Con 20.000 dólares de inferencia al mes, un euro más débil cuesta unos 1.400 € mensuales. Así funciona una startup española que integra un modelo de lenguaje: cobra cuotas fijas en euros y paga cada petición en dólares. Esa asimetría explica casi todas las sorpresas de margen cuando el producto empieza a crecer.
Cada alta consume cómputo: el margen se decide en la arquitectura
Un producto de IA financieramente escalable no sale por suerte. Exige tratar la economía del modelo como una restricción de diseño desde el primer sprint.
En el SaaS clásico, un usuario más apenas cuesta. Aquí cada alta consume cómputo real. Por eso un margen negativo crece con cada alta.
Un coste de inferencia alto se puede corregir. Lo caro es descubrirlo cuando ya hay tráfico. Las decisiones que fijan el coste se toman en la arquitectura: qué modelo responde, cuánto contexto se recupera, qué longitud tiene la salida y en qué región se procesa. Una revisión de precios posterior solo reparte el daño.
La inferencia manda. Cada interacción cuesta según la longitud del prompt y de la salida, la familia de modelo, las consultas de recuperación de documentos, el tamaño del contexto y el razonamiento en varios pasos. La IA no opera con costes marginales cercanos a cero. Modelar el coste por solicitud, por usuario y por tarea, con un escenario favorable y otro desfavorable, separa una previsión de una corazonada.
Debajo, la infraestructura. Bases vectoriales, embeddings e indexación, limpieza de datos, GPU, observabilidad y registros. Estos costes suben con el volumen de datos, la concurrencia y las exigencias de latencia.
Mantener el modelo vivo. Hay que detectar cuándo el modelo empieza a responder peor con el tiempo (la deriva), reentrenarlo, comprobar su calidad de forma continua, tener sistemas de reserva por si algo cae y vigilar la seguridad. Casi nadie lo presupuesta al principio. A lo largo de la vida del producto, suele pesar más en el coste total que el desarrollo inicial.
Soporte y operaciones. Se disparan justo cuando aparecen alucinaciones o el modelo cambia de comportamiento tras una actualización del proveedor. Esa carga crece con el mercado, así que entra en la economía unitaria desde el primer día.
Hay una buena noticia, aunque engaña. El precio por token de una misma capacidad lleva años bajando deprisa, y cada generación de modelos hace más barato lo que antes era caro. Mientras tanto, los productos piden más contexto, más pasos de razonamiento y más llamadas por tarea, de modo que la factura total puede subir aunque el token sea más barato. Lo que conviene vigilar es el coste por tarea completada, que es el que de verdad paga la empresa.
Un 8 % por el dólar y un 10 % por la región
Los grandes proveedores facturan en dólares. Si tu suscripción está en euros, el tipo de cambio entra directo en el margen bruto. Y no aparece en ningún panel de producto.
El cálculo. Con una factura de 20.000 dólares al mes, pasar de 1,17 a 1,08 dólares por euro sube el coste de unos 17.100 € a unos 18.500 €. Son alrededor de un 8 % más sin cambiar una línea de código ni el uso.
Hay tres maneras razonables de gestionarlo. Una empresa pequeña presupuesta con un tipo de cambio prudente y revisa cada mes el margen por cohorte en euros. Con volúmenes mayores, finanzas cubre parte del gasto previsto con su banco. En contratos Enterprise largos conviene una cláusula de revisión anual ligada al coste de infraestructura. Los departamentos de compras españoles la aceptan mejor explicada con números que escondida en letra pequeña.
La segunda pregunta llega pronto en España: dónde se procesan los datos. Banca, seguros, salud y administración pública la plantean en la primera reunión, y piensan en la Agencia Española de Protección de Datos. Hay infraestructura local: AWS abrió su región de Aragón en noviembre de 2022 y Google Cloud inauguró la de Madrid en mayo de 2022. Lo que no siempre se calcula es lo que cuesta quedarse en ella.
Las variantes regionales de los modelos suelen tener un catálogo más corto y otro precio. Anthropic, por ejemplo, documenta para sus modelos recientes en Amazon Bedrock y Google Cloud un recargo del 10 % en los endpoints regionales y multirregionales frente a los globales.
La letra pequeña. Los dos recargos se multiplican: 1,08 por 1,10 da casi un 19 % más sobre la partida variable más grande. La regla práctica: ofrece el procesamiento regional como opción del plan Enterprise, con su propio precio. Si un cliente no pide residencia en la UE, el recargo no tiene por qué pagarlo el resto de la cartera.
Cinco palancas bajan el coste por petición, y la caché va primero
Optimizar la inferencia es la vía más rápida hacia la escalabilidad financiera. Casi todo el ahorro sale de cinco movimientos.
1. Prompts más cortos y caché de prefijo. Quitar contexto redundante, forzar salidas estructuradas y afinar las instrucciones. Con las tarifas habituales, leer desde caché cuesta en torno al 10 % del precio de entrada y escribir en ella, algo más que una entrada normal, así que la caché se amortiza desde la primera reutilización.
