Costo de IA: ¿token 33% más barato baja el costo por tarea?

El precio del token cayó 33% y el costo por tarea quedó en US$ 1,98. Para quien decide la ruta de modelo, la tarifa nueva no cambia la cuenta por sí sola: el número que sobrevive a la decisión es el costo de la tarea que sale lista.

La hoja de cálculo de costo de IA de una empresa que ya corre modelos en producción y recibe la factura en dólares tiene dos columnas que no coinciden. En una está el precio por millón de tokens, 33% menor desde el 23 de octubre de 2026. En la otra está el costo por tarea, que no se movió. La reunión de presupuesto elige cuál de las dos va a la diapositiva, y la más fácil de explicar gana casi siempre. La diapositiva está mal cuando muestra una columna y responde por la otra.

El precio por token es un número que el proveedor publica y finanzas reconoce. El costo por tarea obliga a definir qué cuenta como tarea concluida, y nadie quiere esa discusión un martes.

La tarifa no decide.

Un modelo puede quedar 33% más barato por token y seguir costando lo mismo por tarea. Quien decide por la tarifa compra descuento y paga retrabajo.

Qué cambió en el modelo y qué no cambió en la cuenta

Kimi K3.1 Pro llegó el 23 de octubre de 2026 con precio de primera parte 33% menor en las tres tarifas, Intelligence Index 55 y costo por tarea del índice en US$ 1,98, prácticamente igual al de Kimi K3. Quien reporta costo de IA elige entre las dos cifras.

Los números publicados están abajo, sin recálculo.

Las tres celdas sin número son intencionales: la fuente publica el corte de 33% y el precio nuevo, no la tarifa anterior en dólares, y deja el costo por tarea del modelo anterior sin cifra.

El modelo entró en 4º lugar del Intelligence Index, 11 puntos por encima de los 44 del anterior y por detrás de tres modelos, entre ellos el líder, con 58.

La combinación solo parece extraña a quien trata precio y costo como sinónimos. Un corte de 33% en la tabla es un corte en la tarifa. La tarifa no determina por sí sola el costo por tarea: consumo, caché y razonamiento también pesan, y cada conjunto de tareas combina los tres de otra manera. Cuánto del descuento sobrevive es lectura cualitativa.

Precio por token y costo por tarea miden cosas distintas

El precio por token es tarifa: lo que el proveedor cobra por millón de tokens de entrada, de salida y de caché. El costo por tarea es cuenta: el gasto dividido por las tareas del índice. La primera se lee en la tabla del proveedor. La segunda depende del consumo, de la tasa de acierto y de qué cuenta como tarea concluida.

La tarifa no es la cuenta.

La composición del número está publicada: entrada, caché hit, caché write, razonamiento y respuesta, divididos por el número de tareas y ponderados por el peso de cada evaluación en el índice. El método es el mismo que usa la pieza sobre el costo por tarea que decide la ruta para desempatar modelos: la cuenta es de costo, y no de tarifa. Con él, la evaluadora publica US$ 1,98 en el artículo de lanzamiento y US$ 2,11 en la página del modelo, en promedio ponderado. La diferencia entre las dos cifras es de método.

Por qué 33% menos en el token no se volvió 33% menos en la tarea

El precio del token LLM cayó 33% y el consumo por tarea subió. El modelo gasta 55 mil tokens de salida por tarea del índice, contra 48 mil del anterior, 14% más. Un razonamiento más largo compra acierto y cobra token. La fuente llama al costo por tarea prácticamente igual y no afirma que la cuenta cierre.

Tres mecanismos explican el desajuste. El primero es que los tokens de razonamiento entran en la factura de salida: un modelo que piensa más antes de responder cobra por ese pensamiento en la misma línea de la respuesta.

El segundo es la caché. El caché hit a US$ 0,20 por millón reduce el costo del contexto repetido, con descuento de 90% en esa tarifa. Un prompt de sistema repetido se beneficia; una entrada nueva en cada llamada, no.

El tercero es la verbosidad. El modelo nuevo generó 150 millones de tokens de salida en el índice completo, contra mediana de 87 millones en la clase, según la página del modelo leída el 26 de octubre de 2026. Escribe más para acertar más.

