DeepSeek V4 Pro llegó y de inmediato recortó más de un 95% los costos de inferencia de la IA, lo que desencadenó una ola de cambios de precios que obligó a responder a todos los grandes proveedores. OpenAI, Anthropic y Google bajaron sus tarifas. Este artículo explica qué pasó, por qué la arquitectura lo hizo posible y qué implica el cambio para los desarrolladores y las empresas que hoy pagan por IA.
El momento en que DeepSeek V4 Pro salió al mercado, las hojas de cálculo de Silicon Valley dejaron de tener sentido. Los desarrolladores que revisaban sus facturas mensuales de API notaron algo imposible: el costo de ejecutar un modelo de IA de nivel de frontera había caído más de un 95% respecto a lo que pagaban solo unos meses antes. Sin anuncio, sin rueda de prensa. Solo una nueva página de precios, una publicación en GitHub y una ola de incredulidad que recorrió la industria tecnológica en cuestión de horas.
No fue un descuento menor. Fue un colapso estructural en el costo de la inteligencia.
Antes de DeepSeek V4 Pro, un desarrollador que creaba un producto capaz de procesar un millón de tokens de entrada con un modelo de gama alta pagaba entre $15 y $30, según el proveedor. Los tokens de salida costaban aún más. En cualquier aplicación a gran escala, eso se acumulaba rápido.
DeepSeek V4 Pro cambió el cálculo por completo. En el lanzamiento, su precio en API era de unos $0,27 por millón de tokens de entrada y $1,10 por millón de tokens de salida. Estas no eran cifras de gama económica para un modelo de gama económica. Era un modelo que igualaba o superaba el rendimiento de la clase GPT-4 en casi todos los benchmarks estándar: MMLU, HumanEval, MATH y tareas de razonamiento que antes exigían los modelos más caros disponibles.
La relación precio-rendimiento era tan extrema que muchos desarrolladores al principio asumieron que había trampa. Un límite de uso que se activaría. Una degradación de calidad que aparecería en producción. Un costo oculto en la letra pequeña. Nada de eso se materializó. El modelo era de verdad barato y de verdad capaz.
💡 Para contexto: $0,27 por millón de tokens significa que puedes procesar unas 750.000 palabras por menos de un dólar. Es el texto completo de Guerra y paz dos veces, por un solo billete de un dólar.
El daño competitivo se hizo más claro al verlo en una tabla:
| Modelo | Entrada (por 1M de tokens) | Salida (por 1M de tokens) | Nivel de rendimiento |
|---|---|---|---|
| DeepSeek V4 Pro | ~$0,27 | ~$1,10 | Frontera |
| GPT-5 | ~$10,00 | ~$30,00 | Frontera |
| Claude Opus 4.7 | ~$15,00 | ~$75,00 | Frontera |
| Gemini 3 Pro | ~$7,00 | ~$21,00 | Frontera |
La brecha no era incremental. Era generacional. DeepSeek V4 Pro ofrecía razonamiento de nivel de frontera a precios que antes solo se aplicaban a modelos pequeños, rápidos y limitados. Cada cifra de esa tabla representaba un modelo de negocio, una línea de ingresos y una estrategia de precios construida con cuidado durante años. Todo eso había que reconstruirlo desde cero.
El bajo costo de DeepSeek no es un milagro. Es el resultado de una decisión arquitectónica concreta: Mixture of Experts (MoE). En lugar de activar todos los parámetros del modelo en cada llamada de inferencia, los modelos MoE activan solo una pequeña fracción del total de parámetros para cada token. En DeepSeek V4 Pro, solo unos 37.000 millones de parámetros se activan en cada pasada hacia adelante, aunque el modelo tiene cientos de miles de millones en total.
Esto importa muchísimo para el costo de inferencia. El cómputo necesario por token es mucho menor que en un modelo denso de capacidad equivalente. En la práctica, obtienes el conocimiento almacenado en un modelo enorme, pero pagas solo una fracción del cómputo en tiempo de ejecución.
