Economía de la inferencia: por qué los agentes de producción always-on ahora son asequibles

Actualización — 2026-08-18: Anthropic $65B run-rate con objetivo IPO $2T, OpenRouter 50% GPT-5.6 Sol, Stripe adquiere OpenRouter $7B+ — el punto de prueba de rentabilidad a escala corporativa y el enrutamiento de modelos como categoría de procurement

Tres desarrollos redefinen la tesis de economía de inferencia: Anthropic $65B run-rate con objetivo IPO $2T, OpenRouter 50% GPT-5.6 Sol a $2.50/$15, y Stripe adquiriendo OpenRouter por $7B+.

1. Anthropic $65B run-rate con objetivo IPO $2T. La tasa de ingresos anualizada superó $65 mil millones a finales de julio 2026, frente a $9 mil millones a finales de 2025 — un aumento de 7× en 7 meses. IPO objetivo $2 billones (octubre 2026). La curva de costo de cómputo (71→56 céntimos por dólar de ingresos) produce un lab frontera con $65B run-rate y objetivo IPO $2T. El contraste con OpenAI ($25B anualizado con $14B pérdida) demuestra que la economía IA no es determinista.

2. OpenRouter 50% GPT-5.6 Sol a $2.50/$15. El precio del modelo frontera #1 en SWE-bench ahora está dentro de 2× de Gemini 3.7 Flash. SemiAnalysis advierte que puede ser promocional, no estructural. Quinto vector de optimización: enrutamiento vía gateways.

3. Stripe adquiere OpenRouter por $7B+. La infraestructura de pagos quiere poseer la capa de selección de modelos IA. El enrutamiento de modelos se consolida en infraestructura de pagos — convirtiéndose en una categoría de procurement.

Actualización — 2026-08-17: Anthropic primer beneficio operativo, OpenAI pérdida de $14B, GPT-5.6 Ultrafast, reversión de precio de DeepSeek — la curva de eficiencia y el marcador de honestidad

Cuatro desarrollos redefinen la tesis de economía de inferencia: el primer punto de prueba de rentabilidad de un laboratorio frontera, el contraste definitorio de economía de IA, la primera aceleración de inferencia a escala de oblea en un modelo frontera, y el primer aumento de precio de un proveedor de bajo coste.

1. Anthropic alcanzó su primer beneficio operativo — aproximadamente $559 millones sobre $10.9 mil millones de ingresos Q2 2026, más del doble de los $4.8 mil millones de Q1. El principal impulsor fue la caída de costes de cómputo: 71 céntimos por dólar de ingresos en Q1 → 56 céntimos en Q2 — una mejora de 15 puntos en un trimestre. Reducir los costes de serving de 71 a 56 céntimos por dólar de ingresos en un solo trimestre es lo que produjo el cambio hacia la rentabilidad.

2. La presentación de IPO de OpenAI salió a la luz — aproximadamente $2 mil millones/mes en ingresos (~$25B anualizados) junto con una pérdida proyectada de $14 mil millones para 2026, apuntando a una valoración de más de $1T. El contraste OpenAI-Anthropic es el argumento definitorio: $25B en ingresos con $14B en pérdidas (OpenAI) vs. $10.9B en ingresos con $559M en beneficio (Anthropic). La economía de IA no es determinista — la curva de coste de cómputo (71→56 céntimos por dólar de ingresos) es el diferenciador, no la escala de ingresos.

3. GPT-5.6 Sol Ultrafast — hasta 14× de velocidad en hardware Cerebras. OpenAI mostró el modo Ultrafast — GPT-5.6 Sol a hasta 14× la velocidad del procesamiento Standard, en hardware Cerebras a escala de oblea. El primer punto de datos de producción concreto para aceleración de inferencia a escala de oblea en un modelo frontera. La frontera de coste tiene ahora cuatro vectores de optimización: routing de modelos (Nemotron Switchyard), optimización de infraestructura (Dynamo 0.4 disaggregated serving), especialización de hardware (Cerebras 14×), y competencia de suelo de precios (Luna $0.20, reversión de DeepSeek).

4. Aumento de precio de DeepSeek V4 Flash — $0.14 → $0.27 por millón de tokens el 14 de agosto, casi duplicándolo. El primer aumento de precio de un proveedor de modelos abiertos de bajo coste. Marcador de honestidad: la historia de economía de inferencia no es monótonamente decreciente. DeepSeek subió el precio de V4 Flash de $0.14 a $0.27/M. La reversión no invalida la tesis de colapso de coste — confirma que la frontera de coste está fijada por la competencia, no por un único proveedor.

La tesis se refuerza en cuatro ejes: la curva de eficiencia alcanzó la P&L de un laboratorio frontera (Anthropic 71→56 céntimos), el contraste de economía de IA probó no-determinismo (pérdida de $14B de OpenAI vs. beneficio de $559M de Anthropic), el vector de especialización de hardware obtuvo un punto de datos concreto (Cerebras 14×), y la frontera de coste obtuvo su primer aumento de precio (DeepSeek $0.14→$0.27). La restricción vinculante sigue siendo la capa de integración — $10 de trabajo de proceso y gobernanza por cada $1 de gasto en modelo.

Actualización — 2026-08-16: Valoración de $190B de Databricks — la tesis de fundación de infraestructura de datos validada

Databricks cerró una ronda de financiación estratégica a aproximadamente $190B de valoración (agosto 2026) con una tasa de ingresos anualizada de $7B — frente a $5.4B en febrero, una aceleración del 65% a más del 80% de crecimiento interanual. Para la tesis de economía de inferencia, la valoración de Databricks es la validación comercial más fuerte del argumento de fundación de infraestructura de datos: la capa de plataforma de datos está capitalizando ingresos más rápido que la capa de modelos. El crecimiento del 80%+ interanual a tasa de $7B significa que el gasto en infraestructura de datos crece más rápido que el gasto en API de modelos — el modelo es el 10% del coste, la integración es el 90%.

Un agente en segundo plano que monitoriza un buzón de procurement 24/7 y redacta respuestas a cotizaciones solía ser un experimento prohibitivamente caro. En enero de 2026 la inferencia por sí sola habría costado más de $2.000 por semana. A finales de julio cuesta menos de $50. El modelo ya no es la parte cara de un agente de producción — y ese cambio ocurrió más rápido de lo que ninguna previsión predijo, en recortes de precio en tiempo real dentro de una sola generación de modelo. Pero el colapso del coste no desbloqueó la construcción: todavía se necesitan $10 de trabajo de proceso, gobernanza e integración por cada $1 de gasto en modelo. Este artículo mapea lo que el colapso de 1.000× en el coste de inferencia significa para la decisión de arquitectura que todo equipo B2B afronta: si construir agentes de producción always-on, y qué bloquea realmente esa construcción ahora que el modelo ya no es la parte cara.