Los 33% y los 14% son hechos publicados, y la igualdad del costo por tarea es descripción de la fuente, no resultado que se reconstruya con los dos porcentajes. Las tres cifras no cierran una cuenta exacta, y cualquier número que cerrara la brecha sería inventado.

De 13% a 67% en Terminal-Bench: el costo de la tarea que sale lista

En Terminal-Bench 4.0, el modelo anterior resolvía 13% de las tareas, y fallaba 87% de las veces. Kimi K3.1 Pro resuelve 67%, la mayor nota que midió la evaluadora. Una tarea de terminal que falla no cuesta el precio de un intento: cuesta el intento, la repetición y el tiempo de alguien revisando el resultado.

Llame costo por tarea concluida a lo que paga la operación: el gasto total dividido por las tareas que pasaron el criterio de aceptación. La diferencia frente al costo por tarea del índice está en el denominador. Un agente que corre varias veces y entrega pocas tareas aceptadas dividió el gasto por un número pequeño.

El eje agéntico se movió en más de una medición. En GDPval-AA el modelo nuevo marca 1.846 Elo, tercer lugar, 312 por encima del anterior, por detrás de dos modelos con 1.866 y 1.857. En AutomationBench-AA, la tasa va de 58% a 73%.

La precisión que separa lectura de error: el costo por tarea se mide en las tareas del Intelligence Index, y Terminal-Bench 4.0 es otro conjunto. Las dos cifras no forman una cuenta conjunta, y multiplicar una por la otra produciría un número que ninguna fuente publica. A 67%, 33 de cada 100 tareas de terminal siguen sin solución, y cada una gastó token, tiempo y una revisión humana.

La cuenta es la de la tarea aceptada. No la del intento.

El líder del índice no es el líder de la tarea agéntica

El líder del Intelligence Index es Claude Opus 5.5, con 58. El líder de Terminal-Bench 4.0 es Kimi K3.1 Pro, con 67%, por delante de Claude Sonnet 5.5, con 64%. Son dos marcadores y dos preguntas, y un enrutador que consulta apenas el índice puede elegir el modelo equivocado en la carga que Terminal-Bench mide.

El índice, en la versión 4.3.2 leída el 26 de octubre de 2026, es un compuesto de diez evaluaciones, entre ellas AA-Briefcase, GDPval-AA, AutomationBench-AA y Terminal-Bench 4.0. Cada una entra con peso definido por el método de la evaluadora, y el resultado es un promedio que premia el equilibrio. Un modelo bueno en todo sube; uno excelente en una cosa y mediocre en las otras, no.

Terminal-Bench mide una sola cosa: si el agente termina la tarea de terminal. No mide redacción, no mide extracción, no mide conversación.

Los dos marcadores conviven sin contradecirse. La nota del líder del índice en Terminal-Bench no está en la fuente leída y no aparece aquí. Lo que la fuente publica es la mayor nota del conjunto, 67%.

Cómo decidir la ruta con las dos métricas

La decisión tiene cuatro pasos: definir qué cuenta como tarea concluida, medir el costo por tarea en la propia carga, comparar con lo publicado y revisar la regla cuando la tabla o el índice cambien. El resultado es una regla de ruta por tipo de tarea, no un ranking de modelos.

La definición viene antes de la compra. ¿Una atención reabierta cuenta como concluida?

1. Escribir el criterio de aceptación por tipo de tarea, antes de comparar precio.
2. Medir el gasto por llamada con modelo, tokens y resultado en el mismo registro.

Sin eso, el costo por tarea en la propia carga es la factura del mes dividida por un número que nadie contó.

1. Comparar el costo medido con el publicado, tratando la diferencia como información.
2. Revisar la regla cuando la tabla o el índice cambien de versión, como muestra el costo real más allá del precio por token.

El costo de IA que llega a finanzas solo es auditable cuando cada llamada lleva modelo, tokens y resultado. El enrutador de LLM de Nexforce Router es un gateway con enrutamiento entre más de 300 modelos, API compatible con OpenAI, ranking por precio y desempeño actualizado de forma continua, presupuesto por clave y por proyecto con tope de gasto, fallback y failover entre proveedores, caché de respuestas y de embeddings, y rastro completo de cada llamada.

El límite: la capa mide y gobierna la decisión, no decide qué cuenta como tarea concluida, y ninguna herramienta decide eso en lugar del comprador.

