3 centavos vs 3 dólares por tarea: Empate en la cima de la IA
El 31 de julio de 2026, la firma de evaluación independiente Artificial Analysis incluyó el nuevo modelo de DeepSeek en el grupo de “Frontera”, colocándolo al lado de los modelos insignia estadounidenses que cuestan decenas de veces más. Lo más insólito de esta clasificación es que es, con diferencia, el modelo más económico de toda la tabla de clasificación. Por delante de él se encuentran Claude Opus 5 (61 puntos) y GPT-5.6 Sol (59 puntos), los cuales cobran entre 2 y 3 dólares por tarea; la nueva versión de DeepSeek obtuvo 50 puntos con un coste de solo 3 centavos por tarea.
Para contextualizar estos números, el Intelligence Index es un análisis independiente que evalúa modelos sobre cargas de trabajo reales pagando costes reales de API (se gastaron más de 72 dólares en llamadas a la API solo para evaluar este modelo). La batería de pruebas evalúa capacidades complejas como escritura de código en producción, uso de interfaces de ordenador y razonamiento de nivel financiero. Una puntuación de 50 ubica al modelo en el primer nivel, empatado con Gemini 3.6 Flash y en el tercer puesto entre los modelos de código abierto/pesos abiertos.
La cifra de “3 centavos por tarea” representa el coste medio tras completar el mismo conjunto de pruebas estandarizadas. En el mismo examen, Claude Opus 5 costó 2.34 dólares y Claude Fable 5 alcanzó los 3.15 dólares, mientras que DeepSeek se quedó en 0.03 dólares. Una diferencia de más de dos órdenes de magnitud (factor de 100).
Figura: Comparativa del Intelligence Index de Artificial Analysis, la barra azul destaca el nuevo modelo de DeepSeek entrando en el primer nivel con 50 puntos. Fuente: artificialanalysis.ai
No se trata de una actualización menor. La versión anterior Flash de abril obtuvo 40 puntos; esta actualización ha logrado un salto de 10 puntos. En una escala de 100 puntos donde un solo punto separa varias posiciones en la clasificación, subir 10 puntos representa un salto dramático.
Más allá de la puntuación, destacan dos especificaciones técnicas: una ventana de contexto de 1 millón de tokens (equivalente a unas 1,500 páginas A4), capaz de procesar informes financieros completos o repositorios de código sin perder memoria, y la liberación total de sus pesos bajo la licencia de código abierto MIT. Un modelo que es simultáneamente económico, abierto y de alto rendimiento logra una combinación poco habitual en el mercado.
Por qué es barato y potente: Tres secretos de su arquitectura
El primer secreto reside en el post-entrenamiento. El desarrollo de un LLM se divide en dos etapas: el pre-entrenamiento con volúmenes masivos de datos para dotarlo de conocimientos generales, y el post-entrenamiento con datos seleccionados para afinar su capacidad de razonamiento e instrucción. El pre-entrenamiento determina cuánto sabe el modelo; el post-entrenamiento determina cómo lo aplica.
DeepSeek mantuvo la arquitectura y el número de parámetros intactos en comparación con la versión anterior, centrando sus esfuerzos en rediseñar la estrategia de post-entrenamiento. Al evitar la costosa fase de pre-entrenamiento, eliminaron el mayor bloque de costes, logrando un incremento de 10 puntos sin incurrir en grandes gastos de computación.
Figura: Coste medio por tarea estandarizada, mostrando que el nuevo modelo de DeepSeek cuesta solo 3 centavos, 100 veces menos que la alternativa más costosa. Fuente: artificialanalysis.ai
El segundo secreto es la inferencia Sparse Mixture-of-Experts (MoE). Aunque el modelo cuenta con un total de 284,000 millones de parámetros, solo activa 13,000 millones por cada consulta. En lugar de ejecutar toda la red para cada token, el sistema de enrutamiento activa únicamente las subredes de expertos relevantes para la pregunta formulada.
Esto proporciona un doble beneficio: la capacidad total sigue siendo enorme, pero la computación activa durante la inferencia es ligera, reduciendo significativamente los costes de energía y alojamiento. DeepSeek lleva varias generaciones perfeccionando esta arquitectura de eficiencia computacional.
El tercer secreto se debe al ecosistema abierto. Al ofrecer pesos abiertos bajo la licencia MIT, proveedores de nube y revendedores globales pueden alojar e integrar el modelo en su propia infraestructura. A medida que aumenta el volumen de despliegue global, los costes operativos unitarios disminuyen.
