OpenAI afronta la dura economía de la IA de consumo
OpenAI ha reasignado recursos hacia productos empresariales a pesar de que ChatGPT ha superado los 900 millones de usuarios semanales. Ese giro resume la dura economía de la IA de consumo. Un alcance enorme genera influencia, datos y hábitos, pero cada conversación adicional también consume una capacidad informática escasa.
El mercado no está rechazando a los asistentes de IA. El gasto de los consumidores sigue creciendo, mientras Meta y varias startups encuentran una nueva demanda de agentes personales. El conflicto subyace a ese crecimiento. Los consumidores esperan una suscripción predecible o acceso gratuito, pero el coste de atenderlos aumenta con el uso.
Anthropic ofrece el modelo opuesto más claro. Ha construido su negocio en torno a desarrolladores y empresas, donde el uso puede medirse y vincularse a trabajo valioso. OpenAI, Meta y una nueva generación de agentes de consumo deben demostrar ahora que la adopción masiva puede sostener una economía similar.
La IA de consumo ha vuelto, pero su modelo de negocio no
Una nueva oleada de agentes personales ha reavivado el interés de los consumidores sin resolver cómo obtendrán sus creadores retornos sostenibles.
El asistente Muse de Meta, Dots de OpenAI y la startup Instinct representan el último intento de convertir la IA en un servicio cotidiano para consumidores. Estos productos prometen algo más activo que un chatbot. Pueden planificar recados, hacer reservas, coordinar viajes y ayudar a los usuarios a completar tareas en otros servicios.
Esa distinción importa. La IA agéntica se refiere a sistemas que pueden realizar una secuencia de acciones hacia un objetivo, en lugar de limitarse a producir una respuesta. Una mayor fiabilidad hace que estos agentes sean más útiles, pero también fomenta sesiones más largas y más computación.
Instinct ya ha atraído la atención de inversores por su capacidad para gestionar recados. Meta puede integrar Muse en una gran plataforma de consumo y respaldarlo con una operación publicitaria consolidada. OpenAI puede conectar Dots con la audiencia y los hábitos que ChatGPT ya ha creado.
Por tanto, la oportunidad de producto es real. Las personas valoran asistentes que reducen el trabajo administrativo, recuerdan preferencias y completan tareas de varios pasos. El análisis sobre IA de consumo que desencadenó este debate no sostenía lo contrario.
El cambio es que estos productos llegan después de que los laboratorios de frontera hayan pasado años probando la monetización de productos de consumo. Ahora saben que la popularidad y la rentabilidad no crecen automáticamente a la vez. Cada interacción exitosa con un agente conlleva un coste real de servicio, mientras que el consumidor suele pagar una cantidad fija o nada.
Esto crea un problema de crecimiento inusual. El software tradicional puede ser más barato de servir a medida que su audiencia se expande, porque una copia puede llegar a millones de clientes. La IA generativa debe realizar computación nueva para casi cada solicitud.
Un agente puede ser aún más exigente. Puede interpretar un objetivo, buscar en múltiples fuentes, llamar a herramientas externas, verificar su trabajo y repetir pasos fallidos. Una tarea que para el usuario parece una sola solicitud puede convertirse en muchas operaciones del modelo detrás de la interfaz.
Eso no significa que todas las interacciones generen pérdidas. Los proveedores utilizan modelos más pequeños, datos en caché, sistemas especializados y límites para controlar el consumo. El problema es que los usuarios intensivos pueden generar mucho más coste que los usuarios ligeros bajo la misma suscripción plana.
Los productos de consumo también enfrentan una baja tolerancia a la fricción. Los límites restrictivos debilitan la promesa de un asistente siempre disponible. Las facturas medidas por uso hacen que experimentar parezca arriesgado. La publicidad puede crear conflictos cuando un agente recomienda productos, servicios o destinos.
El resultado es un regreso con una base sin resolver. Muse, Dots e Instinct pueden conquistar usuarios antes de demostrar su economía a largo plazo. Esa estrategia puede crear una distribución valiosa, pero pospone la pregunta más difícil en lugar de responderla.
