¿Por qué es tan barata la IA china? Dentro de la guerra de precios

¿Es barata la IA china porque el Estado paga la factura? No. Las subvenciones existen y explican casi nada de esa diferencia. El lanzamiento de V4.1-Flash de DeepSeek en septiembre convirtió el contraejemplo en algo inusualmente concreto: su precio oficial de API es de 0,15 USD por millón de tokens de entrada con fallo de caché y 0,60 USD por millón de tokens de salida en horario valle, que se duplica hasta 0,30 USD y 1,20 USD en horas punta, mientras que los pesos descargables se publican con licencia MIT. No se llega a eso solo con dinero barato. Hay que construir bien, activar una fracción pequeña de un modelo grande y servirlo sobre una infraestructura más barata. Lo barato es real, es mayoritariamente estructural y procede de cinco factores que se suman. Solo uno de los cinco es temporal.

Ideas clave- La IA china es barata por cinco razones que se suman, no solo por subvenciones: pesos abiertos, eficiencia auténtica, una guerra de precios, energía barata y un gran talento.- Los pesos abiertos eliminan por completo el margen de API. Los alojas tú mismo, así que no hay renta por token que pagar a un proveedor.- Barato no significa pequeño ni antiguo. DeepSeek V4.1-Flash es un modelo de mezcla de expertos de 552.000 millones de parámetros que activa solo 8.000 millones de parámetros por token al leer una entrada, con una ventana de contexto de un millón de tokens y visión nativa.- No todos los modelos chinos de frontera son baratos de la misma manera. El precio oficial de API de Kimi K3 con fallo de caché es de 3 USD de entrada y 15 USD de salida por millón de tokens, así que la arquitectura, el despliegue y el posicionamiento comercial importan.- La energía barata es el factor más estructural: la generación solar mensual de China alcanzó un récord de 96 TWh en abril de 2025, comparable a un mes completo de producción nuclear estadounidense.- Para los compradores, «lo bastante bueno a una fracción del coste» reescribe las cuentas de construir frente a comprar en la mayoría de las cargas de trabajo.

El factor en el que todo el mundo se fija es la guerra de precios, y de los cinco es el que menos me interesa. Escribo esto desde Hangzhou, donde están los laboratorios detrás de DeepSeek y de Qwen, y aquí rara vez se habla de quién le bajó el precio a quién este mes. Se habla de lo que te compra la siguiente arquitectura. Si quieres el argumento amplio, esto cuelga de mi artículo pilar sobre si China va ganando la carrera de la IA. La pregunta más estrecha es la práctica: ¿por qué cuesta tan poco y cuánto de eso se mantiene cuando baje el ruido?

Factor 1: los pesos abiertos eliminan el margen de API

La razón más importante es también la más obvia. Los modelos líderes de China son de pesos abiertos, así que no hay margen de API que pagar en primer lugar. En agosto de 2026, el recuento veraniego del propio Hugging Face situaba a Qwen, la línea de modelos de Alibaba, en torno a 2.045 millones de descargas en el Hub solo en los siete primeros meses de 2026 y 151.448 modelos derivados, mientras que el recuento del propio Alibaba afirma más de 3.000 millones de descargas y 300.000 derivados entre todas las plataformas. Unos meses antes, MIT Technology Review lo cifraba en más de 600 millones de descargas y más del 40 % de todos los nuevos derivados de Hugging Face. Descargas los pesos y los ejecutas tú mismo.

Vale la pena ser preciso sobre lo que te cobra una API cerrada. Cómputo, obviamente. Pero también el margen del proveedor, el coste de recuperar su inversión en investigación y una prima de riesgo que se sienta discretamente encima de ambos. Los pesos abiertos colapsan todo eso en una sola línea de tu factura: el coste bruto del hardware sobre el que ejecutas el modelo.

Esto no se siente de verdad hasta que ves moverse tu propia factura. Cuando traslado una carga de trabajo desde una API de frontera alojada a un modelo chino abierto en mis propias GPU, no estoy negociando una tarifa mejor: estoy eliminando la tarifa. El coste por token no solo se encoge, cambia de categoría: ahora pagas electricidad en lugar de alquiler.

