El 16 de octubre de 2026, a las 10:15 de la mañana, se congeló el código en el AWS Breaking Barriers de Beauchef 851. Cuatro personas y un agente construimos un sistema de triaje para una fundación de educación inicial en 72 horas. Quedamos segundos entre más de 25 equipos — todos con acceso al IDE agéntico de AWS y créditos ilimitados de modelos de frontera.
El costo de operación de nuestro agente durante esos tres días fue de tres dólares con cuarenta y un centavos.
No es una anécdota de frugalidad. Es un dato de mercado. Y es el dato que explica por qué Sam Altman necesita que creas que la inteligencia vive en los pesos, por qué Dario Amodei necesita que creas que el freno es la seguridad, y por qué Jensen Huang —que le vende las palas a los dos— es el único de los tres que está tranquilo.
Porque una factura no es una opinión. Se puede auditar, se puede reconciliar al centavo, y no negocia.
La tesis, en una línea. La industria valoró a OpenAI y Anthropic como si fueran dueñas del motor. La factura dice que el motor costó $3,41 por 446,9 millones de tokens. El valor estaba en otra parte: en el enrutamiento — el harness, la memoria, la ingeniería de contexto. Y por eso los laboratorios no pueden corregir la atribución: corregirla no es una aclaración técnica, es entregar el argumento de venta contrario.
0. Nota de método: qué es hecho, qué es cálculo propio y qué no vamos a afirmar
Antes de los números, la separación. En este artículo hay tres tipos de afirmación y conviene no confundirlas, porque el tema invita a la exageración en las dos direcciones.
| Tipo | Qué incluye | Cómo leerlo |
|---|---|---|
| Hecho verificable | La factura de la API (tokens, tarifas, fechas), el resultado del hackatón, las citas textuales de Karp y Almeida, los precios de lista de los modelos, los anuncios de adquisiciones y joint ventures | Fuente citada al pie. Se puede auditar. |
| Cálculo propio | El contrafactual a precios de frontera, el costo por petición, la ratio input/output, el efecto del cambio de tarifa | Supuestos explícitos y mostrados en tabla. Cambia un supuesto y cambia el resultado — y lo decimos. |
| Interpretación | Que la no-corrección de la atribución es un incentivo y no un accidente | Es lectura, no hecho. La marcamos como tal cada vez. |
Lo que no vamos a afirmar: que los laboratorios mientan (no tenemos evidencia de eso y no lo necesitamos), que el harness haga irrelevantes a los modelos (no lo hace), ni que un hackatón sea un benchmark (no lo es). Lo que sí afirmamos es más estrecho y más incómodo: la capa donde se movió el retorno marginal no es la capa que sostiene la valuación, y la factura es la prueba de que esa capa se puede comprar por menos que un café.
1. El recibo
Los datos salen del archivo de consumo de la API correspondiente a octubre de 2026, con granularidad diaria y zona horaria de Chile. La ventana del hackatón fue miércoles 14, jueves 15 y viernes 16 de octubre. No lo afirmamos porque lo recordemos: la curva de consumo dibuja el evento con precisión de sismógrafo.
| Fecha | Costo | Contexto |
|---|---|---|
| 11 de octubre | $0,1101 | Línea base (domingo) |
| 12 de octubre | $0,2322 | Preparación previa |
| 13 de octubre | $0,0929 | Día previo al evento |
| 14 de octubre | $0,9467 | Día 1 — acreditación 09:00, kickoff |
| 15 de octubre | $1,8452 | Día 2 — el día que se rompió main |
| 16 de octubre | $0,6221 | Día 3 — congelar 10:15, pitch 15:00 |
| 17 de octubre | $0,1114 | Vuelta a línea base |
La línea base era de diez a treinta centavos diarios. Los tres días del hackatón son 3x, 8x y 2x esa base. El día de mayor consumo no llegó a dos dólares. El total de los tres días fue de $3,4140.
Ahora el detalle completo:
| Métrica | Valor |
|---|---|
| Ventana medida | 14–16 de octubre de 2026 (3 días) |
| Costo total facturado | $3,4140 USD |
| Tokens totales procesados | 446.913.299 |
| — de entrada | 445.076.846 |
| — de salida (lo que se escribió) | 1.836.453 |
| Acierto de caché sobre la entrada | 442.541.440 tokens = 99,43% |
| Peticiones | 1.469 |
| Costo mezclado | $0,007639 por millón de tokens |
| Costo por petición | $0,002324 |
| Ratio entrada:salida | 242 : 1 |
| Modelo utilizado | Gama baja (deepseek-flash), no frontera |
| Conciliación | tokens × tarifa = $3,4140 · diferencia $0,000007 |
El último renglón es el importante. El número no está reportado desde un panel: está reconciliado. Recalculamos la factura multiplicando cada token por su tarifa, y la suma cuadra con el archivo de costos con una diferencia de siete millonésimas de dólar. Eso significa que nadie puede desarmar el dato diciendo que el dashboard miente.
