El 72% del consumo de tokens representa solo el 27% del gasto: el tema clave en el debate AI alcista vs bajista

Los datos sobre la demanda de IA están generando una rara divergencia de mercado: el mismo conjunto de cifras es interpretado por alcistas y bajistas como les conviene, y ambos bandos se declaran ganadores. El centro de esta discusión es una contradicción estructural inquietante: el consumo de tokens está creciendo explosivamente, pero la gran mayoría de ese incremento fluye hacia los modelos con las tarifas más bajas, mientras que el costo de las GPU que prestan servicio a esos tokens sigue aumentando.

Según lo revelado por Bobby Molavi de Goldman Sachs en su último informe, los datos de OpenRouter muestran que los modelos de pesos abiertos (open-weight models) procesaron el 72% del tráfico de tokens en la segunda semana de septiembre, pero solo recibieron el 27% del gasto total de la plataforma; mientras tanto, los modelos cerrados, aunque su cuota cayó del 89% a principios de enero al 73%, siguen controlando la mayor parte de los ingresos monetizados.

Lo que merece más atención es que, a mediados de septiembre, aproximadamente el 69% de los tokens en OpenRouter provenían de laboratorios chinos de IA. Molavi califica el mercado actual como “injugable” (unplayable) y remarca que los beneficios de productividad de la IA aún no han dejado huellas cuantificables fuera del sector tecnológico.

Esta contradicción estructural está reconfigurando las expectativas del mercado sobre el retorno de la inversión (ROI) en IA. El alquiler de GPU sigue aumentando, el precio de los tokens sigue cayendo, y esta presión en ambos extremos significa que los proveedores de capacidad computacional disfrutan de la renta, mientras que las empresas clientes y los accionistas finales enfrentan dificultades para concretar el ROI. Recientemente, Meta recaudó hasta 95 mil millones de dólares para el gasto de capital en IA, con sus proveedores de chips participando en la inversión al mismo tiempo, lo que marca que la "financiación de proveedores" ha evolucionado de deuda a formas de capital, y las dudas sobre la sostenibilidad del ciclo de capital son cada vez más urgentes.

Explosión de la demanda de tokens: el verdadero panorama detrás de un crecimiento de 250 veces

El crecimiento de la demanda no está en duda. Molavi, citando datos de OpenRouter, señala que la demanda de tokens ha aumentado 27 veces desde noviembre pasado, y los modelos de pesos abiertos actualmente ocupan el 72% de la cuota de tokens. A más largo plazo, el número semanal de tokens procesados en OpenRouter pasó de 0,5 billones a mediados de enero de 2025 a 128,4 billones en la semana del 14 de septiembre, un aumento de aproximadamente 250 veces en 20 meses.

El precio de las GPU también evidencia la veracidad de la demanda. El precio de alquiler de la H200 subió un 160% este año, la B200 un 120% y la H100 un 35%. Más convincente aún, el actual precio de alquiler del chip A100, producido en 2020, ya es superior al de principios de año, lo cual impacta directamente en la suposición central sobre el ciclo de depreciación de las GPU: si un chip puede seguir generando ganancias mayores después de seis años, entonces la predicción pesimista basada en una vida útil de tres años ya no se sostiene, y el potencial de ganancia a largo plazo de los proveedores cloud hiperescaladores necesita ser revaluado.

Para los alcistas, este es el argumento más fuerte: la demanda es real y la vida económica de los activos de cómputo es más larga de lo que esperan los bajistas.

La caída libre del precio de los tokens: la deflación más rápida de la historia

Sin embargo, el otro lado de la explosión de la demanda es que el precio de los tokens se está desplomando a una velocidad nunca antes vista. Según el informe de investigación de Epoch AI publicado el 22 de septiembre, titulado “La caída en picada del precio del pensamiento” (The Plunging Price of Thought), desde 2023, el costo para llegar al mismo nivel de rendimiento de IA cae aproximadamente un 47% por trimestre, es decir, 13 veces menos por año; en el caso de los modelos más avanzados esta caída es del 66% por trimestre, o sea, 75 veces menos por año.

El caso más ilustrativo según Epoch AI:

En enero de 2025, el modelo o3 de OpenAI acertaba al 75% en la prueba GPQA Diamond de preguntas científicas de nivel doctoral, con un costo de aproximadamente 0,30 dólares por pregunta; hoy GPT-5.6 Luna obtiene la misma puntuación con un costo de apenas 0,0004 dólares por pregunta, una caída de precios de 725 veces en 18 meses, el equivalente a que un auto cotizado en 50.000 dólares caiga a 69 dólares.

En perspectiva histórica, la caída de los precios de inferencia de los grandes modelos de lenguaje es 4 veces más rápida que la secuenciación de ADN, 6 veces más que la mejora computacional entre 1940 y 2001, 18 veces más que las baterías de litio y 54 veces más que la electricidad.