💡 Piénsalo como un hospital con 500 especialistas. No todas las visitas de un paciente requieren que los 500 estén en la sala. El especialista adecuado se activa cuando hace falta. Los demás siguen disponibles, pero inactivos.
OpenAI y Anthropic tienen sus propias versiones de esta arquitectura, pero DeepSeek llevó la eficiencia de costos más lejos de lo que nadie había demostrado públicamente a esta escala y con este nivel de calidad.
La otra mitad de la historia es el costo del entrenamiento. DeepSeek publicó cifras que sugieren que V4 Pro se entrenó con una fracción del presupuesto de cómputo de modelos de frontera comparables, usando enfoques de destilación y optimizaciones de pipelines de datos que extrajeron la máxima señal de cada token de entrenamiento.
Esto importa porque rompe una suposición arraigada en la industria: que la IA de frontera exige capital de frontera. El argumento de OpenAI, Google y Anthropic siempre había sido que la calidad escala con el cómputo y que el cómputo cuesta miles de millones. Los entrenamientos publicados por DeepSeek sugerían que podías alcanzar una capacidad casi de frontera con decenas de millones, no con miles de millones, si tu arquitectura y tu pipeline de datos estaban bien afinados.
Que esa suposición fuera errónea no afecta solo a los precios. Afecta a las barreras competitivas, a la estrategia de competencia y a la defendibilidad a largo plazo de todos los modelos de negocio de IA cerrados.
OpenAI se movió más rápido que nunca en materia de precios. En cuestión de semanas tras el lanzamiento de DeepSeek V4 Pro, bajó de forma notable el precio de GPT-5 e introdujo nuevos niveles pensados para desarrolladores que antes quedaban fuera por el costo. El razonamiento era sencillo: si no respondían, todos los desarrolladores sensibles al costo se irían.
Los recortes fueron reales, pero no cerraron del todo la brecha. OpenAI se apoyó en las ventajas de su ecosistema: integración profunda con Microsoft Azure, fiabilidad en las llamadas a funciones, reconocimiento de marca entre compradores empresariales y amplitud de herramientas. Son ventajas genuinas. Pero ya no bastaban para justificar una prima de precio de 40 veces sobre la inferencia en bruto.
Claude Opus 4.7 y Gemini 3 Pro bajaron ambos sus precios en los meses siguientes al lanzamiento de DeepSeek V4 Pro. Anthropic recortó con agresividad el precio de Haiku, lo que convirtió a Claude 4.5 Haiku en uno de los modelos capaces más baratos disponibles. Google redujo casi a cero el precio de Gemini 2.5 Flash para aplicaciones por debajo de ciertos umbrales de uso.
💡 En resumen: lo que empezó como un evento de precios de DeepSeek se convirtió en un reinicio para toda la industria. En menos de seis meses, el costo medio de ejecutar un modelo de IA de frontera bajó alrededor de un 80% en todos los proveedores. Ese cambio no tiene precedente histórico en la industria del software.
Los beneficiarios no fueron las empresas que recortaron. Fueron los desarrolladores y las empresas que habían quedado completamente fuera del mercado por precio.
Piensa en lo que $1.000 al mes solían comprar a un desarrollador. Con los precios de 2023, esa cantidad cubría unos 33 millones de tokens de entrada de GPT-4. Bastante para una aplicación modesta, pero no para ejecutar nada a una escala relevante. Las cargas de producción que procesan documentos, responden preguntas de clientes, hacen revisiones de código o resumen investigaciones en volumen simplemente no podían ejecutarse de forma rentable a esas tarifas.
Tras la reducción de precios de DeepSeek, $1.000 al mes cubren más de 3.000 millones de tokens con varios modelos capaces. Eso no es un error de redondeo. Es la diferencia entre una idea que se queda en un cuaderno y un producto que llega a usuarios reales.
Las categorías que más se benefician de este cambio:
El cambio estructural más importante se da a nivel de startups. Antes de que llegara DeepSeek V4 Pro, una startup en fase inicial que intentaba crear un producto nativo de IA se enfrentaba a una dolorosa contrapartida: usar modelos baratos pero limitados para desarrollar, y luego afrontar un aumento repentino y a menudo fatal del costo al pasar a una inferencia de nivel de producción. Muchos productos murieron en ese cruce.
