GitHub Copilot: ¿Se termina la era de la IA a bajo coste?

• En los últimos tiempos, el despliegue de herramientas como GitHub Copilot ha normalizado el acceso a sistemas de inteligencia artificial generativa que permiten programar, resumir y automatizar procesos complejos de forma casi instantánea. Lo que antes parecía inalcanzable, se ha convertido en una realidad económica o aparentemente ilimitada para el usuario.

Durante los últimos años, herramientas como GitHub Copilot nos han acostumbrado con una rapidez sorprendente a una idea que, probablemente, parecía casi imposible poco antes del estallido de la inteligencia artificial generativa: acceso relativamente barato —o incluso aparentemente ilimitado— a sistemas capaces de programar, redactar, resumir, razonar o automatizar tareas complejas en cuestión de segundos. Pero quizá hemos empezado a dar por sentado algo que nunca estuvo del todo garantizado: que toda esa potencia podía mantenerse indefinidamente a precios sorprendentemente bajos.

El detonante de esta nueva conversación llega desde GitHub Copilot, el asistente de programación de Microsoft. El pasado 1 de junio, la compañía abandonó el modelo de tarifa plana que había acompañado al servicio desde sus inicios para introducir un sistema de facturación basado en uso. Ahora, los distintos planes incluyen una cantidad concreta de créditos mensuales, cuyo consumo depende del modelo empleado, el tamaño del contexto, la complejidad de la consulta y el tipo de tarea realizada. En otras palabras: la experiencia deja de parecerse a un buffet libre y empieza a acercarse mucho más al modelo clásico de servicios cloud.

El cambio, como cabía esperar, no ha tardado en generar controversia. Apenas unos días después de su entrada en vigor, empiezan a multiplicarse testimonios de usuarios que aseguran haber consumido buena parte de sus créditos mucho antes de lo esperado. Algunos desarrolladores hablan incluso de aumentos potenciales de costes de hasta 100 veces respecto al modelo anterior, especialmente en escenarios de uso intensivo, programación asistida prolongada o trabajo con modelos especialmente avanzados. Aunque estos casos parecen corresponder sobre todo a perfiles muy intensivos, el llamado AI sticker shock —el momento en el que el usuario descubre cuánto puede costar realmente un servicio basado en IA— empieza a aparecer con fuerza en la conversación.

La explicación técnica detrás del problema resulta menos misteriosa de lo que parece. Los modelos de inteligencia artificial no “recuerdan” conversaciones en sentido estricto: para mantener contexto, necesitan volver a procesar continuamente grandes cantidades de información. Eso significa que proyectos extensos, historiales largos o sesiones prolongadas pueden disparar el consumo de tokens con enorme rapidez. A ello se suma otra variable importante: no todos los modelos cuestan lo mismo. Utilizar opciones especialmente avanzadas para tareas complejas puede multiplicar el gasto frente a modelos más ligeros y eficientes, lo que introduce una capa de complejidad económica a una experiencia que hasta ahora parecía mucho más predecible.

Pero quizá lo más interesante de esta historia es que GitHub Copilot no parece un caso aislado. Hace apenas unas semanas, Anthropic endureció condiciones de acceso a herramientas avanzadas de Claude, mientras OpenAI ya había reconocido anteriormente que algunos planes premium resultaban difíciles de sostener económicamente bajo determinados patrones de uso. La llegada de agentes de IA, automatización compleja y flujos cada vez más largos empieza además a disparar la demanda computacional de formas que hace apenas un año parecían difíciles de imaginar.

La paradoja es especialmente interesante. Técnicamente, operar modelos de IA es hoy más eficiente que hace unos meses. El hardware mejora, la inferencia se abarata y nuevas arquitecturas prometen reducir costes operativos. Pero al mismo tiempo, cada salto tecnológico abre nuevos escenarios de uso: más automatización, más contexto, más agentes, más consultas largas y tareas más complejas. El resultado es que el coste unitario puede bajar mientras el gasto total continúa creciendo.

Y quizá ahí empieza a dibujarse un cambio importante en cómo entendemos económicamente estos servicios. Durante un tiempo, la inteligencia artificial se ha percibido casi como una tarifa plana: pagas una cuota y utilizas todo lo posible. Pero propuestas como la nueva política de GitHub Copilot sugieren otro escenario, mucho más cercano al modelo cloud o incluso al consumo energético: pagar según lo que realmente utilizas, especialmente cuando se trata de capacidades avanzadas.

Puede que todavía sea pronto para afirmar si estamos realmente ante el fin de la inteligencia artificial barata, pero sí parece cada vez más evidente que la conversación ya ha empezado. Y quizá la gran sorpresa de esta nueva etapa no consista en descubrir cuánto cuesta crear modelos cada vez más potentes, sino cuánto cuesta realmente mantenerlos funcionando cuando millones de personas empiezan a utilizarlos de verdad.

Más información