Los pesos abiertos además se acumulan a la baja. Los modelos chinos de pesos abiertos superaron a los estadounidenses en su cuota de descargas globales de Hugging Face durante 2025, y el informe de primavera de 2026 del propio Hugging Face los sitúa en el 41 % de todas las descargas de la plataforma. Cada derivado y cada cuantización, cada tutorial de comunidad escrito a las dos de la madrugada por alguien que solo quería que la cosa funcionara, abarata el siguiente despliegue. Una API cerrada no te da nada de eso. Solo sigues pagando el alquiler.

Los modelos chinos líderes se publican con pesos abiertos, lo que elimina por completo el margen de API del coste. En agosto de 2026, solo Qwen ya había superado los 2.000 millones de descargas y los 151.448 derivados en Hugging Face, y los modelos chinos de pesos abiertos han superado a los estadounidenses en su cuota de descargas globales de Hugging Face, alcanzando el 41 % de todas las descargas de la plataforma en primavera de 2026. El autoalojamiento sustituye una tarifa de proveedor por token por el coste bruto del hardware.

Si quieres el cara a cara, comparo las principales opciones en Qwen frente a DeepSeek frente a Llama.

Factor 2: eficiencia real, no solo subvenciones

Aquí es donde se desmorona la historia de las subvenciones. Una gran parte de la ventaja de coste es ingeniería genuina. V4.1-Flash tiene una base de 552.000 millones de parámetros pero activa solo 8.000 millones por cada token al leer una entrada, y 16.000 millones al generar. V4 Pro es mucho mayor, con 1,6 billones en total y 49.000 millones activos. La fotografía de marzo de 2026 del AI Index de Stanford HAI ya mostraba a los modelos líderes de EE. UU. y China muy próximos en una clasificación pública, pero es anterior a V4, Qwen3.8, Kimi K3, GLM-5.2 y MiniMax M3. Es evidencia de tendencia, no una clasificación actual ajustada por precio.

La palanca más clara es la arquitectura. Los diseños de mezcla de expertos enrutan cada token solo a través de una fracción de los parámetros del modelo, así que obtienes la capacidad de un modelo enorme al coste de inferencia de uno mucho más pequeño. Varios modelos chinos líderes se apoyan con fuerza en esto. Es un recorte del coste por token integrado en el modelo, no añadido después.

Luego está la historia de DeepSeek, de donde viene la expresión «el momento DeepSeek». Yo trataría las cifras de titular sobre el coste de entrenamiento como reportadas y no auditadas. Los números exactos son objeto de debate, y quien los cita con tres cifras significativas está adivinando. Pero la dirección no está en duda: modelos competitivos construidos con una fracción del presupuesto de cómputo que todos asumían como precio de entrada.

El ángulo de la eficiencia importa más que el debate de las subvenciones por una razón simple: la eficiencia viaja y la subvención no. Una subvención sostiene un precio en un mercado mientras fluya el dinero. Una victoria arquitectónica, menos parámetros activos por token o una mejor receta de entrenamiento, baja el suelo de coste real en todas partes, para todo el que la copie. Por eso la parte que cuenta es la publicación con pesos abiertos de estos modelos eficientes. Exporta la ventaja de coste, no solo el producto.

Los datos de adopción dicen que está funcionando. Los modelos chinos superaron a los estadounidenses dentro del top 10 de OpenRouter a finales de febrero de 2026, con cerca del 61 % del consumo de tokens del top 10, y alcanzaron una mayoría en toda la plataforma hacia abril de 2026 en las clasificaciones de OpenRouter. Los tokens son trabajo real, no notas de prensa, y los desarrolladores trasladaron los suyos.

Una gran parte de la ventaja de coste es eficiencia genuina, no subvención. DeepSeek V4.1-Flash activa 8.000 millones de sus 552.000 millones de parámetros por token al leer una entrada, y su precio oficial de API con fallo de caché es de 0,15 USD por millón de tokens de entrada y 0,60 USD por millón de tokens de salida en horario valle, que se duplica en horas punta, con la arquitectura en la ficha del modelo. El diseño de mezcla de expertos reduce el cómputo empleado por cada token aunque el modelo completo sea grande.

Factor 3: una guerra de precios interna

Parte de lo barato no va integrado en los modelos en absoluto. Lo machaca la competencia. El mercado interno es una pelea campal: Alibaba, DeepSeek y varios más, todos bien financiados, todos persiguiendo a los mismos desarrolladores. Esa lucha arrastra a la baja los costes de API y de alojamiento en todos los frentes. Buena parte de lo barato son simplemente rivales socavando a rivales, que es la parte que la historia de las subvenciones nunca explica.