Actualización — 2026-08-15: DeepSeek Harness Code mode y tarifas por crédito publicadas de HubSpot Q2 2026

1. DeepSeek Harness Code mode — cinco round trips comprimidos a una llamada. El preset Code genera un TypeScript SDK, comprimiendo una secuencia de cinco round trips a una sola llamada — ~80% menos tokens para tareas multi-paso. 2. HubSpot Q2 2026 tarifas por crédito publicadas. 1 crédito = $0.01. Customer Agent 50 créditos/conversación resuelta ($0.50). Prospecting Agent 100 créditos/lead ($1.00). Data Agent 10 créditos/prompt ($0.10). Content Agent 1,000 créditos/pieza ($10).

Puntos clave

• OpenAI recortó Luna un 80% a $0.20/$1.20 por millón de tokens el 30 de julio de 2026 — la mayor reducción de precio frontera en un solo día registrada. Amazon Bedrock reflejó los recortes el mismo día, y el modo Fast de Sol ofrece 2.5× velocidad a 2× precio. El colapso de 1.000× en el coste ya no es un arco plurianual; está ocurriendo en recortes de precio en tiempo real dentro de una sola generación de modelos.
• El 29% del volumen de tokens de producción se ejecuta en modelos open-weight con menos del 4% del gasto (Vercel AI Gateway Production Index, julio 2026) — la disciplina de routing ya es visible en los datos de producción. El modelo más barato capaz por tarea es una decisión de configuración, no un proyecto de investigación.
• La inferencia es el 67% del cómputo de IA, frente al 33% en 2023, y el 55% del gasto en nube de IA ($37.5B) — el centro de coste pasó de entrenamiento a serving, justo donde los recortes de precio se acumulan. Los agentes always-on que eran prohibitivamente caros hace un año ahora son económicamente viables.
• $10 de trabajo de proceso, gobernanza e integración por cada $1 de gasto en modelo (xccelera.ai, 2026) — el modelo es el 10% del coste de un sistema de agente de producción. El 90% es la capa de integración: módulos MCP, grafos de conocimiento, trazas de auditoría, checkpoints human-in-the-loop, recuperación de errores. Los modelos más baratos no arreglan esto.
• Fiddler AI reporta tasas de fallo de agentes del 70–95% en producción — la inferencia más barata no reduce las tasas de fallo; las hace más baratas de producir. La inversión en gobernanza y observabilidad es lo que separa a un agente que se despliega de uno que falla silenciosamente.

El colapso de coste es en tiempo real, no retrospectivo

La formulación estándar de la economía de la inferencia traza un arco plurianual: $20 por millón de tokens a principios de 2023 a menos de $1 hoy, una caída de 20–50×. Esa formulación ahora es engañosa. La caída se está acelerando, no desacelerando. En una sola semana a finales de julio de 2026, tres movimientos de precio impactaron la frontera simultáneamente:

1. OpenAI Luna -80% (30 de julio): $0.20/$1.20 por millón de tokens. Luna es el modelo de agente en segundo plano por defecto en Ramp, Cognition (Devin Fusion) y Dust. Un agente en segundo plano que monitoriza una cola de procurement 24/7 ahora cuesta céntimos al día en inferencia.
2. Claude Opus 5 a $5/$25 (24 de julio): la mitad de los $10/$50 de Fable 5. La frontera se abarató sin una regresión de capacidad — Opus 5 lidera SWE-bench Verified con 97.00%.
3. Gemini 3.6 Flash a $1.50/$7.50 (21 de julio): 17% menos tokens de salida que 3.5 Flash en trabajo agéntico, hasta 65% menos en tareas de horizonte largo. Mismo Intelligence Index 50 — más barato y rápido, no más inteligente.

El patrón entre proveedores es consistente: cada release optimiza precio-rendimiento en el mismo o mayor nivel de inteligencia. La frontera se abarata simultáneamente en la parte alta (Opus 5) y la baja (Luna) del nivel. Un equipo que presupuestó $50.000/mes en inferencia de agentes en enero 2026 puede ejecutar la misma carga por menos de $5.000 en agosto 2026 — sin cambiar la arquitectura del modelo, el prompt o la definición de tarea.

Qué cambió: la inferencia pasó de entrenamiento a serving

En 2023, el cómputo de IA era 67% entrenamiento y 33% inferencia. En 2026, esa proporción se invirtió: la inferencia es ahora el 67% del cómputo de IA y el 55% del gasto en nube de IA. La revisión del forecast de Gartner del 27 de julio sitúa el gasto TI mundial en $6.37T en 2026 (+14.2%), con sistemas de centro de datos creciendo 62.5% hasta $822B e IaaS creciendo 29.3% hasta $287B. John-David Lovelock de Gartner calificó la construcción de cómputo de IA como "el mayor proyecto de infraestructura jamás intentado por la humanidad".

El cambio de gasto de entrenamiento a serving es estructuralmente significativo para la arquitectura de agentes. Los costes de entrenamiento están hundidos — un modelo frontera cuesta cientos de millones en entrenar independientemente de si lo usas. Los costes de serving son variables — escalan con cada invocación de agente, cada llamada a herramienta, cada paso de retrieval. Cuando el serving domina la estructura de costes y los precios de serving caen 80% en un solo día, la economía de los agentes always-on se invierte. Un agente que monitoriza 200 RFQ por semana, consulta tres catálogos de proveedores y redacta respuestas de cotización era marginalmente rentable a $20/M tokens. A $0.20/M tokens, el coste de inferencia es un error de redondeo frente al tiempo de personal que reemplaza.

La proporción 10:1: por qué los modelos más baratos no desbloquean la construcción

El colapso del coste de inferencia resuelve el problema más fácil en el despliegue de agentes de producción. El problema más difícil es la capa de integración.