🩻 El detalle que casi nadie nota: la tarifa se duplicó un día antes
| Tipo de token | Hasta el 12 de octubre | Desde el 13 de octubre |
|---|---|---|
| Acierto de caché | $0,0030 / M | $0,0060 / M |
| Fallo de caché | $0,1500 / M | $0,3000 / M |
| Salida | $0,6000 / M | $1,2000 / M |
Competimos al doble de la tarifa de la semana anterior. Los $3,41 no son el residuo de una promoción ni de un precio subsidiado de lanzamiento: son el precio vigente, y ya duplicado. Esa línea elimina por adelantado la objeción más cómoda.
⚠️ Lo que este número no incluye
Esta parte la escribimos nosotros antes de que la escriba un comentario hostil, porque el dato solo vale si se presenta completo. El número incluye únicamente la inferencia del modelo, facturada por la API. No incluye el servidor privado donde corre el agente (amortizado, centavos diarios), el tiempo de las cuatro personas del equipo, los créditos de la plataforma de AWS (gratuitos durante el evento), ni el café — que costó más que la factura.
Y el encuadre correcto: esto no es un benchmark, es una prueba de existencia. No dice que el harness gane en promedio. Dice que existe al menos un sistema que, operando sobre un modelo de gama baja, compitió cabeza a cabeza con más de 25 equipos con créditos ilimitados de modelos de frontera, por $3,41. Una prueba de existencia tiene n=1 por definición, y el argumento "pero es un solo caso" no la refuta: la describe.
2. 242:1 — la firma del harness
Hay un número en esa tabla que merece su propia sección, porque es el que revela qué clase de carga de trabajo era: 242 tokens de entrada por cada token de salida.
Piensa en lo que significa. El sistema releyó un contexto enorme 1.469 veces. Eso es exactamente lo que hace un harness agéntico — acumular estado, arrastrar historia, reinyectar herramientas y resultados en cada vuelta — y es exactamente lo que no hace un chatbot, que opera en una ratio de 5:1 o 10:1.
Dicho de otro modo: el trabajo era estructuralmente caro. No elegimos una tarea barata. Elegimos la clase de tarea que arruina a cualquiera que no tenga ingeniería de contexto, y la resolvimos con 99,43% de acierto de caché.
La distinción que sostiene todo el artículo. No abaratamos la tarea: abaratamos el acceso a la tarea. El cómputo que habría hecho cualquier otro agente era el mismo orden de magnitud. La diferencia no fue el cerebro — fue el cuerpo: memoria que persiste entre sesiones, skills procedurales, un grafo de conocimiento y un verificador que borra lo que no puede citar.
Y aquí hay dos capas de ahorro, no una. La primera es el precio del modelo. La segunda es la ingeniería de caché. Solo la primera es del proveedor. La segunda es del que construye. Esa asimetría es el tema de la sección siguiente.
3. El contrafactual: cuánto habría costado el mismo volumen en frontera
Los siguientes escenarios no son lo que gastaron los otros equipos. Son lo que habría costado procesar exactamente el mismo volumen de tokens (446,9 millones) con precios de lista de modelos de frontera. Con créditos ilimitados, lo más probable es que procesaran más volumen, no menos: si algo, la brecha se multiplica.
| Escenario (mismo volumen: 446,9 M tokens) | Costo | Múltiplo |
|---|---|---|
| Lo que hicimos — modelo de gama baja + caché 99,43% | $3,41 | 1x |
| Frontera media ($3 / $15 por M) · sin caché | $1.363 | 399x |
| Frontera media ($3 / $15 por M) · caché 99,4% al 10% del precio | $168 | 49x |
| Frontera alta ($15 / $75 por M) · sin caché | $6.814 | 1.996x |
| Frontera alta ($15 / $75 por M) · caché 99,4% al 10% del precio | $840 | 246x |
Supuestos: precios de lista públicos de la familia correspondiente; descuento de lectura de caché del 90% sobre el precio de entrada; distribución de tokens idéntica a la nuestra; sin caché significa que los 445 millones de tokens de entrada se pagan completos. Los múltiplos son sensibles a estos supuestos — pero el orden de magnitud no: ningún ajuste razonable convierte 49x en 2x.