El aumento de la demanda no garantiza márgenes saludables
La demanda de IA de consumo está creciendo con rapidez, pero el crecimiento por sí solo no puede demostrar que cada usuario adicional mejore el negocio subyacente.
Los datos recientes de pagos aportan pruebas sólidas de que los consumidores siguen queriendo suscripciones de IA. Consumer Edge descubrió que el gasto rastreado en la categoría creció entre un 150% y un 170% interanual durante cinco trimestres consecutivos. El periodo más reciente se mantuvo cerca del extremo superior de ese rango.
Los mismos datos de gasto de consumidores mostraron que OpenAI mantenía aproximadamente la mitad del gasto rastreado. Anthropic había crecido desde menos del 5% en enero de 2025 hasta cerca del 30% a finales de agosto de 2026.
Ese no es el perfil de una categoría que pierde interés público. Sugiere que más personas están encontrando motivos para pagar, mientras la competencia amplía el mercado. Anthropic ganó muchos suscriptores que no habían pagado recientemente a OpenAI, en vez de limitarse a quitarle clientes existentes.
Sin embargo, el crecimiento de la categoría y la rentabilidad de los proveedores miden cosas diferentes. Los datos de pagos registran lo que gastan los consumidores. No revelan cuánta computación utiliza cada cliente ni cuánto paga el proveedor para ofrecerla.
Otras estimaciones de adopción también varían de forma significativa. La investigación citada por TechCrunch situó la proporción de consumidores que pagan en los bajos dígitos porcentuales. Otra encuesta encontró un uso diario mucho más amplio y una mayor tasa de pago entre esos usuarios.
La discrepancia refleja muestras y definiciones distintas. Un banco puede ver transacciones registradas, pero no el uso gratuito. Una encuesta puede captar comportamientos entre servicios, pero las respuestas podrían no coincidir con los registros de facturación. Ningún método proporciona una cuenta de resultados completa de un proveedor de IA.
Incluso la lectura más sólida de la demanda deja un límite difícil. Los presupuestos domésticos incluyen muchas suscripciones en competencia, desde entretenimiento y almacenamiento en la nube hasta software de productividad. Un modelo más inteligente no persuade automáticamente a los consumidores para ampliar ese presupuesto.
Las mejoras de los modelos también pueden pasar inadvertidas para los usuarios convencionales. Un investigador puede notar un mejor razonamiento en evaluaciones difíciles. Un consumidor que pide ideas de comidas, resúmenes de documentos o sugerencias de viaje puede percibir una diferencia práctica menor.
Eso debilita la conexión entre el progreso técnico y la disposición a pagar. El desarrollo de frontera exige una inversión continua, pero una suscripción de consumo no puede subir cada vez que el proveedor lanza un modelo más capaz.
La propia estrategia de OpenAI reconoce esta brecha. La empresa afirma que su negocio combina ahora suscripciones de consumo, ofertas para el lugar de trabajo, publicidad, comercio y APIs basadas en el uso. Su declaración sobre el modelo de negocio describe la computación como el recurso de IA más escaso.
Esa combinación es importante. El acceso gratuito y de pago para consumidores puede establecer un hábito. El comercio y la publicidad pueden monetizar la atención. Los productos para el lugar de trabajo y las APIs pueden cobrar en proporción al uso medible.
La dura economía de la IA de consumo comienza cuando esos roles se confunden. Una gran audiencia gratuita puede ser estratégicamente valiosa sin ser rentable por sí misma. Una suscripción de pago puede generar ingresos recurrentes sin cubrir la actividad de todos los usuarios intensivos.
Por ello, desarrolladores, compradores y usuarios deben distinguir entre interacción y margen. La actividad semanal demuestra que un producto importa. No demuestra que sus ingresos crezcan más rápido que los costes de computación, investigación, seguridad y distribución necesarios para sostenerlo.