Pongamos un asistente con un prefijo fijo de 6.000 tokens que recibe 200.000 peticiones al mes. A 3 dólares por millón de tokens de entrada, solo repetir ese prefijo cuesta 3.600 dólares al mes. Si el 90 % de las peticiones lo lee desde caché, la partida baja a unos 684 dólares: 324 por las lecturas y 360 por el 10 % que no acierta, más las escrituras. Es un ahorro del 81 %.
El ahorro desaparece si el prefijo cambia en cada petición. Pasa, por ejemplo, cuando los documentos recuperados van delante de las instrucciones fijas.
2. Enrutamiento. Cada solicitud va al modelo más barato que todavía cumple el listón de calidad. Se prueba primero con un modelo pequeño y se sube a uno mediano o grande solo si hace falta, o se decide según lo seguro que está el modelo de su respuesta. Cuando la mayoría de consultas son sencillas, la factura cae mucho. El ahorro real depende de la mezcla de consultas y hay que medirlo con tu tráfico.
Pero el enrutamiento cambia la calidad de la respuesta. Antes de activarlo necesitas un conjunto de evaluación propio que demuestre que el modelo barato aguanta. Por eso va después de la caché, que no toca la calidad.
3. Techo a la respuesta. El token de salida suele costar varias veces más que el de entrada. Producto define la longitud y el nivel de detalle; ingeniería lo implementa.
Con las mismas 200.000 peticiones, recortar la respuesta media de 800 a 400 tokens ahorra 80 millones de tokens de salida al mes. A 15 dólares por millón, son 1.200 dólares mensuales. El riesgo está en cortar respuestas que el cliente necesitaba completas; por eso el techo se valida mirando también las quejas y los reintentos.
4. Recuperación más barata. Un sistema RAG busca en tus documentos antes de responder. Eso añade costes: convertir textos en vectores (embeddings), buscarlos y ordenar los resultados. Se contienen guardando en caché los vectores ya calculados, con índices más ligeros y comprimiendo los textos según el sector.
5. Lotes y procesos asíncronos. Los proveedores rebajan con fuerza las peticiones por lotes a cambio de no responder en tiempo real. Encaja con análisis masivos, generación de contenido, evaluación de modelos y clasificación nocturna. Con un descuento del 50 %, una clasificación nocturna de contratos que cuesta 1.000 dólares en tiempo real se queda en 500. La condición es que nadie espere la respuesta en pantalla: el lote puede tardar hasta 24 horas.
Con tarifa plana, el usuario intensivo te cuesta 23 € al mes
El precio tiene que reflejar el coste de servir y el valor entregado. Ahí la tarifa plana se rompe. Supone coste estable por usuario y uso previsible, y la IA incumple ambas cosas. Bastan unos pocos usuarios intensivos para llevarse el margen entero.
El cobro por uso alinea ingresos y costes. A cambio frena la adopción y complica la comunicación, sobre todo con pymes y autónomos que quieren saber cuánto pagan al mes. Por eso el híbrido suele ganar: una suscripción que cubre el uso básico más créditos para el resto.
Imaginemos un plan de 49 € al mes, sin IVA, que incluye 1.000 tareas, cada una con un coste de 0,012 € en cómputo. El cliente medio hace 400 tareas: cuesta 4,80 € y deja 44,20 € de margen. Un usuario intensivo hace 6.000 tareas y cuesta 72 €. Con tarifa plana pierdes 23 € con él cada mes.
Con el híbrido, sus 5.000 tareas extra a 0,02 € suman 100 €. Paga 149 € y deja 77 € de margen. El cliente medio no nota nada. El intensivo deja de estar subvencionado por los demás.
El plan gratuito merece su propia cuenta. Supón un límite de 50 tareas al mes: cada usuario gratuito cuesta como mucho 0,60 € en cómputo. Con 10.000 usuarios gratuitos son 6.000 € al mes. Si el 3 % pasa al plan de pago, 300 clientes dejan 13.260 € de margen, y el embudo se paga. Si la conversión cae al 1 %, los 100 clientes dejan 4.420 € y el plan gratuito pierde dinero. El límite gratuito, por tanto, se calcula con la conversión real; lo que haga la competencia es secundario.
Queda la pregunta de qué cobras exactamente. Cobrar por valor entregado (tareas completadas, documentos procesados, horas ahorradas) pega el precio a lo que el cliente percibe. Y evita discutir de tokens con un director financiero que no sabe ni quiere saber qué es un token.
El payback por cohorte marca la velocidad de crecimiento
La rentabilidad sale del cruce entre uso, retención y control de costes. El LTV (lo que deja un cliente durante toda su relación contigo) solo sirve en IA si le restas lo que cuesta atenderlo: cómputo, soporte e infraestructura. También hay que tener en cuenta la probabilidad de que se dé de baja o de que amplíe su plan.
