La paradoja de Veblen: qué le va a pasar al precio de la IA

Uno de los puntos emocionantes de los cambios profundos, producidos por la tecnología, las crisis y los movimientos socioeconómicos, es que nos obligan a revisitar lo que conocemos sobre teoría económica.

Y dentro de esta teoría, consustancial a estos movimientos profundos, nos vamos a las paradojas.

Hasta ahora la que hemos desempolvado es la paradoja de Jevons, que se puede resumir en lo siguiente: cuando un producto/consumo se vuelve más barato, pasa a consumirse mucho más, resultando en un coste mucho mayor por su mayor uso.

Esto es lo que ha ocurrido con el consumo de tokens y uso de la IA generativa; los tokens han pasado a reducir su precio entre 10 y 20 veces en los últimos 18 meses. En consecuencia, ha llevado a que individuos y sobre todo empresas hayan pasado a utilizarla mucho más, acabando gastando muchos más recursos en ella. También ha ocurrido lo mismo en la aparición de miles de soluciones que corren sobre IA.

Los datos son aplastantes, Anthropic ha pasado de una facturación anual (ARR) de 8 mil millones $ a finales de 2025 a 19 mil millones $ a cierre de febrero, superando ya a ChatGPT en estos momentos, en lo que se considera el crecimiento más rápido en ingresos de toda la historia.

Sin embargo aquí viene la paradoja, las GPU y CPU (los dos motores de procesamiento principales de cualquier computadora o dispositivo móvil) y las tarjetas de memoria escasean, y los rumores de los nuevos modelos como Claude Mythos sugieren que el precio se va a mover en sentido contrario; van a ser cada vez más altos (caros).

Este fin de semana, una filtración accidental de datos reveló el hermético modelo Mythos de Anthropic. Una entrada de blog filtrada lo describía como:

«Un salto cualitativo» en cuanto a capacidades, «puntuaciones notablemente más altas en pruebas de programación de software, razonamiento académico y ciberseguridad».

Anthropic ha afirmado que los modelos son muy caros de servir y van a ser muy caros para los clientes, en concreto entre 5 y 6 veces el coste de los modelos existentes.

De ser así, teniendo en cuenta que Anthropic se hace con la mayoría del mercado B2B en el clásico movimiento de dar-extraer de todas las grandes tech, pasaríamos de la paradoja de Jevons a la paradoja de Veblen.

¿Qué es la paradoja de Veblen? son aquellos productos cuya demanda aumenta cuando aumenta su precio. A estos productos se les denomina «bienes Veblen».

Esto rompe con la teoría económica de oferta y demanda (a mayor precio, menor demanda) y la teoría microeconómica de utilidad marginal decreciente (cuantas más unidades consumes, menos valor te aporta).

Normalmente, cuantas más unidades consumes, menos valor te aporta la siguiente. Pero el bien Veblen rompe esta lógica. El precio alto actúa como una barrera de entrada que garantiza la exclusividad. Si el precio bajara, el bien perdería su «valor de estatus» y los consumidores de élite dejarían de comprarlo.

No hay muchos ejemplos, porque podemos considerarlo una «singularidad» o «excepción»; entre ellos podemos citar a los vinos de colección francesas, en el que un aumento en el precio de una añada específica suele disparar el interés de los coleccionistas, no por su sabor, sino por su valor como activo de prestigio. Otro serían los relojes de alta gama; marcas como Rolex limitan su producción deliberadamente. Si inundaran el mercado y bajaran precios, su valor de marca colapsaría.

Las soluciones de IA agéntica no son bienes Veblen en sentido estricto, ya que las empresas no las compran porque son caras, sino a pesar de serlo. Lo que opera aquí es el mecanismo de «lock-in» y «switching costs» que describieron Shapiro & Varian en la revolución de la red hace 25 años: una vez que construyes tu stack sobre un modelo, el coste de cambiar es brutal. Lo que sí puede volverse Veblen es el acceso diferencial a la IA más potente como señal de posición competitiva entre empresas. Eso es estatus entre players, no entre consumidores finales.

La primera pregunta que hago a mis clientes que han desarrollado modelos entorno a la IA es; ¿aguanta el modelo una subida de x10 del coste de los modelos sobre los que corre la solución. Si la respuesta no es un si rotundo, entonces tenemos un problema. Porque estamos vendidos a una externalidad que no controlamos.

En la carrera actual de la IA gana la empresa con un modelo más potente, ¿cuánto vale eso?

Debemos tener en cuenta que el coste actual que estamos pagando está subvencionado por los inversores, no es real. ¿Qué sucederá cuando lo suban x5 y ya estemos atrapados en ellos? Es la estrategia clásica de «penetration pricing» llevada al extremo: subsidias un lado del mercado para capturarlo, y extraes valor cuando el «switching cost» ya es demasiado alto. Jean Tirole (Nobel 2014) describió exactamente esta lógica en mercados de dos lados. Lo que hoy parece un precio de mercado es en realidad una promesa diferida de extracción.

Imagina una empresa que está en fase de crecimiento (por ejemplo, una startup con producto en mercado y facturando) que está desarrollando un asistente de programación basado en IA. Actualmente, paga 25 dólares por cada millón de tokens de salida de Opus 4.6. Su ritmo de gasto se basa en ese precio. Si Mythos sale al mercado a 150 dólares por cada millón de tokens —seis veces más—, se enfrentará a una disyuntiva: subir los precios, recaudar capital o ver cómo su competidor, especializado en IA, lanza funciones que ella no puede igualar.

Algunas empresas ya han tomado decisiones irreversibles basándose en los precios actuales; compañías que han reducido equipos de ingeniería, que han construido productos enteros sobre agentes, que han generado memoria muscular organizativa alrededor de «pregúntale a la IA». Esas apuestas asumen que los precios actuales se mantendrán. Los datos sugieren que no. Sigue siendo necesario mantener al equipo que sabe ejecutar/interpretar las tareas core de tu negocio; revisa aquello que es genuinamente dependiente de la IA y lo que no antes de que el coste importe.

Y esto nos lleva a todo un cambio en el usuario final (empresas en este caso); pasamos de optimizar para minimizar costes a maximizar capacidad. De ser baratos a ser fuertes.

Por esta razón las empresas más rentables, con mayor liquidez y músculo financiero tendrán la mayor ventaja competitiva. El balance como moat. Lo de siempre vamos, lo de siempre en industrias con barreras de entrada altas porque son muy intensivas en capital. Pero no solo gana quien tiene más liquidez hoy: gana quien haya construido complementariedades propietarias —datos propios, flujos de trabajo integrados, equipo especializado— que hagan que incluso a x6 el coste, el ROI siga siendo positivo para ellos y negativo para el competidor pequeño. La ventaja financiera abre la puerta; la ventaja estructural la mantiene cerrada.

Esta es la paradoja. Lo barato que se vuelve lo contrario.

El verdadero desafío es que se va a ampliar la brecha entre las empresas que no pueden responder con la suficiente rapidez ni permitirse la IA más sofisticada con las que sí. Las empresas con los modelos más potentes que construyen 10 veces más rápido que las demás, se quedan con todo.

¿Tiene sentido delegar tanto en la IA?

Profundizar -> La IA no reduce el trabajo, lo intensifica