La guerra de precios entre la IA estadounidense y la china, con sus consecuencias jurídicas y económicas
“La revolución de la IA la ganará quien aprenda a vivir con ella”
(Imagen: E&J)
La guerra de precios entre la IA estadounidense y la china, con sus consecuencias jurídicas y económicas
“La revolución de la IA la ganará quien aprenda a vivir con ella”
(Imagen: E&J)
En menos de un año, el mercado global de modelos de inteligencia artificial ha pasado de cobrar varios dólares por millón de tokens a competir en centésimas. Un token es la unidad mínima de texto que ve y analiza el modelo de inteligencia artificial: una palabra corta, un número o incluso un signo de puntuación; cuantos más tokens se usan para pedir y responder, más cara resulta la operación. Hoy, los grandes modelos de Estados Unidos —sobre todo los de OpenAI, Anthropic y Google— siguen siendo la referencia en la gama alta, mientras que en China el liderazgo lo comparten DeepSeek, Qwen (Alibaba), GLM (Zhipu) y Kimi (Moonshot), que se han convertido en los cuatro nombres centrales del ecosistema chino de IA, la diferencia fundamental es que estos últimos compiten fuertemente en precio.
Mientras los laboratorios estadounidenses intentan justificar tarifas de hasta cinco dólares por millón de tokens de entrada y 30 dólares por millón de tokens de salida en los modelos más potentes de la familia GPT, los proveedores chinos han fijado precios en torno a 0,14 dólares por millón de tokens de entrada y 0,28 dólares por millón de salida para modelos como DeepSeek. El salto no es meramente comercial: implica diferencias de precio de entre 10 y casi 100 veces que, en un contexto de presupuestos corporativos tensos, está reordenando quién suministra la inteligencia y quién captura el valor añadido.
Un análisis de OpenRouter, uno de los agregadores de modelos más utilizados por desarrolladores y empresas, muestra que los modelos de origen chino han pasado de representar apenas un 4,5% del tráfico de tokens empresarial en la primera mitad de 2025 a sostener, desde febrero de 2026, más del 30% de ese tráfico todas las semanas, con picos de hasta el 46% de los tokens consumidos por empresas estadounidenses. En algunos grupos de usuarios avanzados, el uso de modelos chinos supera ya el 60% del volumen total, impulsado por descuentos del 60‑90% frente a los modelos líderes de Anthropic y OpenAI y por una calidad que, en tareas rutinarias de clasificación, extracción o programación estándar, muchos equipos consideran “indistinguible” en pruebas ciegas.
(Imagen: E&J)
Suscríbete a nuestra
NEWSLETTER
La reacción estadounidense combina competencia de precios y contención regulatoria. OpenAI, Anthropic y otros proveedores han anunciado rebajas de hasta el 80% en determinados modelos de razonamiento y la creación de niveles low cost para frenar la migración hacia alternativas chinas más baratas. Incluso así, sus modelos siguen siendo varias veces más caros que muchos equivalentes chinos en tareas generalistas, lo que empuja a las empresas a estrategias más sencillas y pragmáticas: dividir el trabajo en tipos de tareas y asignar a cada una el modelo más barato que cumpla un estándar mínimo de calidad, reservando los modelos premium para problemas realmente complejos. Al mismo tiempo, Washington endurece su discurso sobre los riesgos de seguridad y soberanía digital del uso de IA china: comités del Congreso investigan la presencia de modelos chinos en grandes plataformas y herramientas de desarrollo, la Ley de Autorización de Defensa para 2026 ordena excluir modelos como DeepSeek de sistemas del Departamento de Defensa y del ámbito de inteligencia, y el Departamento del Tesoro amenaza con sanciones si se demuestra copia ilícita de los modelos estadounidenses. Sin embargo, la eficacia jurídica de ese esfuerzo sigue siendo limitada: los modelos de código abierto cuyos pesos ya se han descargado en servidores occidentales escapan a cualquier restricción de importación y, por ahora, no existe una prohibición general de uso de modelos chinos en el sector privado.
China, por su parte, empieza a ver las contradicciones de su propia estrategia. La ventaja de DeepSeek, Qwen, GLM y Kimi nace de haber publicado modelos potentes en formato abierto, con pesos descargables y licencias permisivas, que hoy están copiados en servidores y ordenadores de medio mundo. Ahora el Ministerio de Comercio (MOFCOM) estudia incluir esos pesos, los datos de entrenamiento y ciertos diseños de chips en su catálogo de tecnologías sometidas a control de exportación, lo que permitiría limitar la descarga de nuevas versiones y la fabricación de procesadores basados en diseños chinos. Los borradores apuntan a un sistema por niveles: modelos sencillos seguirían siendo abiertos, los avanzados requerirían autorización y los más potentes sólo se ofrecerían mediante acceso remoto, sin copia local de los pesos. En la práctica, Pekín se acerca al enfoque estadounidense —tratar la IA de alta gama como un activo estratégico— y parece dispuesta a sacrificar parte de su ventaja comercial de modelos baratos y abiertos a cambio de un mayor control estatal sobre la inteligencia que considera crítica.
(Imagen: E&J)
En este contexto de guerra de precios y cautela regulatoria, la economía del sector empieza a parecerse menos a la de un oligopolio de software de altísimo margen y más a la de un servicio básico o commodity de tecnología. Conforme se reduce la diferencia de calidad entre modelos y aparece una oferta amplia de sistemas “lo bastante buenos”, la inteligencia pasa a ser algo estandarizado que se compra en función de precio, disponibilidad y cumplimiento normativo. El poder económico deja de residir en el laboratorio que entrena cada modelo y se desplaza hacia capas más difíciles de copiar: la infraestructura de cómputo (centros de datos, redes, chips), las plataformas que permiten usar varios modelos a la vez, los servicios de cumplimiento y, sobre todo, las organizaciones capaces de incorporar esa inteligencia a sus procesos y a sus datos propios.
Una compañía que sabe trasladar parte de sus tareas repetitivas a modelos chinos instalados en su propia infraestructura —sin enviar información sensible a servidores en China y aplicando controles de seguridad razonables— puede reducir su factura de IA entre un 60% y un 90% y usar ese ahorro para ampliar casos de uso o invertir en talento. Lo relevante, tanto para el inversor como para el regulador, ya no es qué modelo concreto se elige, sino la capacidad de la organización para gestionar el riesgo de proveedor, diseñar su dependencia tecnológica y mantener trazabilidad sobre qué inteligencia se aplica a qué datos y decisiones.
A pesar de ello, los mercados de capitales siguen buscando “el gran ganador” entre los grandes laboratorios de modelos como si fueran a crear monopolios de software difíciles de repetir. Esa visión pasa por alto dos cosas evidentes: la presión sobre los márgenes —cada vez más comprimidos por la caída de precios— y la multiplicación de alternativas, en un entorno en el que no es descartable que algunos proveedores queden sometidos a controles o sanciones que limiten su expansión. Con lo cual el mapa de riesgos y oportunidades se desplaza: más que apostar por el laboratorio “ganador”, conviene analizar qué centros de datos, qué plataformas de uso de modelos, qué servicios de cumplimiento y qué empresas usuarias están mejor situados para capturar el valor de una inteligencia cada vez más barata y regulada. En última instancia, los verdaderos ganadores de la carrera de la IA no serán quienes desarrollen los modelos más brillantes, sino quienes construyan organizaciones capaces de aprovecharlos de forma sostenida: la revolución de la inteligencia artificial no la ganará quien la invente, sino quien aprenda a vivir con ella.