La tarifa oficial de la API de DeepSeek se fija en 0.14 dólares por millón de tokens de entrada (bajando a 0.003 dólares si hay acierto en la caché). Alcanzar este nivel de precio ha sido posible mediante la optimización simultánea en arquitectura, entrenamiento y ecosistema abierto.
La gráfica oficial de Silicon Valley se encuentra con la realidad
La noticia generó un debate inmediato en Hacker News, acentuado por una coincidencia temporal. Tan solo un día antes, OpenAI había publicado un gráfico oficial afirmando que estaba “ampliando la frontera de precio-rendimiento”, posicionando sus propios modelos a lo largo de una curva de eficiencia. Horas después de la publicación de los datos de benchmark, un desarrollador añadió el punto de DeepSeek al gráfico oficial de OpenAI: se situó exactamente sobre la línea de frontera.
Figura: Punto de datos del nuevo modelo de DeepSeek añadido por la comunidad al gráfico oficial de “Frontera de Precio-Rendimiento” de OpenAI. Fuente: files.parasmittal.com
El término “frontera” se refiere a los modelos de máximo rendimiento, un terreno históricamente dominado por gigantes tecnológicos estadounidenses. Durante los últimos dos años, los precios de los modelos insignia se mantuvieron elevados. La irrupción de este nuevo modelo demuestra que el rendimiento de frontera puede ofrecerse a una fracción del coste.
El hilo de discusión en Hacker News superó rápidamente los 500 puntos y acumuló cerca de 300 comentarios. Para los desarrolladores, una reducción de costes del 99% elimina las barreras presupuestarias a la hora de ejecutar flujos de trabajo avanzados basados en agentes.
Precios imbatibles, pero con matices en la práctica
En los foros de desarrolladores, varios usuarios compartieron sus experiencias reales de facturación: realizar sesiones completas de programación conectados a la API directa de DeepSeek solo cuesta unos pocos centavos diarios, eliminando la “ansiedad por el uso de tokens”. Cuando el coste unitario se reduce en un factor de 100, la experimentación se vuelve mucho más accesible.
Sin embargo, también se señalaron aspectos a tener en cuenta. Al utilizar la API a través de revendedores de infraestructura como Fireworks o OpenRouter, que garantizan privacidad sin retención de datos (“zero data retention”), el coste final resulta ser más elevado debido a las diferencias en la gestión de memoria caché y facturación. Mantener infraestructura aislada y privada requiere costes adicionales.
Asimismo, existe debate sobre si las tarifas de la API oficial reflejan costes sostenibles a largo plazo o estrategias comerciales. Si bien la reducción de costes computacionales es indudable, las discusiones sobre márgenes e infraestructura continúan abiertas.
Qué significa esta guerra de precios para los usuarios y desarrolladores
Incluso para quienes no interactúan directamente con las API, el descenso de los costes de inferencia repercute en las herramientas de uso diario. Los asistentes de IA en dispositivos móviles, funciones de redacción en suites de oficina y sistemas de resumen de documentos adoptan cada vez más este tipo de modelos de alta eficiencia.
El hecho de que muchas aplicaciones hayan ampliado sus límites de uso gratuito en el último año se debe principalmente a la caída vertiginosa de los costes de inferencia en el servidor. Al abaratarse el coste de ejecución, los proveedores pueden ofrecer límites más flexibles a los usuarios finales.
La conclusión clave para desarrolladores y empresas es clara: no es necesario optar por el modelo más costoso por defecto. Para tareas habituales de consulta, análisis de documentos y programación diaria, un modelo de 3 centavos por tarea ofrece un nivel de utilidad muy cercano al de modelos insignia de 3 dólares. Con nuevos lanzamientos previstos en el sector para finales de año, la eficiencia de costes seguirá redefiniendo el panorama de la inteligencia artificial.
Enlaces de referencia:
- Artificial Analysis: Evaluación de inteligencia, rendimiento y precio de DeepSeek V4 Flash 0731
- Debate en HN: Publicación del benchmark de DeepSeek V4 Flash 0731 (511 puntos / 282 comentarios)
- Blog oficial de OpenAI: Pushing the Price-Performance Frontier (Publicado el 30 de julio)
- OfficeChai: DeepSeek V4 Flash 0731 ofrece rendimiento clase Opus 4.8 por una fracción del coste