El mecanismo es bastante claro. Cuando todos ofrecen un modelo de pesos abiertos comparable, las únicas palancas que quedan son el precio y la comodidad. Nadie puede cobrar una prima por una capacidad que el laboratorio de al lado iguala y luego regala. Así que el suelo sigue cayendo, y el ahorro llega a cualquiera que aloje estos modelos, dentro de China o fuera.

Las publicaciones de pesos abiertos son en parte un arma en esa lucha. Sacar pesos potentes gratis gana notoriedad, siembra un ecosistema y niega a un rival la oportunidad de monetizar. Los 151.448 derivados de Qwen en el Hub son en parte fruto de exactamente esa estrategia, y nadie implicado en ella la llamaría caridad.

Este es el factor en el que menos confiaría, y los compradores deberían planificar asumiendo que se desvanecerá. Las guerras de precios no duran. Algunos laboratorios se consolidan, otros fracasan, y los supervivientes acabarán intentando recuperar margen. Lo que mantiene el suelo abajo es que no pueden retirar unos pesos abiertos ya publicados. Los modelos que ya circulan siguen siendo baratos de ejecutar haga lo que haga el mercado.

El mercado interno chino de la IA es intensamente competitivo, y esa guerra de precios empuja a la baja los costes de alojamiento y de API para todos, no solo para los compradores dentro de China. Las publicaciones gratuitas de pesos abiertos son en parte un arma competitiva, que ayuda a construir ecosistemas como los 151.448 derivados de Qwen en el Hub. La guerra de precios es temporal; los pesos abiertos que produce son permanentes.

Comparo a los supervivientes sobre los que merece la pena construir en Qwen frente a DeepSeek frente a Llama.

Factor 4: energía barata y escala de fabricación

Debajo del software está la física, y este es el factor más estructural de todos. Un token servido es, al fin y al cabo, una pequeña cantidad de electricidad. La generación solar mensual de China alcanzó un récord de 96 TWh en abril de 2025, comparable a los aproximadamente 65 TWh mensuales que EE. UU. obtiene de la nuclear, unos 775 TWh al año. Una energía más barata y abundante significa un suelo más bajo bajo el entrenamiento y la inferencia.

Este es el insumo que ninguna publicación de modelo puede igualar. Si tu energía es más barata y tu red crece más rápido, cada capa de la pila se abarata a la vez: los entrenamientos, el servicio de inferencia, los edificios donde se instalan los racks. Es una ventaja silenciosa y acumulativa más que una de titulares, y probablemente por eso es de la que menos se habla y la que más importa.

La escala de fabricación se suma encima. La base industrial que abarata el hardware también abarata la construcción de centros de datos. China no solo ejecuta modelos con energía barata: construye los racks, la refrigeración y las instalaciones al coste de su cadena de suministro nacional. Esa es una ventaja de gasto de capital, y se traslada directamente al precio de un token.

De los cinco, este es el que esperaría que siguiera siendo cierto dentro de cinco años. Puedes copiar una arquitectura en un trimestre y acabar con una guerra de precios en un año. Duplicar la generación eléctrica nacional lleva mucho más tiempo, y una base de fabricación nacional no se puede conjurar en absoluto. Si tuviera que construir un plan a largo plazo alrededor de un solo factor de estos, sería este, porque es el más difícil de revertir para cualquiera.

El factor de coste más estructural es la energía. La producción solar mensual de China alcanzó un récord de 96 TWh en abril de 2025, comparable a un mes completo de generación nuclear estadounidense (unos 65 TWh). Una energía más barata baja el suelo de coste del entrenamiento y de la inferencia a la vez, y la escala de fabricación también abarata la construcción de centros de datos. Esta ventaja es la más difícil de revertir.

Profundizo en la historia de la red eléctrica en la ventaja energética de la IA china.

Factor 5: una profunda reserva de talento

El último factor son las personas, y las cifras de oferta son llamativas: China forma al 38 % de los mejores investigadores de IA del mundo, medido por los autores de NeurIPS 2024, frente al 27 % de 2017. Una reserva profunda y asequible de ingenieros de élite es exactamente lo que hace falta para perseguir las mejoras de eficiencia que hacen que los modelos sean baratos de ejecutar.