Los datos empresariales de xccelera.ai de 2026 cuantifican la proporción: por cada $1 invertido en tecnología de IA, las empresas gastan hasta $10 en rediseño de procesos, marcos de gobernanza, reestructuración de personal e integración operativa. El modelo es el 10% del coste de un sistema de agente de producción. El otro 90% es:

• Módulos MCP que conectan el agente a NetSuite, HubSpot, BigCommerce, ShipStation y catálogos de proveedores — cada uno con su propia autenticación, límites de tasa y brecha semántica entre la superficie del API y lo que el agente realmente necesita saber.
• Grafos de conocimiento que dan al agente compatibilidad de productos, piezas sustitutas e historial de proveedores — contexto estructurado que un LLM en crudo no tiene.
• Checkpoints human-in-the-loop para acciones sensibles: aprobación de cotizaciones, emisión de órdenes de compra, comunicación con proveedores. El patrón de kill-switch no es opcional para flujos B2B.
• Trazas de auditoría y observabilidad: cada llamada a herramienta, cada invocación de modelo, cada decisión registrada y atribuible. OWASP MCP08 (Falta de Auditoría y Telemetría) es un riesgo top-10 de MCP por una razón.
• Recuperación de errores: lógica de retry, cadenas de fallback, estrategias de timeout para tareas de larga duración. La tasa de fallo del 70–95% en producción de Fiddler AI se debe a errores acumulados, averías de herramientas y alucinaciones — no al coste del modelo.

La inferencia más barata hace cada fallo más barato de producir, no menos probable. La inversión en gobernanza e integración es lo que separa a un agente que se despliega de uno que falla silenciosamente. Un equipo que trata el recorte de Luna como permiso para saltarse el trabajo de integración obtendrá fallos más baratos, no menos fallos.

El artículo incluye un explicador de un minuto que muestra dónde vive realmente el coste de un sistema de agente de producción:

La construcción model-flexible: routing por tarea, intercambio sin despliegue de código

El colapso del coste de inferencia cambia la pregunta de selección de modelo. Cuando la inferencia era cara, la pregunta era "¿qué modelo único podemos permitirnos?" Cuando la inferencia es barata, la pregunta se convierte en "¿qué modelo por tarea, y cómo intercambiar sin reescribir el agente?"

La respuesta es la construcción model-flexible: una arquitectura donde la selección de modelo es un registro de configuración, no un despliegue de código. El patrón tiene tres componentes:

1. Una capa de routing que selecciona el modelo por tarea. La monitorización en segundo plano usa Luna a $0.20/$1.20. El borrador de cotizaciones usa Opus 5 a $5/$25. La búsqueda de productos usa Gemini 3.6 Flash a $1.50/$7.50. La decisión de routing se basa en complejidad de tarea, requisitos de latencia y coste por invocación — no en qué proveedor eligió primero el equipo. Los datos de producción de Vercel confirman que esto ya ocurre: 29% del volumen de tokens en modelos open-weight con menos del 4% del gasto.

2. Módulos MCP que son model-agnostic. Las herramientas que el agente llama — consultar NetSuite por inventario, obtener un catálogo de proveedor, redactar una respuesta de cotización, consultar un grafo de conocimiento por compatibilidad — se definen una vez en la capa MCP. El modelo cambia; las herramientas no. Por eso el MCP Module Code Standard trata la estructura del módulo como la interfaz estable y la selección de modelo como una preocupación de tiempo de ejecución.

3. Una capa de gobernanza que no depende de la fiabilidad del modelo. Los checkpoints human-in-the-loop, las trazas de auditoría y la arquitectura de kill-switch son model-independent. El patrón de gobernanza proporcional — igualar niveles de autonomía al riesgo — funciona igual si el agente corre en Luna u Opus 5. La tasa de fallo del 70–95% de Fiddler no es un problema de modelo; es un problema de sistema. La solución es observabilidad y gobernanza, no un modelo más caro.

Qué confirman los datos de financiación sobre el mercado

La financiación global de startups en H1 2026 alcanzó $510B, con OpenAI y Anthropic por sí solos representando $217B — 43% de toda la financiación de startups. Anthropic recaudó $65B a una valoración de $965B. Aproximadamente el 80% de la inversión de Q2 fue a startups centradas en IA. El capital fluye hacia la capa de modelo.

El análisis de mercado de CRV de 2026 confirma que la capa de aplicación está siendo "depurada" — los wrappers de IA sin profundidad de integración están perdiendo financiación. La implicación para equipos B2B es directa: los proveedores de modelos están financiados para abaratar la inferencia, y las empresas de capa de aplicación que sobreviven son las que resuelven el problema de integración, no las que envuelven un API de modelo. El posicionamiento de IdeaBosque — plataforma más soluciones, con propiedad de código opcional — se sitúa en el 90% de la estructura de coste que la capa de modelo no aborda.

Actualización — 2026-08-03: Precios de Claude Managed Agents — un nuevo eje de coste para la economía de inferencia

Anthropic lanzó Claude Managed Agents el 3 de agosto de 2026 — el primer modelo de precios de plataforma de agentes gestionados de un laboratorio frontera. Los precios añaden una nueva dimensión a la economía de inferencia: el coste de un agente gestionado no es solo tokens sino también el tiempo que ejecuta.

1. $0.08 por sesión-hora, más tokens. La dimensión de sesión-runtime ($0.08/hora) es un nuevo eje de coste. Un agente gestionado que ejecuta 24/7 acumula ~$19.20/semana en tarifas de sesión antes de cualquier coste de tokens; uno que ejecuta 8 horas/día acumula ~$6.40/semana. La implicación para routing: los agentes de larga duración ahora se priced por duración, no solo por throughput de tokens, y el coste de sesión-hora puede dominar el coste de tokens para workloads de bajo volumen pero always-on (monitorización de inbox, vigilancia de cola).

2. La estimación propia de Anthropic: $37 por 10.000 tickets de soporte a ~3.700 tokens por conversación. Este es el primer benchmark de coste B2B concreto para una plataforma de agentes gestionados. A $37/10.000 tickets, el coste por ticket del agente es $0.0037 — muy por debajo del coste por ticket de un agente de soporte humano. El benchmark es un punto de referencia para cualquier equipo que modele el coste de un agente de soporte always-on: la plataforma gestionada empaqueta el modelo, el runtime y la orquestación, y priced el bundle por sesión-hora más tokens.

3. Precios de tokens (entrada/salida por MTok): Claude Opus 5 a $5/$25, Claude Sonnet 5 a $2/$10 (precios introductorios hasta el 31 de agosto de 2026), Claude Haiku 4.5 a $1/$5. La tarifa de sesión del agente gestionado es aditiva al coste de tokens. Para un workload de soporte a ~3.700 tokens/conversación, el coste de tokens en Sonnet 5 (introductorio) es ~$0.037/ticket en entrada + ~$0.037/ticket en salida (asumiendo split aproximadamente igual), y el coste de sesión-hora amortizado a lo largo de 10.000 tickets en una ventana de 8 horas es ~$0.0064/ticket. La propuesta de valor de la plataforma gestionada es que la orquestación, la gestión de estado y la infraestructura de tool-call están empaquetadas — los $0.08/hora es el precio de no construir esa capa uno mismo.