Esa limitación casi ha desaparecido. Una startup puede ahora prototipar, probar y lanzar con el mismo nivel de modelo que usan las grandes empresas, sin el salto de costos. La barrera competitiva que tenían las compañías más grandes por poder costear la inferencia de frontera se ha erosionado de forma notable.
Llama 4 Maverick Instruct y modelos de código abierto como Kimi K2 Instruct también forman parte de este cambio, y ofrecen opciones adicionales en la parte baja de la curva de costos para los equipos que quieren ejecutar su propia infraestructura de inferencia.
PicassoIA ofrece tres modelos DeepSeek que te permiten poner en práctica esta revolución de costos de inmediato, sin gestionar tus propias claves de API ni infraestructura.
DeepSeek R1 es el modelo de DeepSeek enfocado en el razonamiento, diseñado para tareas en las que necesitas que el modelo piense un problema paso a paso antes de responder. Destaca en:
Cómo usarlo en PicassoIA:
DeepSeek V3.1 es la versión de propósito general, muy adecuada para redactar, resumir, asistir en programación y tareas conversacionales. Ofrece un buen equilibrio entre velocidad y capacidad, sin la carga adicional de razonamiento de R1.
DeepSeek V3 sigue disponible como base sólida para tareas más sencillas en las que quieres generación de texto rápida y precisa sin exigir todo el nivel de capacidad de V3.1.
Ambos modelos conviven con el catálogo más amplio de modelos de lenguaje (LLM) de PicassoIA, que incluye GPT-5, Claude Opus 4.7, Gemini 3 Pro y Grok 4, para que puedas comparar directamente sin cambiar de plataforma.
La tensión más profunda que expuso DeepSeek V4 Pro no es solo cuestión de precios. Es el suelo de costo estructural de la inferencia de IA. Los modelos propietarios cerrados tienen un suelo definido por el costo de su infraestructura, sus pipelines de pruebas de seguridad, sus organizaciones de soporte y la necesidad de recuperar la inversión en entrenamiento.
Los modelos de código abierto y semiabiertos, como la serie DeepSeek, funcionan con un suelo completamente distinto. Una vez publicados los pesos, el costo marginal de ejecutar otra inferencia es puramente de cómputo. Sin licencias, sin márgenes incluidos en el precio de la API. Los proveedores de nube que compiten por alojar modelos de pesos abiertos empujan ese suelo aún más abajo.
Esto genera una presión estructural sobre todo proveedor cerrado. Deben encontrar ventajas de calidad y capacidad lo bastante significativas para justificar una prima, o bien acercarse a toda velocidad al suelo de costo del código abierto. La industria hace ambas cosas a la vez, y el punto de equilibrio todavía se desconoce.
Varias señales determinarán cómo evolucionan los precios de la IA en el próximo año:
💡 Si estás construyendo con IA ahora mismo, la decisión más importante no es qué modelo usar. Es elegir una plataforma que te dé flexibilidad de modelos para que puedas adaptarte a medida que cambie el mercado.
El cambio de precios que desencadenó DeepSeek V4 Pro no es solo una buena noticia para las hojas de cálculo de costos. Es una señal de que el límite de lo que puedes construir con IA ha cambiado de forma profunda. Aplicaciones que hace seis meses requerían un equipo bien financiado y un presupuesto de API considerable hoy caben sin problemas en el proyecto de fin de semana de un desarrollador en solitario.
PicassoIA te da acceso a DeepSeek R1, DeepSeek V3.1, DeepSeek V3, GPT-5, Claude Opus 4.7, Gemini 3 Pro, Grok 4 y decenas de otros modelos en un solo lugar. Compara resultados, prueba prompts entre familias de modelos y cambia de uno a otro sin fricción.
Sin hojas de cálculo. Sin compromisos. Solo un prompt y un modelo que de repente es muy asequible.
Entra en picassoia.com/en/all-models y empieza a construir cuando el costo ya no sea el obstáculo.
Elige tu idioma