Lee los dos renglones del medio. Incluso un equipo que hubiera hecho exactamente nuestra misma ingeniería de caché — el mismo 99,4% — habría pagado entre 49x y 246x más, solo por la elección de modelo. Y un equipo que no la hiciera, entre 399x y 1.996x más.
El diferencial que el mercado no está valorando tiene dos capas, y solo una es del modelo. La capa del modelo es la que se compra con capital y por lo tanto se commoditiza. La capa del enrutamiento es la que se diseña con criterio y por lo tanto no se compra con capital. Toda la discusión sobre valuaciones ignora la segunda, y la segunda es la que produjo el resultado.
4. Lo que esto no prueba (y por qué igual importa)
Cuatro cosas que este dato no demuestra, para no vender humo:
Uno. No demuestra que el harness haga irrelevantes a los modelos. Un harness sobre un modelo de juguete no produce nada. El harness amplifica capacidad latente; no la crea. Si el modelo no tuviera nada que amplificar, el resultado sería cero.
Dos. No demuestra que un modelo abierto sea mejor que uno cerrado en capacidad absoluta. En las tareas más duras de razonamiento, los modelos de frontera siguen adelante — por márgenes que se han estrechado a un dígito, pero siguen adelante.
Tres. No es un benchmark ni una muestra representativa. Es un caso, con un equipo, en un problema, en un fin de semana.
Cuatro. No mide el costo total de propiedad. Mide una línea de la factura.
Y sin embargo importa, por una razón muy concreta: falsifica la necesidad. La tesis que sostiene la prima de valuación de los laboratorios de frontera no es que sus modelos sean buenos — es que sin acceso a ellos, a su escala y a su capital, no se puede competir en la capa de aplicación. Este dato demuestra que sí se puede. No siempre, no en todo, no mejor. Pero se puede, y a tres órdenes de magnitud menos costo.
Una condición necesaria rota no se arregla con más ejemplos en la misma dirección.
5. Alex Karp ya lo dijo — y lo dijo con contratos de defensa
Si el argumento se quedara en un hackatón, sería una anécdota. Pero no se queda ahí. El 1 de julio de 2026, en el Squawk Box de CNBC, el CEO de Palantir fue a hablar de una alianza de chips con NVIDIA y en cambio desarmó el modelo de negocio de los laboratorios de frontera. Lo que dijo, textual:
"Nuestro stack soberano, impulsado por modelos Nemotron y por la Ontología, está entregando capacidades que superan a la frontera y proporcionando cualidades de protección de alfa que no están disponibles de otra manera."
"Cuando hicimos ajuste fino de modelos abiertos entrenados con nuestros propios datos, pudimos superar a los modelos de frontera en menos de 48 horas. El costo de nuestro modelo ajustado fue 95% menor."
Y los datos que rodean el caso: el costo de licencia de los pesos Nemotron es de cero dólares; el diferencial de costo reportado por Karp es de −95%; y el caso documentado de Thinking Machines con Bridgewater reporta modelos abiertos especialistas venciendo a la frontera cerrada en tareas comparables a aproximadamente 1/14 del costo.
El marco retórico que acompañó la entrevista es igual de relevante: Karp llamó a la industria "effing insane", dijo que la tecnología fue "irresponsablemente sobrevendida", y acuñó la frase que describe el mecanismo mejor que cualquier paper: los laboratorios están cobrando un "impuesto al patrimonio" sobre la empresa americana. Ese día, la acción de Palantir subió más del 9%.
Inoculación obligatoria. Karp está vendiendo algo: su stack soberano, a gobiernos y a empresas reguladas que quieren dejar de rentar inteligencia. Su incentivo es exactamente tan intenso como el de los laboratorios, en la dirección opuesta. Por eso la formulación correcta no es "Karp tiene razón" sino la que ya circula en el análisis financiero: una señal real dentro de una afirmación interesada. Que sea interesado no invalida el número — lo convierte en dato de mercado. Y cuando vendedores con incentivos opuestos convergen en el mismo diagnóstico, la convergencia vale más que cualquier testimonio individual: los sesgos se anulan entre sí.
6. Diogo Almeida ya lo dijo — y él inventó el RLHF
El segundo testimonio tiene más peso del que aparenta, porque viene de adentro. Diogo Almeida fue miembro del equipo de post-entrenamiento de OpenAI y es co-autor de GPT-4, de ChatGPT y de la línea de trabajo de RLHF e InstructGPT. Es decir: la receta que hizo posible ChatGPT salió, en parte, de su equipo.