4. Qué cambia en la decisión de routing. El argumento de construcción model-flexible obtiene una nueva opción: alquilar la plataforma gestionada (sesión-hora + tokens, sin trabajo de integración) vs. self-hostear el modelo en una capa de routing (solo tokens, trabajo de integración completo). El ratio de $10-de-integración-por-$1-de-gasto-de-modelo es el límite de decisión. Un equipo cuyo coste de integración exceda las tarifas de sesión-hora de la plataforma gestionada debería evaluar la ruta gestionada; un equipo cuya integración ya esté construida debería routear tokens al modelo capaz más barato y no pagar tarifa de sesión. La plataforma gestionada es el lado "buy" de la decisión build-vs-buy hecha concreta con una etiqueta de precio.

La tesis se refuerza: la economía de inferencia tiene ahora tres ejes de coste — tokens, sesión-horas e integración. El colapso de coste de tokens de 1.000× hizo los agentes always-on asequibles; los precios de sesión-hora del agente gestionado hacen la decisión build-vs-buy cuantificable. La restricción vinculante sigue siendo la capa de integración, y la plataforma gestionada es una respuesta a ella — a $0.08/hora, la plataforma cobra por exactamente el trabajo de orquestación que el ratio $10:$1 dice que es la parte cara.

---

Actualización — 2026-10-02: cómputo financiado por el proveedor — Broadcom presta hasta $42 mil millones a Anthropic

La aritmética de precios que este artículo rastrea tiene ahora una dimensión de financiamiento: Broadcom acordó prestar a Anthropic hasta $42 mil millones para rentar los chips de Broadcom — el mayor acuerdo de préstamo de hardware de IA divulgado hasta la fecha (Reuters, 1 de octubre de 2026). Para la pila de costos, esto crea un vector que las columnas por token y por tarea no capturan: cómputo asegurado en el balance del proveedor, reembolsado con ingresos futuros. La lectura estratégica para un comprador no cambia de dirección pero sí se afina en el mecanismo — la capacidad frontera de Anthropic ahora viaja sobre financiamiento de proveedor comprometido, lo que concentra el riesgo de continuidad de proveedor que este artículo documenta (el episodio de auto-enrutamiento de DeepSeek, el cierre de Relay) en una forma específica: un laboratorio cuyo suministro de cómputo es un pasivo en sus propios libros es un laboratorio cuyo comportamiento de precios está restringido por el servicio de la deuda tanto como por el margen. Cuando llegue la próxima comparación de costo por tarea, la estructura de financiamiento detrás de la capacidad de cada laboratorio es parte de la aritmética.

Actualización — 2026-10-07: GLM-5.3-Flash — capacidad casi frontera a una décima de la tarifa del flagship

La línea más fuerte de colapso de costes del ledger llegó el 7 de octubre de 2026: GLM-5.3-Flash de Z.ai, un MoE multimodal nativo de 320B totales/18B activos a 0,15 $/M de entrada, 0,50 $/M de salida — una décima de los 1,40/4,40 de GLM-5.3 (Z.AI blog). La aritmética por dólar es la tesis que este artículo fija precios: Intelligence Index v4.1.1 57 a 0,045 $/tarea (con descuento) — un nivel de capacidad que Z.ai señala estaba antes solo disponible a un coste unas 10 veces mayor — con Terminal Bench 2.1 en 84.3 (a menos de 1 punto de Claude Opus 4.8) y AutomationBench en 48.8, superando a Claude Opus 4.8 (41.0) y GPT-5.6 Terra (37.2) en el benchmark de flujos agénticos. Servido a escala en chips de IA chinos con un motor de inferencia dedicado sobre SGLang con una mejora declarada de 3× — la línea de eficiencia de hardware del ledger gana un dato no-NVIDIA. El lado de demanda ya es visible: MarketScale reporta presupuestos de IA empresarial secándose en 1–2 meses al dispararse el coste por token, y AI Business Weekly cuenta un crecimiento del gasto en infraestructura de IA del 62,5% hasta 822B$ en 2026 con solo un 6% de adoptantes capturando beneficio medible — los datos de agotamiento presupuestario que convierten la aritmética por tarea en una restricción de adquisición, no una optimización. La disciplina contractual del comprador no cambia: fija IDs de modelo (GLM-5.3-Flash es una tarifa distinta de GLM-5.3 — confirma cuál enruta tu gateway), contrata por coste por tarea con techo semanal, y re-ejecuta la aritmética antes del próximo cambio. Los pesos están en Hugging Face bajo la misma familia de licencia escalada por ingresos, así que la ruta de self-hosting elimina esta línea de la tarifa por completo para operadores sobre el umbral de volumen. El análisis compañero de GLM-5.3-Flash lleva el desglose completo de precios y gobernanza.

La estructura de mercado en torno a las tarifas se acelera en paralelo: el Q4 2026 abrió con 260M$ en rondas de financiación de agentes IA divulgadas — la Serie B de 255,5M$ de Armadin (ciberseguridad nativa IA, a16z + Accel, valuación 2,5B$+) y la Serie C de 1B$ de Instinct con valuación de 10B$ para un asistente personal IA — la demanda de inferencia se capitaliza al mismo ritmo al que colapsan los precios.

Actualización — 2026-10-17: DeepSeek-V4.1-Flash-1017 — el 91.5% de aciertos de caché es la lista de precios efectiva

La instantánea del 17 de octubre de DeepSeek actualizó el modelo detrás del alias deepseek-flash a V4.1-Flash-1017 con la tarifa intacta — y movió el precio efectivo: el endpoint oficial reporta una tasa de aciertos de caché del 91.5%, que sitúa el precio de entrada realmente pagado cerca de $0.017 por millón de tokens frente al precio de fallo de $0.15 fuera de pico — el costo de ejecución más bajo del que da cuenta este artículo, logrado sin un solo recorte de precio (tarjeta de Hugging Face). La entrada con acierto de caché es $0.003/$0.006 (fuera de pico/pico) — un acierto cuesta el 2% de un fallo — así que el precio de entrada ponderado es ahora función de la reutilización de contexto de la carga, no de la lista de precios. La disciplina de compras que este artículo enseña gana una cláusula: la cuota de caché es una propiedad comprable del diseño de prompts (prefijos estables, esquemas estables, contexto recuperado antes del contenido volátil). El mismo lanzamiento abrió las APIs Search & Fetch de DeepSeek a $0.75 por 1.000 llamadas. El análisis completo de la instantánea lleva las filas de la tarjeta, la aritmética del caché y las cuatro palancas que controla un equipo.

