Los márgenes brutos de las startups de IA quedan muy por debajo de los del software tradicional, porque el coste de inferencia crece con cada tarea que ejecuta un cliente. El informe State of AI 2026 de ICONIQ sitúa el margen bruto medio de un producto de IA en el 45% en 2025, con una previsión del 53% para 2026 y del 59% para 2027. La guía de 1752vc, citando a a16z, pone el software tradicional entre el 60% y el 80% o más. Casi toda esa diferencia es la factura del modelo, que tiene dos partes: el precio de cada token y el número de tokens que envía cada tarea.
Esta nota explica por qué el margen se comprime a medida que crece el uso agéntico, cómo medir las dos dimensiones del coste, un ejemplo resuelto con nuestra calculadora de coste por tarea (en inglés), qué cambia un modelo entrenado y en qué casos no compensa. Se apoya en nuestras propias mediciones de tokens y en dos cargas de trabajo de socios de diseño, anonimizadas.
¿Por qué se comprime el margen bruto cuando crece el uso agéntico?
En el software, servir al cliente número mil cuesta casi nada. En un producto de IA, cada tarea del cliente envía tokens a un modelo y pagas cada uno. Como resume 1752vc: "In AI, the thousandth customer sends you a bill" (en la IA, el cliente número mil te manda una factura).
El uso agéntico hace que esa factura crezca más deprisa que los ingresos, por tres motivos.
- El ingreso es fijo por usuario y el coste crece por tarea. Según ICONIQ, la suscripción seguía siendo el modelo de precios más habitual en su encuesta del segundo trimestre de 2026. Un cliente que usa mucho el producto ejecuta más tareas por la misma cuota mensual.
- Cada tarea envía más tokens. Un agente reenvía su historial en cada paso, así que una ejecución de doce pasos cuesta bastante más que el doble de una de seis. Nuestra guía sobre el coste por tarea hace ese cálculo paso a paso.
- El entorno del agente añade tokens antes de empezar. Medimos que Claude Code, con su configuración por defecto y en una carpeta vacía, envía 36.055 tokens antes de la tarea en sí (medido el 6 de octubre de 2026). Definiciones de herramientas, instrucciones y contexto como estos viajan en cada petición. La caché abarata la mayor parte en precio, pero siguen ocupando la ventana de contexto y añadiendo latencia en cada paso.
El ejemplo de 1752vc muestra el resultado. Un agente de revisión de contratos que se vende a 200 $ por usuario al mes, con los precios de lista de Anthropic de septiembre de 2026, gasta 108 $ de los ingresos de cada usuario medio en inferencia y opera con un margen bruto del 36%. Un usuario intensivo que ejecuta 1.500 tareas al mes cuesta 560 $ frente a esos mismos 200 $, un margen de menos 180%.
La encuesta de ICONIQ también muestra hacia dónde va la presión. Dos tercios de los encuestados ven mejor economía unitaria por consulta, gracias a la gestión del coste de inferencia y al enrutamiento entre modelos, y a medida que los productos escalan, el peso del talento en el coste baja mientras el de la inferencia sube. El precio por consumo pasó del 35% al 42% en seis meses, a medida que las empresas ligan sus ingresos al uso que genera sus costes.
¿Cuáles son las dos dimensiones del coste de inferencia?
El coste por tarea son los tokens de entrada por el precio de entrada, más los tokens de salida por el precio de salida. Los modelos de razonamiento facturan su razonamiento oculto como tokens de salida, así que también cuenta. Cualquier palanca sobre la factura mueve uno de estos dos números.
| Dimensión | De qué depende | Palancas habituales |
|---|---|---|
| Precio por token | El modelo y el proveedor | Enrutamiento, precio por lotes, un modelo más barato |
| Tokens por tarea | Lo que lleva cada petición | Prompts más cortos, caché, entrenamiento |
Casi todo el trabajo de costes se centra en la primera dimensión. La segunda puede pesar más, porque un prompt de producción lleva las mismas instrucciones, protocolo, ejemplos y salvaguardas en cada petición. Esos tokens repetidos cuestan lo mismo por token que los datos que cambian.
Dos cargas de trabajo de socios de diseño muestran lo grande que puede ser la parte repetida:
- Una app de chat para consumidores enviaba unos 37.000 tokens de entrada por mensaje. El prompt llevaba un briefing de personaje y salvaguardas que se repite en cada mensaje. El modelo que diseñamos para ella entrena ese briefing dentro del modelo y envía un prompt estructurado de unos 1.000 tokens: 37 veces menos tokens de entrada por mensaje.
- Un socio de diseño que ejecuta sesiones de prueba simuladas envía el mismo protocolo fijo en cada sesión. Según nuestro modelo, los tokens por sesión bajan de entre unos 13.000 y 37.000 a unos 8.000 cuando el protocolo se entrena en el modelo, según lo largo que sea. Eso supone entre un tercio y tres cuartas partes menos de tokens.
Los 37.000 tokens por mensaje de la app de chat son una cifra del propio socio; el prompt de 1.000 tokens y las cifras por sesión están modelados a partir de la estructura del prompt de cada socio. El recorte real depende de cuánto se repite en cada prompt, y por eso lo medimos en el tráfico de producción antes de dar una cifra.
