durante septiembre de 2026. OpenAI lanzó GPT-6 Sol y GPT-6 Luna el 22 de septiembre con precios de API al menos 50% inferiores a GPT-5.6. Para GPT-6 Sol, la tarifa alcanza US$ 2 por millón de tokens de entrada y US$ 10 por millón de tokens de salida.
Anthropic presentó Claude Opus 5.5, que según la compañía cuesta 40% menos que Opus 5 en cargas de trabajo típicas. XAI también lanzó Grok 4.7 como parte de esta ola de modelos más económicos. La presión sobre costos es sostenida: según Epoch AI, el precio de alcanzar un nivel constante de rendimiento en IA cayó aproximadamente 47% por trimestre desde 2023, equivalente a una reducción anual de alrededor de trece veces.
¿Cómo miden las empresas el valor real de la IA?
Las organizaciones comienzan a evaluar modelos mediante benchmarks que combinan rendimiento y costo por tarea. AutomationBench de Zapier, por ejemplo, mide agentes a través de flujos de trabajo de extremo a extremo en herramientas empresariales. Artificial Analysis asignó a GPT-6 Sol una puntuación de 48 en su Índice de Inteligencia, con un costo estimado de US$ 1,06 por tarea, mientras que MiMo-V2.6-Pro de Xiaomi obtuvo 46 puntos con un costo de US$ 0,13 por tarea.
Estas comparaciones orientan decisiones empresariales, pero la utilidad real depende de la tarea específica, los requisitos de fiabilidad y la metodología de cálculo de costos. No existe un "mejor modelo" universal; existe el modelo más eficiente para cada caso de uso.
El riesgo oculto: más uso, más gasto total
Un precio menor por token puede paradójicamente aumentar el gasto total si las empresas consumen mucho más servicio. Esta dinámica, conocida como paradoja de Jevons, es especialmente relevante en IA: al abaratarse el uso, más equipos podrían incorporar modelos en nuevos procesos, elevando el volumen total de inferencias aunque disminuya el costo unitario.
Gartner proyecta que el costo de inferencia por flujo de trabajo agéntico aumentará más de cinco veces hasta 2028, según su pronóstico de agosto de 2026. Esta proyección no contradice la caída de precios por token; refleja que las empresas ejecutarán muchos más agentes y automatizarán más tareas. Un informe de Microsoft sobre difusión global de IA subraya que, más allá del precio del modelo, factores como infraestructura, conectividad y habilidades técnicas son decisivos para aprovechar soluciones asequibles.
Impacto para empresas y administradores argentinos
Para los dueños y administradores de empresas argentinas, esta tendencia global tiene implicaciones directas. La reducción de costos de IA abre oportunidades para automatizar procesos sin inversiones prohibitivas, especialmente mediante enrutamiento inteligente entre múltiples modelos según complejidad de tareas. Las pymes pueden ahora acceder a capacidades que hace un año eran exclusivas de grandes corporaciones.
Sin embargo, el modelo correcto para cada empresa dependerá de evaluar cuidadosamente el costo por resultado en procesos específicos, no solo de elegir la solución más barata o más potente. Administradores que adopten IA en 2026 deben prepararse para auditar consumo, comparar benchmarks en sus flujos reales de trabajo y estar listos para ajustar proveedores conforme evoluciona el mercado. La mejor estrategia combina acceso a modelos económicos con capacidad interna de prueba y optimización continua.