El trabajo de eficiencia es intensivo en mano de obra de una manera específica. Exprimir coste de un modelo, ya sea con mejores arquitecturas, un entrenamiento más inteligente u optimización agresiva, requiere muchos investigadores cualificados iterando rápido. Un país con una profunda oferta nacional puede poner a más gente capaz en el problema, a menor coste, que uno que importa especialistas escasos. La reserva de talento alimenta directamente al Factor 2.

Cuando leo los informes técnicos detrás de estos modelos, lo que destaca no es un único avance. Es el puro volumen de ingeniería cuidadosa e incremental. Docenas de pequeñas optimizaciones que solo se llevan a cabo cuando tienes suficientes manos para hacerlas. Eso es una historia de profundidad de talento, y es gran parte de por qué la eficiencia sigue mejorando publicación tras publicación.

Una salvedad que no me saltaré: una gran parte de los investigadores de élite formados en China ha trabajado históricamente en el extranjero, así que no es una ventaja limpia para el equipo de casa. Pero la tendencia es al alza, del 27 % al 38 % en siete años, y una plantilla creciente de laboratorios de primer nivel en el propio país le da a ese talento un lugar donde aterrizar.

La profunda reserva de talento de China alimenta el motor de la eficiencia. Forma al 38 % de los mejores investigadores de IA del mundo, frente al 27 % de 2017. El trabajo de recorte de costes en los modelos es intensivo en mano de obra, así que una reserva de ingeniería grande y capaz es justo lo que permite a los laboratorios chinos seguir bajando el coste real por token, publicación tras publicación.

Valoración ilustrativa y orientativa, no valores medidos con precisión. Las posiciones reflejan el patrón reportado: los modelos chinos de pesos abiertos se agrupan en el cuadrante de alta capacidad y bajo coste, con la mejor frontera cerrada de EE. UU. todavía la más alta en capacidad pero a un coste mayor. Contexto de la brecha de capacidad: Stanford HAI AI Index 2026.

Qué significa esto para tu decisión de compra

Aquí es donde esto deja de ser una curiosidad y empieza a cambiar decisiones. Cuando se ofrece un modelo con una ventana de contexto de un millón de tokens a los precios de DeepSeek V4.1-Flash, las cuentas de construir frente a comprar se dan la vuelta en muchas cargas de trabajo rutinarias. Ya no pagas una gran prima por defecto. Estás decidiendo si un modelo más caro produce un trabajo suficientemente mejor en tu propia evaluación como para justificarlo.

Relaciónalo con el trabajo real. Resumen, extracción, clasificación, redacción, enrutamiento: ninguna de estas tareas necesita el mejor modelo del planeta. Necesitan uno que sea fiable, lo bastante barato como para dejar de pensar en él y que se ejecute en un lugar que tú controlas. Los modelos chinos de pesos abiertos dan en esa diana, y como los alojas tú mismo, el coste recurrente es hardware en lugar de un contador por token que crece con tu propio éxito.

En mi propia pila, lo barato ha cambiado discretamente qué proyectos merece la pena siquiera intentar. Cargas de trabajo que habría aparcado por demasiado caras de ejecutar a escala en una API de frontera ahora son trivialmente asequibles en un modelo abierto que alojo yo mismo. Lo barato no solo ahorra dinero en el trabajo que ya haces. Hace viable trabajo nuevo, y ese efecto de segundo orden es sobre el que yo planificaría.

Nada de esto es razón para saltarse la diligencia debida. Procedencia, gobernanza de datos, comportamiento de censura, licencias: todo hay que revisarlo antes de que nada toque producción. Lo barato es una razón para evaluar algo en serio, no para darlo por bueno. Lo que quieres es una decisión estructurada. Qué carga de trabajo, qué calidad tolera y qué dice la evaluación de riesgos sobre el modelo concreto al que apuntas.

Cuando los modelos abiertos capaces cuestan una fracción de muchas API de frontera, construir frente a comprar se da la vuelta en las cargas de trabajo rutinarias. DeepSeek V4.1-Flash combina una ventana de contexto de un millón de tokens con precios oficiales de 0,15 USD por millón de tokens de entrada con fallo de caché y 0,60 USD por millón de tokens de salida en horario valle, que se duplican en horas punta. El autoalojamiento sustituye el contador del proveedor por coste de hardware y operaciones, tras una evaluación de riesgos adecuada.