Lectura relacionada

• El agente de $0.017: la instantánea 1017 de DeepSeek recorta el costo por tarea sin tocar los precios — la colección de filas de economía del caché del 17 de octubre: una tasa de aciertos de caché del 91.5% en el endpoint oficial sitúa la entrada efectiva cerca de $0.017/1M con precios de lista intactos
• Modelos Open-Weight Cruzaron la Frontera Agéntica — el argumento de construcción model-flexible desde el lado open-weight, con datos de routing de producción de Kimi K3 y GLM 5.2
• [30% más barato por tarea, 7 veces más tokens: dentro de la trampa de eficiencia de Sonnet 5.5 — la lectura del lanzamiento del 28 de septiembre sobre la aritmética de costo por tarea: 193k tokens por tarea a máximo esfuerzo convierten al modelo "30% más barato" en la tarea medida más cara de la tabla de septiembre
• Estándar de Código de Módulos MCP — el patrón estructural que hace los módulos custom production-ready en todos los conectores e intercambios de modelo
• Gobernanza Proporcional de Agentes: Por Qué Falla la Confianza Binaria — el marco de niveles de autonomía que separa "barato de ejecutar" de "seguro de ejecutar"

Actualización — 2026-08-05: NVIDIA Groq 3 LPU — la dimensión hardware del colapso de costos de inferencia

El colapso de costos de inferencia ahora ocurre en toda la pila de hardware, no solo en la pila de precios de modelos. El Groq 3 LPU de NVIDIA (anunciado en GTC 2026, junto con el sistema Vera Rubin NVL72) afirma 35× más rendimiento de inferencia por megavatio comparado con GPUs basadas en HBM — aproximadamente 150 tokens por vatio para tamaños de modelo comparables.

1. 35× rendimiento de inferencia por megavatio. El Groq 3 LPU apunta a inferencia de IA agéntica a 1.500 tokens por segundo. Un rack completo entrega 315 PFLOPS, 128 GB de SRAM y 40 PB/s de ancho de banda de memoria.

2. El colapso de costos es ahora una historia de dos pilas. Este artículo ha rastreado la dimensión de precios de modelos. El Groq 3 LPU añade la dimensión hardware — la misma carga de inferencia cuesta menos de ejecutar porque el chip entrega más tokens por vatio.

3. Qué cambia en la decisión de enrutamiento. La capa de enrutamiento selecciona el modelo por tarea, y el hardware de inferencia determina el costo por token. Un equipo ejecutando Groq 3 LPUs puede servir un modelo a 35× menor costo energético.

---

Actualización — 2026-08-06: BenchLM agosto 2026 — Grok 4.5, Nemotron 3 Nano Omni, LFM2.5-2.6B

El leaderboard de BenchLM se actualizó el 5 de agosto de 2026, añadiendo tres puntos de datos listos para decisión a la sección de frontera de costos de este artículo:

1. Grok 4.5 — 91% de calidad frontera a 88% menos costo de output. Grok 4.5 gana "best near-frontier value" en la actualización de BenchLM de agosto: 91% del puntaje máximo a 88% menos costo de output. La relación 91%/88% es el punto de datos de precio-rendimiento que rediseña las decisiones de despliegue — un modelo que entrega calidad cercana a la frontera a un costo cercano al open-weight. Para la construcción model-flexible, este es el sweet spot de routing: tareas que necesitan calidad de clase frontera pero no costo de clase frontera enrutan a Grok 4.5 en lugar de Opus 5. El espacio de decisión del routing layer opera entre Grok 4.5 (91% a 88% menos costo) y la frontera open-weight (DeepSeek V4-Flash 0731 en Intelligence Index 50, ~60% más barato que Luna).

2. Nemotron 3 Nano Omni — más rápido a 323 tok/s, 30B total / 3B activo MoE. Nemotron 3 Nano Omni es el modelo más rápido en el leaderboard de BenchLM a 323 tokens por segundo. La arquitectura es un Mixture-of-Experts disperso (30B parámetros totales, 3B activos) — el mismo patrón de arquitectura (MoE disperso) que DeepSeek V4-Flash 0731 usa (284B total / 13B activo). La cifra de 323 tok/s es el colapso de costo a nivel de arquitectura que la actualización de NVIDIA Groq 3 de este artículo describe, pero en la capa del modelo: MoE disperso entrega calidad adyacente a la frontera a una fracción del costo de parámetros activos. La tesis de colapso-de-costo-por-arquitectura ahora está validada en dos capas — hardware (Groq 3 a 35× por megavatio) y arquitectura del modelo (MoE disperso a 3B parámetros activos entregando 323 tok/s).

3. LFM2.5-2.6B — agentes on-device. LFM2.5-2.6B corre agentes enteramente on-device — la dimensión de despliegue edge del colapso de costo de inferencia. Un modelo de 2.6B parámetros que puede correr un loop de agente en un laptop o teléfono es el extremo de la frontera de costos: costo por token cero, latencia cero, egreso de datos cero. Para la decisión de routing, LFM2.5-2.6B es la opción para flujos de trabajo donde la residencia de datos o la latencia es la restricción vinculante, no el throughput.

El leaderboard BenchAlign de BenchLM muestra la brecha open-weight/frontera en ~17% (MiniMax M3 a 68.8 vs Claude Mythos 5 a 83.04) — más amplia que la brecha de ~11 puntos en el Intelligence Index. La sección de frontera de costos ahora tiene ocho puntos de datos: Luna a $0.20/$1.20, DeepSeek V4-Flash 0731 a $0.14/$0.28, Claude Managed Agents a $0.08/session-hour, Qwen3.8-Max a $2/$6, Grok 4.5 a 91%/88%-menos-costo, Nemotron 3 Nano Omni a 323 tok/s, LFM2.5-2.6B on-device, y NVIDIA Groq 3 LPU a 35× por megavatio.

---

Actualización — 2026-08-04: Precio de Qwen3.8-Max — la frontera de costo open-weight baja más

El precio de la API de Qwen3.8-Max se confirmó en $2 por 1M tokens de entrada y $6 por 1M tokens de salida, con caché implícita a $0.25/M (QwenCloud, OpenRouter, glbgpt.com, windowsforum.com, 4 de agosto de 2026). Esto subcotiza significativamente a Kimi K3 ($3/$15) — 33% más barato en entrada y 60% más barato en salida — y añade un nuevo dato a la sección de frontera de costo.