La caché de prompts ya abarata la entrada repetida. A octubre de 2026, OpenAI y Anthropic cobran la entrada en caché entre una décima y una vigésima parte de la tarifa normal en los modelos de nuestra calculadora. La caché deja los tokens de salida y de razonamiento a precio completo, y los tokens en caché siguen ocupando la ventana de contexto y añadiendo latencia.
Un ejemplo resuelto con la calculadora de coste por tarea
Estos son los valores por defecto de la calculadora, con los precios de lista de OpenAI para GPT-6.1 Sol a 28 de octubre de 2026: 2,00 $ por millón de tokens de entrada, 0,10 $ en caché y 10,00 $ por millón de tokens de salida, según su página de precios.
| Dato | Valor |
|---|---|
| Tareas al mes | 100.000 |
| Instrucciones repetidas por prompt | 4.000 tokens |
| Datos propios de cada petición | 500 tokens |
| Respuesta | 300 tokens |
| Razonamiento oculto | 500 tokens |
El modelo entrenado conserva 500 tokens de instrucciones y no genera razonamiento oculto. Su precio por token se iguala al del modelo frontera, así que toda la diferencia sale de los tokens por tarea.
| Configuración | Tokens por tarea | Coste por tarea | Coste mensual |
|---|---|---|---|
| Modelo frontera | 5.300 | 0,0170 $ | 1.700 $ |
| Frontera, instrucciones en caché | 5.300 | 0,0094 $ | 940 $ |
| Modelo entrenado, mismo precio por token | 1.300 | 0,0050 $ | 500 $ |
| Modelo entrenado, mitad de precio por token | 1.300 | 0,0025 $ | 250 $ |
Al mismo precio por token, el modelo entrenado cuesta en torno a un 71% menos que la ejecución frontera sin caché y un 47% menos que la que usa caché. Un precio por token más bajo se suma a eso: a la mitad de la tarifa frontera, la tarea cuesta 0,0025 $. La última fila es ilustrativa; en la calculadora puedes introducir la tarifa de tu propio modelo entrenado.
Ahora pon esa tarea dentro de un producto. Supón que se vende en un plan de 40 $ al mes por usuario y cuenta solo la inferencia, sin alojamiento, recuperación ni soporte.
| Configuración | Usuario medio, 1.000 tareas | Usuario intensivo, 4.000 tareas |
|---|---|---|
| Modelo frontera | Margen del 58% | Menos 70% |
| Frontera, instrucciones en caché | Margen del 77% | Margen del 6% |
| Modelo entrenado, mismo precio por token | Margen del 88% | Margen del 50% |
El usuario medio parece rentable en todas las filas. El margen se pierde en el usuario intensivo, y ese cliente crece a medida que crece el uso agéntico. Haz tus propios números en la calculadora de coste por tarea, que separa cualquier ahorro en su efecto precio y su efecto volumen.
¿Qué cambia un modelo entrenado?
Un modelo entrenado para una tarea cambia las dos dimensiones a la vez.
Bajan los tokens por tarea. Las instrucciones, el protocolo y los ejemplos que se repiten en cada prompt quedan entrenados dentro del modelo y dejan de enviarse. Un modelo entrenado para la tarea también responde directamente, sin tokens de razonamiento oculto ni relleno. Los datos de cada petición y la respuesta se mantienen.
Puede bajar el precio por token. Un modelo entrenado para un solo trabajo lleva solo la capacidad que ese trabajo necesita, así que cuesta menos servirlo. En nuestro estudio QMSum, un modelo entrenado para una tarea de resumen de reuniones tuvo un coste estimado por consulta un 99% inferior al de Claude Opus 5 y un 96% inferior al de GPT-5.6 Luna, y respondió 23 veces más rápido que Claude Opus 5. Las cifras usan precios de septiembre de 2026 y excluyen el coste de entrenamiento.
El coste por tarea se vuelve más previsible. Un modelo entrenado solo cambia cuando apruebas una versión nueva, así que el lanzamiento de un modelo por parte de un proveedor deja intacto el coste unitario del tráfico que atiende. El volumen sigue marcando la factura, y la planificación del margen gana un coste por tarea estable.
Conviene empezar por el trabajo repetido y verificable. En los datos públicos de OpenRouter de los 30 días hasta el 12 de octubre de 2026, la clasificación, la extracción y la transformación sumaron el 20,8% del gasto clasificado en modelos, a entre 1,50 y 1,84 veces el precio medio por token del mercado, y entre el 75% y el 87% del gasto de los diez modelos principales fue a modelos frontera cerrados. Sus salidas son etiquetas y registros que se pueden comprobar contra un esquema, justo donde un modelo entrenado es más fácil de evaluar.
Es el trabajo que hace Ertas con el endpoint de modelo adaptativo: un único endpoint de API para una de tus tareas. Al principio responden modelos frontera, un modelo entrenado con tus peticiones y el criterio de tu equipo toma el relevo cuando supera tus evaluaciones, y los casos difíciles se quedan en modelos frontera. Funciona gestionado por Ertas, en tu propia nube o en tus instalaciones. Por ahora el endpoint funciona solo por invitación, y estamos desarrollando una versión más ágil para abrirlo a más empresas. Para el cálculo del punto de equilibrio, consulta cuándo un modelo propio sale más barato que una API frontera.