Para el marco completo, consulta ¿Es DeepSeek seguro para la empresa?, y luego compara las principales opciones en Qwen frente a DeepSeek frente a Llama.

Preguntas frecuentes

¿Por qué es China tan barata en IA, en una frase? Los pesos abiertos eliminan el margen de API, las arquitecturas eficientes recortan el coste por token, una guerra de precios empuja los precios a la baja, la energía barata baja el suelo y una profunda reserva de talento lo mantiene todo mejorando. Las subvenciones son un factor menor, no el principal.

¿Por qué es tan barato DeepSeek? Se suman dos razones. Se distribuye con pesos descargables bajo licencia MIT, así que no hay margen de API obligatorio si lo alojas tú mismo, y sus modelos de mezcla de expertos activan solo una fracción de sus parámetros totales por token. V4.1-Flash activa 8.000 millones de 552.000 millones de parámetros al leer una entrada; V4 Pro activa 49.000 millones de 1,6 billones, según las fichas oficiales de los modelos. Trata los titulares históricos sobre el coste de entrenamiento como reportados y no auditados, pero la arquitectura de inferencia actual y los precios de API publicados son concretos.

¿Son los modelos de IA chinos más baratos que OpenAI? Algunos sí, a menudo de forma sustancial, pero el nombre de la familia no basta. DeepSeek V4.1-Flash es extremadamente barato en su API oficial, mientras que Kimi K3 tiene un precio mucho más alto. El autoalojamiento elimina el precio de proveedor por token, pero lo sustituye por hardware, energía y operaciones. Compara el coste total en la carga de trabajo exacta en lugar de citar un múltiplo universal.

¿Es la IA china barata de menor calidad? El precio por sí solo no puede decírtelo. Las familias chinas líderes incluyen ahora enormes modelos multimodales y de contexto largo, pero sus puntos fuertes difieren y las tablas de benchmarks de los proveedores no son comparaciones neutras. DeepSeek V4.1-Flash es excepcionalmente barato; Kimi K3 es materialmente más caro, a 3 USD por millón de tokens de entrada con fallo de caché y 15 USD por millón de tokens de salida. Prueba el modelo exacto en tu carga de trabajo.

¿Seguirá siendo así de barata la IA china? En su mayor parte, sí, por razones estructurales. La guerra de precios es temporal y puede aflojar, pero los pesos abiertos, las arquitecturas eficientes y la energía barata no se revierten con facilidad. Una vez que un modelo potente se publica de forma abierta, sigue siendo barato de ejecutar para siempre, haga lo que haga el mercado. Yo planificaría contando con que lo barato continúe.

En resumen

La IA china es barata por cinco razones que se suman, y «todo son subvenciones» no explica casi ninguna de ellas. Los pesos abiertos eliminan el margen de API. La eficiencia genuina, es decir, la mezcla de expertos y la historia de DeepSeek, baja el coste real por token. Una guerra de precios interna arrastra los precios aún más abajo. La energía barata y la escala de fabricación fijan un suelo bajo. Una profunda reserva de talento mantiene la eficiencia en mejora. La guerra de precios es la parte que se desvanece. El resto es estructural.

Los lanzamientos actuales también acaban con la versión perezosa de este argumento. «La IA china es barata» no es un solo precio. DeepSeek V4.1-Flash tiene precio de infraestructura. Kimi K3 tiene precio de modelo agéntico prémium. Los pesos abiertos de Qwen3.8 llegaron en agosto bajo una licencia personalizada, mientras que el Qwen3.8-Max alojado va ligado a un plan de tokens. Compara el checkpoint exacto, la licencia, la vía de servicio y la calidad medida en la tarea, no la bandera del laboratorio.

Para tu negocio, la conclusión es clara. Algunos de los modelos capaces más baratos son chinos y descargables, mientras que otros modelos chinos de frontera son servicios prémium o enormes proyectos de autoalojamiento. Así que yo no optaría por ellos a ciegas, pero el checkpoint exacto merece una mirada seria, porque las cuentas de construir frente a comprar de verdad han cambiado.

Si quieres el contexto estratégico, empieza por si China va ganando la carrera de la IA. Cuando estés listo para actuar, ¿Es DeepSeek seguro para la empresa? es donde esto da paso a la decisión real.