Entrenar IA cuesta menos en inferencia y fine-tuning, pero más en la frontera

El coste de usar modelos cae hasta 280 veces desde 2022 (Stanford HAI), y el fine-tuning ahorra un 60–90 % frente a entrenar desde cero. Entrenar un LLM de frontera, en cambio, sigue subiendo: ~2,4× al año según Epoch AI.

Hay dos economías de la IA que conviene no mezclar. Usar modelos (inferencia) y adaptarlos (fine-tuning) es cada vez más barato. Entrenar un modelo de frontera desde cero es cada vez más caro. Confundir ambas tendencias lleva a titulares engañosos del tipo «entrenar IA cuesta un 40 % menos», que no reflejan la realidad del preentrenamiento a escala GPT-5 o Kimi K3.

Según el AI Index 2025 de Stanford HAI, el precio para ejecutar una consulta al nivel de GPT-3.5 pasó de unos 20 $ a unos 0,07 $ por millón de tokens entre noviembre de 2022 y octubre de 2024: una caída de más de 280 veces. Epoch AI documenta caídas de precio de inferencia de entre 9× y 900× al año según benchmark y umbral de rendimiento. Eso beneficia directamente a empresas y desarrolladores que consumen APIs.

Fine-tuning: la vía asequible para empresas y consorcios

• Adaptar un LLM abierto de 7B–70B cuesta 150.000–750.000 $ todo incluido (TechAhead, 2026).
• Fine-tuning eficiente (LoRA, QLoRA) reduce coste un 60–90 % frente a preentrenar (Galileo AI).
• Un hospital o administración con datos curados puede especializar un modelo por fracción del coste de frontera.

Preentrenamiento de frontera: la curva que sube

Epoch AI estima que el coste de entrenar un modelo puntero crece ~2,4× al año desde 2016. Referencias públicas: GPT-3 (~4,6 M$, 2020), GPT-4 (~78 M$, 2023), estimación GPT-5 (1.500–3.000 M$ en programa completo, 2025). DeepSeek V3 logró un entrenamiento de cómputo por ~5,6 M$ con optimización agresiva, pero no representa la media del sector.

Escenario hipotético: universidad española con modelo sectorial

Un consorcio universitario español podría, en un escenario plausible, fine-tunar un Llama 3 de 70B con 50.000 documentos jurídicos en español por 200.000–400.000 € (datos + cómputo + ingeniería), obteniendo un modelo especializado competitivo en su nicho. Preentrenar ese modelo desde cero costaría órdenes de magnitud más. El foso defensivo ya no es solo cuánto gastas en GPUs, sino qué datos propios tienes.

El coste de entrenamiento de frontera sube ~2,4× al año; el de inferencia cae más de 280× en dos años. Son dos mercados distintos.

— Síntesis Epoch AI + Stanford HAI

Fuentes consultadas

• Stanford HAI, AI Index 2025 — tendencias de precio de inferencia.
• Epoch AI — coste de entrenamiento y proyecciones (epoch.ai).
• Capital & Compute / Galileo AI — desglose coste fine-tuning vs. pretraining.