La dura economía de la IA de consumo empieza con cada prompt
La IA de consumo combina ingresos fijos con uso variable, lo que crea un desajuste que se hace más visible a medida que los asistentes realizan tareas más largas y complejas.
La inferencia es el proceso de ejecutar un modelo entrenado para responder a una solicitud. Cada respuesta consume chips, memoria, electricidad, redes y capacidad de centros de datos. Los proveedores pueden reducir esos recursos, pero no pueden hacer desaparecer el coste marginal.
El modelo de suscripción fija oculta esa relación. Dos personas pueden pagar la misma cantidad mientras generan cargas de trabajo radicalmente diferentes. Una puede hacer unas pocas preguntas breves cada semana. Otra puede cargar archivos grandes, generar contenido multimedia, realizar sesiones de programación o delegar investigaciones de varios pasos.
Por eso, la pregunta de por qué la IA de consumo pierde dinero no puede responderse solo con el número de suscriptores. La unidad relevante no es simplemente un cliente. Es la combinación de clientes, modelos, prompts, resultados, llamadas a herramientas e infraestructura utilizada durante el periodo de facturación.
La situación financiera de OpenAI ilustra la presión. Documentos financieros revisados por periodistas mostraron un fuerte aumento de los ingresos en 2025. También mostraron que los gastos de investigación, el coste de ingresos y las pérdidas operativas crecieron hasta niveles absolutos mucho mayores.
Según los documentos financieros publicados, OpenAI registró 13.070 millones de dólares de ingresos en 2025. Su coste de ingresos alcanzó los 7.500 millones de dólares, mientras que los gastos de investigación y desarrollo llegaron a 19.180 millones de dólares.
Estas cifras cubren a la empresa en su conjunto, no un segmento de consumo claramente delimitado. No pueden establecer el margen exacto de un usuario de ChatGPT o de un prompt individual. Sí muestran por qué el rápido crecimiento de los ingresos no resuelve el debate sobre la rentabilidad.
OpenAI afirma que sus ingresos y la computación disponible crecieron aproximadamente diez veces entre 2023 y 2025. El crecimiento paralelo respalda la visión de la empresa de que una mayor capacidad impulsa la adopción. También demuestra hasta qué punto la expansión comercial sigue vinculada a la infraestructura.
Las ganancias de eficiencia ofrecen una posible salida. Los proveedores pueden dirigir preguntas sencillas a modelos más pequeños, reutilizar resultados en caché, comprimir el contexto y mejorar la utilización del hardware. Un modelo puede ser más barato de servir incluso a medida que mejora su calidad.
Sin embargo, la eficiencia puede estimular más uso. Las respuestas más rápidas y baratas animan a las personas a enviar más solicitudes. Los agentes añaden trabajo en segundo plano que no formaba parte de las primeras sesiones con chatbots. Las nuevas funciones de imagen, voz, vídeo y programación introducen cargas de trabajo adicionales.
Este efecto complica la economía de la IA de consumo de OpenAI. Un menor coste por operación ayuda, pero el coste total aún puede aumentar cuando cada persona realiza más operaciones. El proveedor necesita que la eficiencia supere tanto el crecimiento de la audiencia como la creciente intensidad de uso.
El diseño de producto se convierte en un sistema de control económico. Los límites de uso, las colas, el enrutamiento de modelos y las restricciones de funciones no son solo decisiones técnicas. Determinan cuánta inteligencia costosa puede incluirse de forma segura en un pago fijo.
Estos controles pueden dañar la confianza cuando son impredecibles. Un asistente que deja de estar disponible durante una tarea urgente tiene menos valor. Un modelo que cambia silenciosamente puede producir resultados inconsistentes. Una asignación restrictiva puede disuadir a los usuarios de crear flujos de trabajo fiables.
El consumo medido por uso resuelve parte del desajuste porque los ingresos aumentan con el trabajo realizado. Sin embargo, los consumidores rara vez quieren una factura incierta por un asistente cotidiano. Las empresas están más acostumbradas a presupuestos de uso, facturas de nube y compromisos negociados.