1. $2/$6 por millón de tokens para un modelo de 2.4T parámetros (95B activo MoE). Qwen3.8-Max es la primera release open-weight a escala Max de cualquier laboratorio importante, y el precio lo hace el modelo a escala Max más barato en el mercado de APIs. La frontera de costo ahora tiene cuatro opciones open-weight en puntos de precio distintos: DeepSeek V4-Flash 0731 a $0.14/$0.28 (Intelligence Index 50, el modelo capaz más barato), Qwen3.8-Max a $2/$6 (escala Max, trabajo autónomo de horizonte largo), GLM-5.2 a $0.60/$2.20 (uso defensivo), y Kimi K3 a $3/$15 (capacidad bruta, 93.40% SWE-bench). La decisión de routing es ahora a través de cuatro niveles de precio, no entre open-weight y frontera cerrada.

2. La ventaja de costo open-weight se acumula contra la frontera cerrada. Claude Opus 5 a $5/$25 es 2.5× más caro que Qwen3.8-Max en entrada y 4.2× en salida — para un modelo que lidera SWE-bench Verified al 97.00% vs el 93.40% de Kimi K3 (Qwen3.8-Max aún no ha sido evaluado por Artificial Analysis). La brecha de costo se está estrechando más rápido que la brecha de benchmark: la frontera open-weight está dentro de 3.6 puntos en SWE-bench mientras es 60-75% más barata. Para una construcción model-flexible, la capa de routing puede ahora seleccionar Qwen3.8-Max para trabajo autónomo de horizonte largo (10+ días de codificación autónoma, 125 horas de reproducción de investigación) a una fracción del costo frontera.

3. Qué cambia en la decisión de routing. La sección de frontera de costo de este artículo ahora tiene cinco datos: Luna a $0.20/$1.20 (recortado 80% el 30 de julio), DeepSeek V4-Flash 0731 a $0.14/$0.28 (Intelligence Index 50, 31 de julio), Claude Managed Agents a $0.08/session-hour (3 de agosto), y Qwen3.8-Max a $2/$6 (4 de agosto). El patrón es consistente: cada release optimiza precio-rendimiento al mismo o mayor nivel de inteligencia. La frontera se abarata tanto arriba (Opus 5) como abajo (DeepSeek V4-Flash) simultáneamente, y las opciones open-weight añaden nuevos niveles de precio (Qwen3.8-Max a escala Max) que no existían hace una semana. Un equipo que presupuestó $50,000/mes para inferencia de agentes en enero 2026 puede ahora rutar a través de cinco modelos en cinco puntos de precio — el modelo capaz más barato por tarea es una decisión de configuración, no un proyecto de investigación.

Actualización — 2026-10-26: la corrección del auto-enrutamiento y la fila de balance de la ronda de $15 mil millones de DeepSeek

Una corrección de obsolescencia a la actualización del 10 de septiembre de arriba: el auto-enrutamiento anunciado nunca entró en vigor. El registro de cambios de DeepSeek (sección del 10 de septiembre, re-leído el 26 de octubre de 2026) consigna: "In response to user demand, we have decided to continue providing API services for DeepSeek V4 Pro after September 14, 2026, with the billing method remaining unchanged" (registro de cambios), mientras la página de anuncio sigue activa y conserva la orden de enrutamiento original sin ninguna rectificación en la página (api-docs.deepseek.com) — las dos superficies del proveedor se contradicen cara a cara. Para la tesis de gobernanza de costos, la corrección es una mejora, no una retirada: un proveedor puede anunciar una sustitución, revertirla unilateralmente y dejar los dos registros en pie; el modelo servido en la respuesta sigue siendo la verdad de referencia, y la capa de enrutamiento (el artículo del cambio de modelo) sigue siendo el control. Segundo, la fila de financiación, ya sin riesgo y respaldada por fuentes nombradas: DeepSeek recaudó unos $15 mil millones en una segunda ronda privada — unos 100 mil millones de yuanes, con Tencent y CATL entre los mayores inversores — a una valoración pre-money de $74 mil millones ($89 mil millones post-money, según lo informado); el fundador Liang Wenfeng dijo a los inversores en septiembre que la empresa factura a un ritmo anualizado de $1 mil millones y aspira a una OPI en el Mercado STAR de Shanghái, mientras se asocia con Huawei para trasladar el entrenamiento a chips chinos (qz.com; TechStartups — retransmisiones de reportajes de WSJ/Bloomberg). El proveedor más barato y creíble de cómputo para agentes always-on tiene ahora profundidad de inversores estratégicos, pista de despegue hacia una OPI y una vía de diversificación de chips — el riesgo de continuidad del proveedor en esta línea baja, y el episodio de identidad de modelo de septiembre sigue siendo la advertencia permanente.

Actualización — 2026-09-30: Gemini 4 Argon completa el conjunto de datos por tarea de tres laboratorios

El conjunto que este artículo ha ido reuniendo durante todo el mes ganó su tercer laboratorio: Google lanzó Gemini 4 Argon el 30 de septiembre de 2026 — su primer modelo frontera no-Flash en más de siete meses — con 53 en el AA Intelligence Index, igualando a GPT-6 Astra. Con la tarifa promocional ($4/$20 actualmente con 50% de descuento, a $2/$10), AA mide Argon en $1.99 por tarea del Intelligence Index — el 60% de los $3.26 de Astra pero 2.7× los $0.74 de GPT-6.1 Sol, que a su vez iguala a Astra por un quinto del coste. Sonnet 5.5 completa el conjunto desde la dirección de eficiencia de tokens: 56 en el Índice con la tarifa $2/$10 sin cambios, pero ~193,000 tokens de salida por tarea del Índice a esfuerzo máximo facturan $7.60 — aproximadamente 50% por encima de Sonnet 5. La lectura de tres laboratorios para un comprador de inferencia: la misma inteligencia de clase 50s ahora factura $0.74, $1.99 o $7.60 por tarea dependiendo por completo de la estrategia de lanzamiento — price-led, capacidad-con-descuento, o capacidad-con-factura-de-tokens. La entrada en caché de Argon con 95% de descuento ($0.10/1M) es el punto de datos compañero de la vía cache-led, y su límite de salida líder de la industria de 1M de tokens cambia la economía always-on en la dirección contraria: un bucle de razonamiento continuo ya no se fragmenta contra un techo de 64K, así que la factura del lado de salida de un agente de horizonte largo puede ahora concentrarse en lugar de dispersarse.