Sin embargo, el precio que pagan realmente los clientes no baja tan rápido como el precio de lista. Datos anualizados de YipitData, que rastrean cerca de 20 mil cuatrillones (quadrillion) de tokens, muestran que el precio efectivo de los tokens en servicios API cayó un 39% en la segunda mitad de 2025 (44% en OpenRouter), pero solo un 6% en lo que va del año hasta mayo de 2026.

La razón es: los desarrolladores siguen buscando los modelos más baratos, mientras que las empresas aumentan el uso de modelos premium, y los laboratorios de vanguardia mantienen los ingresos gracias a la capacidad de cobrar un plus por sus modelos más nuevos. Pero los datos de Epoch muestran que esa capacidad de premium tiene una “semivida” trimestral, ya que los clones open source pronto pueden lograr lo mismo a costo mucho menor.

El núcleo de la divergencia alcista-bajista: quién gana y quién paga

Ese es justamente el núcleo del “mismos datos, dos lecturas” que describe Molavi.

La lógica alcista es que la demanda sigue creciendo, el mercado disponible (TAM) aún se amplía y el consumo explosivo de tokens demuestra la adopción masiva de la IA.

La lógica bajista es: el costo por token sube, el ingreso por token baja, y el tráfico creciente va principalmente a modelos open source con las tarifas más baratas. Los datos de OpenRouter son claros: los modelos de pesos abiertos procesan el 72% de los tokens, pero solo reciben el 27% del gasto; los laboratorios chinos de IA aportan casi el 70% del tráfico de tokens de la plataforma. El “Goldman momo basket” de Goldman Sachs tocó su máximo a fines de junio, coincidiendo exactamente con la entrada masiva de modelos chinos open source al mercado de IA.

Molavi resume esta contradicción así: el aumento del alquiler de GPU y la caída del precio de los tokens es la misma presión mostrándose por los dos extremos. Es bueno para quienes poseen GPU; pero bastante distinto para las empresas que pagan el alquiler.

Ausencia de beneficios de productividad: el silencio de los S&P 493

La base lógica de la inversión en IA es que, gracias a la mejora de la productividad, se generen ganancias para toda la sociedad. Sin embargo, fuera del sector tecnológico, eso todavía no se refleja en los datos.

Molavi cita un informe de estrategas que marcada que la IA “todavía no muestra mejoras de productividad cuantificables en los datos clave fuera del universo tech”: los Mag 7 (los siete gigantes tecnológicos) mejoraron su facturación y márgenes de ganancia por empleado, pero las 493 empresas restantes del S&P 500 prácticamente no han variado estos indicadores.

Esta realidad está cambiando la lógica de decisión de las empresas respecto a la IA. Molavi observa que muchas compañías están pasando de ver la “relación entre gasto en tokens, crecimiento y productividad” a priorizar la “relación entre gasto en tokens, costos y márgenes de beneficio”. Los CFO ya encontraron el rubro “IA” en el presupuesto y quieren saber qué están comprando con ese dinero.

El “ciclo de prosperidad” y la pregunta por la sostenibilidad del capital

El boom actual de inversión de capital en IA se sustenta en lo que Molavi llama un “ciclo de prosperidad”: cuanto más gastan los grandes proveedores cloud, más ingresos circulan dentro del ecosistema IA, atrayendo así venture capital y fondos de private equity en ambas direcciones, todo anclado en el gasto inicial en IA.

El punto más débil de este ciclo es su sostenibilidad: si bajara la inversión inicial, ¿puede sostenerse el ecosistema por sí mismo?

El mercado privado tampoco es inmune. Según Molavi, los casos de salida actuales “son muchos pero extremadamente concentrados” (SpaceX, Cerebras, Cursor, Hugging Face), y algunas revaluaciones “no tienen más catalizador que una carta de intención de inversión”; la lógica de las transacciones en el mercado privado parece “actuar como si la era del token nunca fuera a terminar ni nada pudiera quedar sin disrumpir”.

Del lado del financiamiento, con el crédito más restringido, Meta anunció recientemente que recaudará hasta 95 mil millones de dólares para IA entre los accionistas, y sus proveedores de chips participarán como inversores. La financiación de proveedores ha pasado de deuda a equity, y las fronteras entre ingresos y financiamiento entre proveedores y usuarios se vuelven cada vez más difusas.

Molavi concluye que el debate esencial se reduce a cuatro preguntas: ¿Cuál es el costo de construcción?, ¿quién lo paga?, ¿vale la pena el sacrificio? y ¿cuánto hay que esperar para ver retornos?

Hoy la realidad de los datos es: la demanda de tokens creció 250 veces, pero los ingresos se dirigen a los modelos más baratos; el alquiler de GPU subió, pero la factura la terminan absorbiendo los accionistas; aún no se ven beneficios de productividad fuera de tech.

Molavi concluye que la demanda realmente existe, pero “una demanda que crece 250 veces, pero el dinero va hacia los modelos más baratos, la renta hacia quienes poseen GPU y la factura a los accionistas”, no es la historia de ROI que prometía la inversión inicial. En esta cuerda floja entre alcistas y bajistas, quizás los bajistas tienen mejor apoyo.