¿Cuándo no compensa un modelo entrenado?
Entrenar es un coste fijo, y el ahorro crece con el volumen y con la parte repetida de cada prompt. En cuatro situaciones queda demasiado poco que ahorrar.
| Situación | Por qué el ahorro es pequeño |
|---|---|
| Unos pocos miles de tareas al mes | Construir y evaluar cuesta más que la factura |
| Prompts hechos sobre todo de datos de la petición | Hay poco contexto repetido que entrenar |
| Caché activa y sin tokens de razonamiento | Ya se ha capturado casi todo el ahorro de entrada |
| La tarea cambia cada semana | Cada cambio exige una nueva ronda de entrenamiento |
El segundo caso es el que más se pasa por alto. Imagina una tarea que envía 8.000 tokens del documento del cliente y 200 tokens de instrucciones, con una respuesta de 300 tokens y sin razonamiento oculto, a las tarifas de GPT-6.1 Sol de arriba. Entrenar dentro del modelo esos 200 tokens de instrucciones ahorra en torno a un 2% por tarea. El argumento a favor de un modelo entrenado depende entonces solo del precio por token, más la latencia y la consistencia.
Empieza por medir. Toma una semana de tráfico de producción de tu tarea de mayor volumen, cuenta los tokens repetidos, los de cada petición, la salida y el razonamiento, y llévalos a la calculadora. Si la parte repetida es grande y el volumen es alto, un modelo entrenado mueve tu margen bruto. Si una de las dos es pequeña, el enrutamiento y la caché te darán más por menos.
Preguntas Frecuentes
¿Qué margen bruto es bueno para una startup de IA?
El informe State of AI 2026 de ICONIQ sitúa el producto de IA medio en el 45% en 2025, con previsiones del 53% para 2026 y del 59% para 2027, por debajo del 60% al 80% o más del software tradicional. Los inversores suelen dar tanto peso a la tendencia y a un camino creíble de mejora como a la cifra actual.
¿Por qué los márgenes de la IA son más bajos que los del SaaS?
Cada tarea de un producto de IA consume inferencia, así que el coste de servir a un cliente crece con su uso. En el SaaS, un usuario más apenas mueve la factura de alojamiento. Los productos agénticos amplían la diferencia, porque cada tarea hace varias llamadas a la API y reenvía su contexto en cada paso.
¿Cuánto cuesta hacer fine-tuning de un LLM?
A 28 de octubre de 2026, OpenAI cobra el fine-tuning supervisado a 5 $ por millón de tokens de entrenamiento en GPT-4.1 mini y a 25 $ en GPT-4.1 y GPT-4o, y deja de aceptar nuevos trabajos el 6 de enero de 2027. Entrenar modelos abiertos por tu cuenta en Ertas Studio es gratis para empezar, con planes desde 10 $ al mes según los precios de octubre de 2026. Un modelo construido por Ertas tiene una tarifa fija que se define tras una auditoría gratuita.
¿Qué LLM es mejor para hacer fine-tuning?
El modelo de pesos abiertos más pequeño que mantenga tu nivel de calidad en un conjunto de evaluación reservado, con una licencia que permita el uso comercial. Un modelo entrenado para una tarea puede ser mucho más pequeño que un modelo general e igualarlo en esa tarea, y su tamaño fija la mayor parte del coste de funcionamiento.
¿La caché de prompts resuelve el margen de la inferencia?
Ayuda en la entrada. A octubre de 2026, la entrada en caché cuesta entre una décima y una vigésima parte de la tarifa normal en OpenAI y Anthropic. Los tokens de salida y de razonamiento siguen a precio completo, y los tokens en caché siguen ocupando la ventana de contexto, así que la caché reduce el problema de los tokens por tarea sin eliminarlo.
La Versión Corta
El margen bruto medio de los productos de IA fue del 45% en 2025, con un 53% previsto para 2026, porque la inferencia crece con el uso y los productos agénticos envían cada año más tokens por tarea. La factura tiene dos dimensiones: el precio por token y los tokens por tarea. Un modelo entrenado para una tarea de gran volumen recorta las dos y hace el coste por tarea más previsible, siempre que el volumen sea alto y la mayor parte de cada prompt se repita. Para saber qué significa la retirada de los laboratorios cerrados del fine-tuning, lee ¿ha muerto el fine-tuning?. Si hiciste fine-tuning en OpenAI, nuestra guía de migración cubre los plazos de enero de 2027.
Fuentes, consultadas el 28 de octubre de 2026: ICONIQ, State of AI 2026; 1752vc, AI Gross Margins: Inference Costs and Pricing for Startups; OpenAI, precios de la API. Nuestras mediciones: el estudio QMSum (arXiv 2609.25028), el informe sobre tareas estructuradas en OpenRouter y los recuentos de tokens del entorno del agente medidos el 6 de octubre de 2026.