Falta la capa entre la tarifa en dólares y la caja en reales. La estimación interna de Nexforce es que cargos de importación y conversión cambiaria elevan el costo efectivo del token hasta 55%, y una factura de US$ 100 mil llega a US$ 100 mil más hasta 55% en desembolso. En el tope, sale como US$ 155 mil desembolsados.

Cuándo el precio del token sigue siendo el criterio correcto

El precio por token todavía decide cuando la salida es corta, el volumen es alto y el acierto rara vez se cuestiona: clasificación, extracción de campo, traducción de rótulo, respuesta de formulario. En esos casos el costo por token LLM converge al costo por tarea, y la métrica más simple es la más honesta.

Primera condición: salida corta. Cuando la respuesta cabe en pocas líneas y el formato es fijo, el consumo varía poco, y la tarifa de salida vuelve a decidir la factura.

Segunda: volumen alto con repetición. Un pipeline que procesa la misma entrada todo el día tiene caché previsible, y el descuento de 90% se vuelve componente.

Tercera: error barato de corregir. Clasificar un ticket en la fila equivocada cuesta poco; redactar un contrato con una cláusula inventada, no.

El benchmark de enrutador de modelos entra como apoyo, no como veredicto: enseña a leer un índice compuesto sin confundir promedio con desempeño.

Veredicto condicional: para salida corta, volumen alto y error barato, el precio por token decide; para una carga en la que la tarea tiene que salir lista, el costo por tarea concluida decide.

Preguntas frecuentes

¿Qué es el costo por tarea en un modelo de lenguaje? Es el gasto dividido por las tareas del índice, no el precio de tabla por millón de tokens. La evaluadora suma entrada, caché hit, caché write, razonamiento y respuesta, divide por el número de tareas del índice y pondera cada evaluación por su peso en el índice v4.3.2, lo que produce un promedio en dólares por tarea.

¿Por qué el precio del token cayó 33% y el costo por tarea quedó igual? Porque el consumo por tarea subió con el corte. El modelo nuevo usa 55 mil tokens de salida por tarea del índice, contra 48 mil del anterior, y el razonamiento se cobra en la misma línea de la salida. La fuente llama a la cuenta prácticamente igual, en US$ 1,98.

¿El costo por tarea publicado sirve para mi carga? Sirve como referencia, no como presupuesto. El número publicado se mide en las tareas del Intelligence Index, y su carga no reproduce ese mix. El costo por tarea concluida depende del criterio de aceptación, de la tasa de acierto y del consumo por llamada, y solo aparece cuando cada llamada queda registrada con modelo y tokens.

¿Cómo usa un enrutador de LLM las dos métricas en la práctica? Puede aplicar una regla por tipo de tarea, mandando la salida corta al modelo de menor tarifa y la carga agéntica al de mejor tasa de acierto, y midiendo las dos. Lo que no hace por sí solo es decidir qué cuenta como tarea concluida. Ningún enrutador decide eso.

¿El modelo nuevo ya tiene pesos abiertos? No. La fuente dice que los pesos no fueron publicados y proyecta que, cuando lo sean, el modelo será el abierto de mayor score, con la brecha entre el líder abierto y el propietario cayendo de 12 a 3 puntos. Publicada está la arquitectura: ventana de 1M de tokens, 2,8 billones de parámetros totales y 104 mil millones activos.

Referencias y lectura complementaria

• Artificial Analysis, artículo de lanzamiento, 23 de octubre de 2026: https://artificialanalysis.ai/articles/kimi-k3-1-pro-launch-benchmarks (acceso el 26/10/2026).
• Artificial Analysis, página del modelo, con costo por tarea en promedio ponderado y composición del Intelligence Index: https://artificialanalysis.ai/models/kimi-k3-1-pro (acceso el 26/10/2026).

Qué hacer con esta cuenta

La cuenta que decide no es la de la tabla del proveedor. Es la que divide el gasto por las tareas que la operación aceptó, con criterio de aceptación escrito antes de la comparación de precio, porque un número que nace de la tarifa y no de la aceptación no sobrevive a la primera reunión en la que alguien pregunta cuántas tareas volvieron sin solución. El criterio viene primero. La tarifa cambia sin avisar al presupuesto.