En el AI Engineer World's Fair 2026 presentó una jerarquía que es, literalmente, el inverso de la "Bitter Lesson" de Rich Sutton — el manifiesto fundacional del "solo escala". Sus palabras:
"La Bitter Lesson de Sutton es que el cómputo importa más que los algoritmos. Eso es cierto en los juegos, pero no es cierto en la realidad. Creo que el stack completo es que los datos importan más que el cómputo, y que hacer la tarea correcta importa mucho más que los datos."
La jerarquía, de menor a mayor importancia: algoritmo → cómputo → datos → hacer la tarea correcta. En la misma charla calificó la era de ChatGPT como "un desvío raro", dijo que "las scaling laws originales estaban equivocadas", y se autodefinió en pantalla como "compute skeptic".
Y hay un corolario que conecta directo con la factura: Almeida sostiene que RLHF optimiza preferencia humana, no ejecución de tareas. El sobreprometer no es un defecto — es una característica del objetivo. Y añade la frase que resume nuestro hallazgo mejor que nosotros: "más agéntico no significa más autónomo".
Traducido: la capa que produce la impresión de capacidad — el agente que itera, que usa herramientas, que recuerda — es la capa sobre la que el capital no tiene ventaja estructural, porque es software y criterio, no silicio ni gigavatios.
7. El mecanismo: no mienten. No corrigen.
Aquí llegamos al punto que más incomoda, y conviene formularlo con precisión quirúrgica, porque la versión burda es fácil de descartar y la precisa no.
La versión burda: "los laboratorios mienten sobre lo cerca que están de la inteligencia general". Esa versión es indemostrable, innecesaria, y le regala a tu oponente la salida fácil.
La versión precisa: hay una asimetría de atribución, y nadie tiene incentivo en corregirla.
| Lo que el mercado observa | Lo que técnicamente ocurrió | Quién lo sabe |
|---|---|---|
| "El modelo se volvió mucho más capaz" | Se rediseñó el harness y el objetivo | El equipo que lo rediseñó |
| "Estamos más cerca de la inteligencia general" | Se mejoró el enrutamiento de capacidad latente | El equipo que hizo el enrutamiento |
| "La brecha con el código abierto es enorme" | La brecha es de un dígito y se cierra | Todos, y por eso se pide regulación |
Los laboratorios no descubren por la prensa de qué está hecho su propio producto. Son los que escribieron el harness. Saben exactamente qué parte del demo es andamiaje y qué parte es pesos. El desfase no está entre lo que dicen y lo que es: está entre lo que dicen y lo que dejan de corregir cuando el mercado atribuye mal.
Y no pueden corregirlo, porque la corrección sería esta frase, dicha en voz alta y antes de una salida a bolsa: "el salto que te impresionó no vino de los pesos; vino de software que cualquiera puede replicar, sobre un modelo que está a un dígito porcentual de uno gratuito". Eso no es una aclaración técnica. Es la tesis de inversión contraria.
La formulación que no se puede rebatir. Su narrativa de producto requiere que capacidad ∝ parámetros. Su ingeniería sabe que capacidad = parámetros × objetivo × harness. La prima de valuación vive entera dentro de ese paréntesis. No admitirlo no requiere deshonestidad de nadie: requiere solamente que nadie corrija al mercado cuando el mercado se equivoca a tu favor.
El test del cheque, no del keynote
Si no quieres depender de leer intenciones, hay un falsador limpio: mira la asignación de capital, porque el capital no negocia.
Si los laboratorios creyeran que el cuello de botella sigue estando en el sustrato, gastarían en cómputo. Si creen que está en el enrutamiento, gastan en harness, en adquirir harness, y en servicios de implementación. Esto es lo que hicieron en doce meses:
| Movimiento | Qué se compró | Capa |
|---|---|---|
| OpenAI ficha al creador de un harness agéntico abierto | Talento de orquestación, no parámetros | Harness |
| Anthropic lanza su producto estrella de 2026 | Un harness de código, sobre modelos RLHF | Harness |
| Anthropic + Blackstone crean una firma de implementación | ~$1,5 mil millones, ingenieros embebidos | Servicios |
| OpenAI + TPG crean otra | $4 mil millones, perfil idéntico | Servicios |
| Producto de "soberanía" de datos en nube del cliente | Control de acceso, no de modelo | Acceso |
Cinco confesiones en un año, todas en la misma dirección, y ninguna anunciada con un benchmark de modelo. Ese es el dato. No hace falta psicología: hace falta leer el estado de flujo de caja.