Una precaución que paralela la lección de Sonnet 5.5: el precio promocional no es una tarifa. Los $2/$10 de Argon son un descuento que Google no se ha comprometido a mantener; su coste post-promoción mide $3.98 por tarea (aproximadamente 1.2× Astra). Contrate sobre la cifra post-promoción o ponga la fecha de caducidad de la promoción en el calendario de procurement — la estructura de descuento es en sí misma la decisión de enrutamiento del cuarto laboratorio, el mismo riesgo de sustitución adjacent al auto-enrutamiento que documentó el episodio de DeepSeek V4.1-Flash.

Actualización — 2026-10-02: los modelos de decisión productizan el nivel de clasificación barato — Cloudflare Clef + AWS Strands Decider 2B

El vector de reducción de costos al que apunta la aritmética de este artículo — descargar de las llamadas LLM la clasificación de alto volumen y baja ambigüedad — se productizó dos veces en un solo día: Clef y Clef-flash de Cloudflare (código abierto, Apache-2.0) y Decider 2B de AWS Strands Labs se suman al Jev de TypeSafe como capas de decisión disponibles comercialmente (TREND-02 §3.1). Para el bucle always-on que este artículo tasa, las llamadas de enrutamiento y guardrail que hoy viajan por niveles de LLM con precio pueden moverse a un modelo de decisión que devuelve elecciones estructuradas a una fracción de la latencia y del costo — lo que cambia la arquitectura de la pila de costos: el gasto en LLM frontera se concentra en las decisiones de juicio, y el perímetro de clasificación (enrutamiento, umbrales de seguridad, evaluación de trazas) se mueve a la capa más barata que pueda sostener una calibración. Con tres proveedores despachando en once días, el nivel de decisión deja de ser una curiosidad y se convierte en una línea de adquisición — y los techos por tarea del contrato de comprador de este artículo ganan una clase de modelo diseñada para alcanzarlos.

Actualización — 2026-10-01: la tesis always-on consigue su exhibición de frontera — los agentes Argon liberaron 300 TiB de forma autónoma

La publicación cruzada MENA del 1 de octubre del anuncio de Argon (blog.google) añade el detalle de caso de uso interno que le ha faltado a la tesis always-on de este artículo: los agentes Argon analizaron la telemetría de profiling a nivel de flota e identificaron y aplicaron de forma autónoma optimizaciones de memoria en los centros de datos de Google, liberando más de 300 TiB de memoria, con un total estimado de 500 TiB a 1 PiB en ahorros. Argon también superó en un 40% un baseline publicado de optimización algorítmica cuántica en recursos de espaciotiempo (qubits × puertas) "en cuestión de minutos". Esta es la exhibición concreta para la afirmación de que los agentes always-on se pagan solos a escala de infraestructura: la tarea de los agentes no era responder a usuarios, sino leer telemetría continuamente y aplicar optimizaciones — el perfil operativo exacto del bucle always-on cuyo precio este artículo rastrea. El blog también señala que Argon lidera el benchmark de Indirect Prompt Injection (IPI) de Gray Swan mediante red teaming automatizado y entrenamiento adversarial — el punto de datos de prompt injection a nivel de modelo para la familia de la checklist de seguridad MCP.

Actualización — 2026-10-04: Modelos de decisión locales — la llamada a la API sale del nivel más barato

El modelo de costes de inferencia que mantiene este artículo gana un punto de dato en el nivel más barato: llama.cpp sirve ahora la clase de modelos de decisión (Julia-1, Laya, Kev-4B, lev y OpenJev como GGUF, mediante un endpoint estilo /v1/systemone), lo que elimina la llamada a la API de una capa que existía precisamente para evitar el gasto de API. El nivel de modelos de decisión ya era el de menor coste marginal de la pila; el tiempo de ejecución local empuja su coste hacia el marginal cero y desplaza el gasto restante al aprovisionamiento de RAM/CPU. El cálculo de enrutamiento cambia para los agentes siempre encendidos a escala: los modelos de decisión locales hacen asequible la validación por acción en volúmenes donde el precio por llamada a la API era la restricción de diseño.

Actualización — 2026-09-29: el libro mayor semanal de la guerra de precios — tres estrategias de lanzamiento, una tabla de coste por tarea

La cadencia de precios que este artículo rastrea es ahora semanal, y los lanzamientos de septiembre se resuelven en tres estrategias de lanzamiento que un comprador de inferencia debe valorar en paralelo (el libro mayor de septiembre de pricepertoken cuenta 181 cambios de precio de 671 modelos monitoreados este mes): dirigida por precio — GPT-6 Sol de OpenAI a $2/$10, su nivel Luna a $0,10/$0,50, y GPT-6.1 Sol una semana después al mismo $2/$10 con inteligencia cercana a Astra (OpenAI) — compra capacidad frontera a precios de commodity. Dirigida por caché — Opus 5.5 de Anthropic a $4/$20 con lecturas de caché a −60% — compra a los bucles de agentes con muchas escrituras una reprecificación de la línea de coste dominante. Dirigida por capacidad — el lanzamiento del 28 de septiembre de Claude Sonnet 5.5 con la tarifa inalterada de $2/$10 pero con Artificial Analysis midiendo ~193.000 tokens de salida por tarea del Intelligence Index a máximo esfuerzo — la factura de tokens más alta que AA haya registrado, aproximadamente 7× la por tarea de GPT-6 Astra — muestra la trampa de eficiencia: "hasta 30% más barato por tarea" compite contra un coste real medido por tarea de $7,60, ~50% por encima de Sonnet 5 (AA; la aritmética completa está en el análisis de Sonnet 5.5). Dos exhibiciones de integridad de routing completan el mes: Smart Route de OpenAI (25 de septiembre) auto-selecciona entre niveles de precios — el router del lado del proveedor que cubre la guía de log de auditoría de este artículo, ahora un valor por defecto en lugar de un incidente; y MiMo-V2.6-Pro (1,02T total / 42B activo, licencia MIT) se convirtió en el modelo open-weight con mayor puntuación de la historia en el Intelligence Index de AA con un 46, reprecificando el suelo open-weight sobre el que ya cabalga el 29% del volumen de tokens. Una advertencia gobierna cada comparación entre modelos en esta actualización: las puntuaciones del Intelligence Index de AA se rebasan entre lanzamientos, así que una puntuación citada de un rebaseline diferente no es comparable — nunca mezcles índices entre rebaselines. El contrato del comprador no ha cambiado desde la lectura del 11 de septiembre; el precio de ignorarlo sí: fija los IDs de modelo, contrata por coste por tarea con un techo semanal, y vuelve a ejecutar la aritmética antes del siguiente cambio de modelo — que, a la cadencia actual, está a días de distancia.

