Meta abrió su primera API de pago el 9 de julio y fijó el precio de Muse Spark 1.1 en $1.25 por millón de tokens de entrada y $4.25 por millón de tokens de salida. Las tarifas quedan por debajo de las ofertas insignia de OpenAI y Anthropic, aunque la magnitud del descuento varía según el modelo y el tipo de token.
La semana fue densa en lanzamientos. SpaceXAI distribuyó Grok 4.5 el 8 de julio. OpenAI puso a disposición general la familia GPT-5.6 el 9 de julio, el mismo día que Meta abrió su API. DeepSeek integra el mismo relato desde la distancia: en mayo pasado hizo permanente un recorte del 75% en el precio de V4-Pro.
OpenAI publicó tarifas de $5 de entrada y $30 de salida por millón de tokens para su modelo insignia Sol, la mitad para Terra, y $1 y $6 para Luna. Todos los anuncios pusieron énfasis inusual en precio y rendimiento por dólar.
El problema está en la aritmética, no en la tarifa
Los sistemas agénticos convierten una sola solicitud de usuario en rondas repetidas de planificación, recuperación, llamadas a herramientas, validación y reintentos. El precio por token puede bajar mientras el costo por tarea completada —y el gasto total de la organización— sube.
El gasto total equivale a volumen de tareas, multiplicado por intentos por tarea, multiplicado por tokens por intento, multiplicado por el precio efectivo por token, más costos de herramientas e infraestructura. Solo el cuarto término de esa cadena está cayendo.
El patrón tiene precedente en la nube. Los precios unitarios de almacenamiento y cómputo cayeron durante una década; las facturas totales de nube siguieron subiendo porque el consumo, los servicios administrados y el egreso se expandieron. Los agentes pueden repetir ese patrón en un ciclo más corto: una acción visible para el usuario puede desencadenar decenas de operaciones medidas.
Goldman Sachs proyecta que el consumo de tokens se multiplicará 24 veces entre 2026 y 2030, alcanzando 120 cuatrillones de tokens por mes. El banco atribuye el aumento a agentes empresariales siempre activos, no a más usuarios haciendo más preguntas.
Ilustrativamente: si el consumo de tokens por tarea sube 20 veces mientras el precio unitario cae 75%, los cargos totales del modelo se multiplican por cinco. Los resultados reales dependen de reintentos, caché, enrutamiento y tarifas de herramientas.
El modo de razonamiento empuja en la misma dirección. Muse Spark 1.1 factura sus tokens de pensamiento interno a la tarifa de salida, de modo que una llamada con cadena de pensamiento extensa cuesta como una respuesta larga. GPT-5.6 ofrece un ajuste «ultra» que coordina cuatro agentes en paralelo, lo que intercambia consumo de tokens por velocidad.
Qué debe modelar el CFO
Los equipos de finanzas deberían modelar resultados exitosos de flujo de trabajo, no multiplicar llamadas esperadas por el precio anunciado por millón de tokens. Un modelo más caro que resuelve el 90% de los tickets en el primer intento puede costar menos por ticket resuelto que uno barato que resuelve el 40%, reintenta, escala y termina en un agente humano.
El caché es la palanca que más cambia esos números. Meta lee entrada en caché a $0.15 por millón de tokens. OpenAI aplica un descuento del 90% en lecturas de caché para GPT-5.6. Las condiciones difieren lo suficiente entre proveedores como para tener peso arquitectónico.
Desde Ágora Capital, el mensaje es directo: la competencia entre Meta, OpenAI y DeepSeek es bienvenida y el recorte de precios beneficia al mercado. Pero la libre empresa exige disciplina financiera. Una tarifa más baja en el rate card no es una estrategia de costos; es apenas el punto de partida. Las organizaciones que adopten agentes sin modelar el ciclo completo —volumen, reintentos, tokens por intento, infraestructura— descubrirán que delegaron el control del gasto al proveedor, no a su propio CFO. Capital busca reglas claras, y aquí la regla es simple: mide el costo por tarea resuelta, no el precio por token.