8. Entonces por qué siguen valiendo lo que valen
Porque el precio de un activo no es una medida de su negocio: es una medida de la historia que el mercado acepta sobre su negocio. Y hay dos historias posibles para el mismo flujo de caja.
| Si el cuello de botella es… | El activo vale por… | Múltiplo |
|---|---|---|
| Volumétrico (cómputo, datos, escala) | Lo que puede comprar | Infraestructura / AGI |
| Organizacional (objetivo, harness, criterio) | Lo que puede diseñar | Software / servicios |
Si la evidencia empuja la aguja del primero al segundo, el mercado tiene que re-calificar el múltiplo. Y un múltiplo que se mueve de "historia de infraestructura" a "empresa de software con buen equipo de ingeniería" borra entre 60% y 80% de la capitalización sin que la empresa haga nada malo.
Eso es lo que hay que entender bien, porque es donde el debate se suele trancar: no es que el negocio muera. Es que la historia que justifica la prima deja de ser cierta. Para un inversionista que entró en la última ronda, un re-rating del 70% es indistinguible de un colapso.
Y la ironía que cierra el círculo: cada anuncio de agentes, de harness o de post-entrenamiento es una admisión de que la palanca se movió — y al mismo tiempo una prueba de que el cómputo ya comprometido pasó de ser la apuesta a ser el costo hundido.
9. Qué nos haría cambiar de opinión
Un análisis que no puede ser refutado no es un análisis. Estas son las condiciones que nos harían revisar todo lo anterior:
Primera. Un salto de escala real — no incremental — que restaure la separación entre modelo cerrado y abierto en razonamiento novedoso. Si el mejor modelo abierto vuelve a quedar a más de dos dígitos en un benchmark de razonamiento genuinamente nuevo, la lógica del sustrato vuelve a operar.
Segunda. Que el harness resulte más defendible que la escala. Si la ventaja de harness se demostrara dependiente de datos de uso propietarios acumulados (no replicables), entonces la capa de arriba también tendría foso — y el foso sería de los que ya están adelante.
Tercera. Que la regulación funcione de verdad como barrera de entrada. Si un laboratorio pequeño empieza a fracasar primariamente por costo de cumplimiento y no por distribución, la barrera legal sustituye a la barrera de capital — y el desenlace cambia.
Cuarta. Que el costo por tarea exitosa converja. Si el precio de la frontera cae lo suficiente como para que la ingeniería de caché deje de importar, la segunda capa de ahorro desaparece y queda solo la elección de modelo.
10. Cierre
El resumen honesto de todo esto cabe en tres frases.
Uno. La escala fue la palanca entre 2018 y 2023. Dejó de serlo. No porque no funcione — porque dejó de ser la que decide, y todo el "wow" posterior vino de las dos capas que no se compran con dólares: el objetivo del aprendizaje por refuerzo y el harness.
Dos. Los que construyen esas capas lo saben. No hace falta creerles ni acusarlos: basta con mirar qué compraron, a quién contrataron y qué producto lanzaron cuando la cámara estaba apagada.
Tres. Y hay una factura. 446.913.299 tokens. 1.469 peticiones. 99,43% de acierto de caché. Un modelo de gama baja. Tres dólares con cuarenta y un centavos. Segundo lugar entre más de 25 equipos con créditos ilimitados de modelos de frontera.
Karp no construyó un modelo mejor: construyó ontología, harness y despliegue soberano, y está vendiendo eso a gobiernos mientras los laboratorios le venden tokens al mismo cliente. Es el mismo modelo de negocio, con contratos de defensa y mejor abogado.
Y la conclusión que de verdad importa para quien tiene que decidir dónde construir mañana no es "usa modelos abiertos" — es más precisa y más útil:
La industria te vende el motor. El precio del motor es la historia que sostiene una prima de valuación. Y la factura dice que el motor cuesta $3,41 — porque el valor nunca estuvo en el motor. Estaba en el mango. En quién decide cómo se conduce, qué se recuerda y qué se verifica. Eso no se compra: se diseña.
¿Dónde está tu costo real? Si no puedes responder cuánto te cuesta una tarea exitosa — no un token, no una licencia, no un asiento — entonces no tienes control sobre tu operación de IA. Te ayudamos a medirlo, a bajar la segunda capa de ahorro, y a construir el harness que hace que el modelo sea reemplazable.