Actualización — 2026-10-06: el libro mayor de economía de inferencia gana tres líneas soberanas de pesos abiertos — ML4, Beam, Kolibri-1

Mistral Large 4 (ML4, vista previa pública 6 de octubre de 2026). MoE multimodal nativo de 1T de parámetros / 49B activos de Mistral, entrenado en 3,800 GPU NVIDIA Grace Blackwell en centros de datos europeos propios de Mistral (Serie D de €3B — la mayor ronda de capital de una tecnológica europea jamás levantada). Precios $1.36/M de entrada, $4.18/M de salida — una nueva línea soberana europea de pesos abiertos que el libro mayor debe evaluar junto a las estrategias de septiembre. Pero el dato que este artículo evalúa con más cuidado es la capacidad por dólar a máximo esfuerzo: ML4 registra 82% en reproduce-and-patch (la puntuación de ciberseguridad más alta de cualquier modelo medido; Claude Opus 5.5 y GPT-6 Astra puntúan casi cero porque se niegan a la tarea) — el dato de carga de seguridad por dólar que el comprador soberano evalúa de forma distinta al comprador de API de consumo. Los pesos llegan a fin de mes; una ruta de self-hosting sustituye la tarifa por completo.

Reflection AI Beam. MoE disperso de 501B / 23B activos, entrenado mediante más de 100M de despliegues de RL en 10.5K GPU NVIDIA GB300 — competitivo con GLM-5.2 y cercano a Qwen 3.8-Max en tareas de código y agénticas con 3–4× menos cómputo de inferencia (SWE-Bench Verified 80.9%, Terminal-Bench v2.1 80.1%, MCP Atlas 78.7%). Es el dato de eficiencia de cómputo que las filas de capacidad-por-tarea del libro mayor echaban en falta de un proveedor occidental: un modelo de 501B que se comporta como una huella activa mucho menor, respaldado por Nvidia ($4.7B recaudados, $25B pre-money), pesos Apache 2.0 este mes, con una propuesta de despliegue soberano de "fábrica de IA" (alianza con Shinsegae en Corea del Sur).

Kolibri-1 (Aleph Alpha, 3 de octubre). MoE de 78.1B totales / 3.46B activos, 384 expertos enrutados (6 activos por token), bilingüe alemán/inglés, contexto de 262K ampliable a 1M, Apache 2.0, construido y entrenado en Alemania y Finlandia — la línea soberana alemana junto a la francesa.

Para la estructura del libro mayor: las tres estrategias de lanzamiento de septiembre (price-led, cache-led, capability-led) siguen siendo el encuadre, pero una cuarta dimensión de abastecimiento se valora ahora de forma independiente — soberanía: dónde viven los pesos, quién puede negar tu carga de trabajo y qué cuesta el self-hosting frente a la tarifa. Un comprador que evalúe el $1.36/$4.18 de ML4 contra la aritmética de coste-por-tarea de clase Sonnet y la eficiencia 3–4× de Beam contra la clase GLM-5.2 está ejerciendo la disciplina que este artículo exige: repetir la aritmética antes del siguiente cambio de modelo — y los cambios ahora llegan de tres regiones cada semana.

Actualización — 2026-10-15: Muse Spark Open + Apple MLX — la fila de topología de clúster de escritorio

Los vectores de optimización de costos de este artículo incluyen ahora un dato de topología de clúster de escritorio. El Muse Spark Open de Meta (15 de octubre de 2026) publica un checkpoint NVFP4 de unos 530 GB, y el post de investigación de MLX de Apple demostró la inferencia distribuida por RDMA de ese checkpoint sobre clústeres de Mac Studio — unos 38.000 dólares de silicio Apple (cuatro Mac Studio M5 Ultra de 256 GB, según Engadget) compran una capacidad frontera parcial sobre hardware propio, el mismo eje que la fila local de 24 GB del RTX Spark abre en el extremo bajo. Léalo como una fila de topología, no como una victoria de costos: 38.000 dólares de capital compran amplitud de capacidad sin factura por token, mientras que la medición por API compra la frontera completa — la decisión de build del agente always-on tiene ahora un ejemplo probado de clúster de escritorio entre ambos polos. Las referencias de API procedentes de agregadores sitúan a Muse Spark Open cerca de 1,25 dólares por millón de tokens — sin verificar contra una fuente primaria de Meta, etiquete antes de citar.

Update — 2026-10-19: MiniMax M3.1 Flash — la fila de tarifa de caché publicada

La fila de $0.015/1M para entrada cacheada llega publicada por el proveedor. MiniMax (HKEX: 0100.HK) lanzó M3.1 Flash el 19 de octubre de 2026 a un precio plano de $0.15 de entrada / $0.60 de salida / $0.015 de entrada cacheada por 1M de tokens — sin ventanas pico/valle — convirtiendo la fila de caché en una partida de adquisición que una cotización puede referenciar (MiniMax; Reuters). Se sitúa junto a la fila efectiva del 91.5% de aciertos de arriba: DeepSeek publica entrada con acierto a $0.003–$0.006 contra un precio sin acierto de $0.15–$0.30 (el 2% del precio valle, condicionado a ventanas horarias), mientras que MiniMax publica de frente la tarifa plana del 10% de lista. Ambos regímenes obedecen la misma aritmética: entrada efectiva = cuota de aciertos × tarifa cacheada + cuota de fallos × tarifa de lista — con una cuota de aciertos ilustrativa del 91.5%, la hoja de DeepSeek calcula ≈$0.017/1M y la de MiniMax ≈$0.0265/1M (precios de DeepSeek; comparación completa en el análisis de costo por caché y el artículo de M3.1 Flash). Los pesos están sin publicar a fecha de este texto (los hilos comunitarios mencionan el 23 de octubre; la cifra del MoE de 428B es reportada por agregadores y sin confirmar) — cita la hoja de precios, retén la fila de parámetros.

---

Un distribuidor mid-market que opera NetSuite y BigCommerce procesa 200 RFQ por semana. Con precios Luna, un agente que monitoriza la bandeja de entrada, consulta tres catálogos de proveedores vía módulos MCP, verifica un grafo de conocimiento por piezas sustitutas y redacta respuestas de cotización cuesta menos de $50 por semana en inferencia. La misma carga con precios de enero 2026 habría costado más de $2.000. La pregunta del distribuidor ya no es si el agente es asequible — es si la capa de integración está construida. Los módulos MCP, el grafo de conocimiento, el checkpoint de aprobación humana para emisión de cotizaciones y la traza de auditoría para cada llamada a herramienta son el 90% de la construcción. Eso es lo que entrega un engagement con scope definido: la capa de integración y gobernanza que convierte un modelo barato en un agente de producción.