Esa preferencia explica la creciente división entre la IA de consumo y la IA empresarial. Ambos grupos pueden utilizar modelos subyacentes similares, pero su comportamiento de compra difiere. Las empresas pueden vincular un gasto al tiempo de los empleados, el desarrollo de software, la atención al cliente o las transacciones completadas.
Un consumidor suele comparar un asistente con otros servicios mensuales. Una empresa lo compara con nóminas, contratistas, infraestructura o productividad perdida. Eso da al proveedor más margen para alinear el precio con el valor económico.
Anthropic convirtió su enfoque empresarial en presión competitiva
Anthropic demostró que un laboratorio de frontera puede sacrificar el dominio del consumo y aun así ganar influencia mediante una demanda laboral de alto valor.
La principal contienda ya no es OpenAI frente a Anthropic únicamente en calidad de modelos. Es escala de consumo frente a monetización empresarial. OpenAI construyó un reconocimiento público sin igual, mientras Anthropic se concentró más en desarrolladores y flujos de trabajo organizacionales.
Ese posicionamiento afecta cómo cada empresa asigna la escasa capacidad de cómputo. Una solicitud de un consumidor puede generar lealtad o reforzar la distribución. Una carga de trabajo empresarial puede respaldar un contrato, expandirse a un equipo e integrarse en un proceso recurrente.
La diferencia no hace que los ingresos empresariales sean fáciles de conseguir. Las empresas exigen seguridad, fiabilidad, gobernanza, integración y resultados medibles. También pueden negociar de forma agresiva y cambiar de proveedor a medida que mejoran los modelos.
Aun así, el trabajo empresarial ofrece formas más claras de poner precio al valor. Un sistema de programación con IA puede evaluarse frente al tiempo de ingeniería. Un asistente de soporte puede medirse por la velocidad de resolución. Un flujo de investigación puede compararse con los costes actuales de mano de obra y software.
El impulso de Anthropic ha aumentado la presión sobre OpenAI para competir por estas cargas de trabajo. Datos de Ramp citados por Axios mostraron que Anthropic captó más del 73% del gasto entre las empresas que compraban herramientas de IA por primera vez durante un periodo de principios de 2026.
El cambio en el gasto empresarial ofrecía una visión limitada de los clientes de Ramp, no del mercado completo. Sin embargo, proporcionó una señal visible de que los compradores empresariales no seguían automáticamente la popularidad entre consumidores.
OpenAI ha respondido acotando sus prioridades. Su directora financiera afirmó que los clientes empresariales representaban alrededor del 20% de los ingresos cuando se incorporó en 2024. Para 2026, esa proporción había alcanzado el 40%, y la empresa espera un crecimiento adicional.
La compañía también redirigió recursos de algunas iniciativas de consumo hacia modelos orientados a empresas. Según una entrevista con un ejecutivo, aproximadamente el 95% de los usuarios semanales de ChatGPT no pagaban.
Ese alcance sigue siendo estratégicamente importante. Los consumidores introducen herramientas en el trabajo, crean demanda dentro de los equipos e influyen en los productos que adoptan las empresas. Un servicio popular entre consumidores puede convertirse en un canal de distribución para ventas empresariales.
La paradoja es que el liderazgo de consumo se parece cada vez más a la parte superior de un embudo de negocio, no al modelo de negocio final. OpenAI puede usar ChatGPT para generar confianza y familiaridad, y después vender acceso más predecible a organizaciones.
Este patrón se parece a mercados anteriores de software de consumo. Las herramientas populares solían llegar a los lugares de trabajo a través de empleados individuales antes de que los proveedores añadieran funciones de gestión, seguridad, colaboración y compras. La IA aumenta la presión porque los costes de servicio son mayores.
Por tanto, la IA de consumo frente a la IA empresarial no es una elección entre utilidad y burocracia. Es una elección entre dos estructuras de ingresos. Una maximiza el alcance bajo estrictos límites de gasto doméstico. La otra busca un uso más acotado con una justificación económica más sólida.