LTV_net = LTV_ingresos menos Coste Variable Total
El CAC arrastra riesgos propios de la IA, porque cada alta genera coste desde el primer minuto. Hay incorporación más compleja, picos de soporte tempranos y un plan gratuito que algunos exprimen. El periodo de recuperación del CAC pone el límite de velocidad. Como objetivos de planificación orientativos, no como estándares publicados, sirven estos plazos:
- IA de consumo: < 6 meses
- IA prosumer: 6-9 meses
- SaaS B2B de IA: 12-18 meses
Con el plan de 49 € y un CAC de 600 €, el cliente medio deja 44,20 € al mes. El payback es 600 / 44,20, unos 13,6 meses: dentro de la ventana B2B. Si ese cliente pasa a 900 tareas, el cómputo sube a 10,80 € y el margen baja a 38,20 €. El payback se alarga a 15,7 meses sin que nadie toque el precio. Dos meses parecen poco, pero son un 15 % más de tiempo con la caja esperando a recuperar cada alta.
Nada de esto se promedia bien. El margen depende del patrón de uso, la complejidad de la tarea, el sector y la carga de soporte. La economía por cohortes decide qué segmentos priorizas.
Un patrón frecuente en el mercado español. Los despachos profesionales usan poco y pagan puntual. Las agencias de marketing exprimen la generación de contenido a final de mes. Con la misma cuota, uno sostiene el margen y el otro lo consume.
Los malos trimestres conviene ensayarlos antes de que lleguen. Simula una subida del coste de cómputo, un crecimiento inesperado de usuarios, el abuso de contextos largos, el uso abusivo del plan gratuito y un movimiento brusco del euro frente al dólar. Si el margen aguanta el peor de ellos sumado a otro a la vez, el plan tiene colchón.
El análisis de sensibilidad afina esa foto: cambias una sola variable cada vez y miras cuánto se mueve el margen. Variar el tamaño del modelo, la longitud del contexto, el número de documentos recuperados o los reintentos por alucinaciones enseña dónde está el impacto real. Una advertencia: estos modelos no predicen la demanda. Solo dicen qué palanca mueve más el margen si la demanda llega.
Encima va la previsión a varios trimestres: precio de los modelos, crecimiento de usuarios, coste por usuario y LTV por cohorte. Con precios que caen cada año, la tentación es presupuestar ya la bajada. Es más prudente planificar con el precio actual y tratar cada rebaja del proveedor como colchón.
¿Caché o enrutamiento? Seis dudas que deciden el margen
¿Cuál es la métrica clave para una IA financieramente escalable?
El coste por tarea completada, en euros y por cohorte. Reúne en un número el valor, el comportamiento del modelo y la viabilidad económica.
¿Cómo elegir un modelo de precios para IA?
Compara suscripción, cobro por uso e híbrido con tus patrones de consumo reales. Decide después de comprobar el margen, los límites de uso y lo fácil que le resulta al cliente entender cuánto pagará.
¿Hay que procesar los datos en España o en la UE?
Depende del cliente y del tipo de datos. Si lo exige, ofrécelo como opción con su propio precio, porque los endpoints regionales suelen ser más caros.
¿Cuándo escalar la inversión comercial?
Cuando el LTV_net es estable, el payback es previsible y el coste por tarea completada baja trimestre a trimestre.
¿Qué va primero, la caché o el enrutamiento?
La caché. No cambia la calidad de la respuesta y se activa en días. El enrutamiento sí la cambia y exige un conjunto de evaluación. Si tu prefijo cambia en cada petición, la caché apenas ahorra; entonces arregla primero la estructura del prompt.
¿Cuál es el mayor riesgo financiero al escalar IA?
El uso descontrolado, sobre todo las consultas largas o de varios pasos. Le sigue de cerca el tipo de cambio si nadie lo vigila.
Medir, cachear, enrutar y solo después tocar el precio
Nada funciona si el PM no adquiere soltura financiera: modelado de costes, diseño de precios, experimentación y previsión. La responsabilidad, aun así, no es de una sola persona. Producto, ingeniería, finanzas, ciencia de datos, cumplimiento y ventas la comparten. Es la gobernanza transversal propia del PM en empresas grandes: coordinar a varios equipos que deciden juntos.
Esa responsabilidad se concreta en límites: un coste máximo por solicitud, condiciones claras del plan gratuito, umbrales de respaldo, reglas de enrutamiento y ventanas de payback aceptables. Sin esos topes, cualquier optimización se deshace cuando el uso crece.
El orden de ataque es este:
- Mide el coste por tarea completada por cohorte, en euros. Sin ese número, todo lo demás son suposiciones.
- Activa la caché de prefijo y pon techo al contexto y a la salida. No tocan la calidad y suelen dar el ahorro más rápido.
- Enruta entre modelos, solo con un conjunto de evaluación que demuestre que el barato aguanta el listón.
- Rediseña el precio hacia un híbrido que traslade el uso extremo a quien lo genera.
Dejar el precio para el final es deliberado: evita empaquetar un margen que todavía no entiendes. Y ese margen no tiene por qué imitar al del SaaS puro. Un margen más bajo pero estable, como el que ya describía un análisis de 2020 sobre el negocio de la IA, sostenido por cohorte y cubriendo el CAC, vale más que un 80 % nominal que se evapora al crecer.
La trampa contraria es muy de ingeniería: perseguir el modelo más barato antes de saber qué consultas justifican el más caro. Un producto de IA rentable es una máquina de poner cada euro de cómputo caro donde el cliente nota la diferencia.