Anthropic aún afronta costes importantes, y su concentración empresarial introduce riesgos. Los grandes clientes pueden exigir descuentos, soporte personalizado y capacidad dedicada. Los ingresos pueden concentrarse en un pequeño grupo de compradores.
La evidencia tampoco demuestra que la estrategia de consumo de OpenAI haya fracasado. Una audiencia pública masiva crea opciones en comercio, publicidad, dispositivos y alianzas. También puede generar comentarios sobre el producto que un competidor centrado primero en empresas no puede igualar.
La conclusión más acotada es más sólida. Los laboratorios de frontera ya no consideran suficiente la escala de consumo. Tanto si comenzaron con chatbots públicos como con API para desarrolladores, están convergiendo en flujos de trabajo empresariales que pueden absorber el coste de los modelos avanzados.
Meta y los agentes de IA tienen otras formas de cobrar
Meta y los agentes orientados a transacciones pueden desafiar el modelo estándar de suscripción, pero las fuentes alternativas de ingresos introducen sus propias limitaciones.
Meta entra en la IA de consumo con una ventaja que los laboratorios independientes no poseen. Ya opera grandes redes de consumidores y un sistema publicitario basado en la personalización. Muse no necesita convertirse inmediatamente en un negocio de suscripción independiente.
Un asistente puede reforzar los productos existentes de Meta al aumentar la interacción, mejorar las recomendaciones o crear nuevas superficies publicitarias. La empresa puede tolerar un camino más largo hacia la monetización directa si el asistente respalda ingresos en otros ámbitos.
Ese subsidio cruzado cambia la ecuación, pero no elimina los costes. Un asistente exitoso puede generar una carga de inferencia considerable. Meta debe decidir cuándo una interacción con IA mejora lo suficiente la plataforma general como para justificar ese gasto.
La publicidad también se vuelve delicada cuando un asistente actúa por el usuario. Un feed convencional recomienda contenido mientras hace visibles sus incentivos comerciales. Un agente personal puede parecer ofrecer consejos neutrales antes de elegir un restaurante, producto o servicio.
Si la colocación pagada influye en esa elección, la divulgación y la confianza del usuario se vuelven centrales. Si la publicidad nunca la influye, el asistente quizá no se beneficie plenamente del motor económico existente de Meta. La empresa debe separar claramente la asistencia de la promoción.
Instinct persigue otra posibilidad: los ingresos por transacciones. Un agente que reserva viajes, cancela suscripciones o compra bienes puede recibir una compensación cuando completa una acción. Los ingresos quedan entonces vinculados a resultados, en lugar de al volumen de conversación.
Este enfoque eleva el techo más allá de una suscripción plana para consumidores. Una transacción completada de alto valor puede sostener más cómputo que un chat casual. También alinea el pago con un momento en el que el agente ha demostrado un valor concreto.
Sin embargo, la economía de las transacciones depende de la intención del usuario y de la participación de los comercios. Muchas tareas útiles de IA no terminan en una compra. Los consumidores pueden rechazar un agente que los dirija hacia socios que ofrecen la comisión más alta.
Las startups también pueden evitar algunos costes de investigación utilizando modelos desarrollados por laboratorios de frontera. Eso reduce el capital necesario para entrenar un modelo fundacional, que es un sistema de propósito general entrenado con datos amplios. No elimina los cargos de inferencia ni el riesgo de dependencia.
Un proveedor de modelos puede cambiar las condiciones, los límites o la disponibilidad. Una startup puede necesitar varios proveedores para gestionar la fiabilidad y el coste. La diferenciación del producto debe proceder entonces del diseño de flujos de trabajo, la memoria, la distribución, la confianza y las integraciones.
Para los usuarios, el contexto personal puede convertirse en una ventaja significativa. Un asistente que comprende proyectos anteriores, documentos, preferencias y compromisos puede completar tareas con menos explicaciones repetidas. Una base de conocimiento personal bien mantenida puede hacer que esas interacciones sean más consistentes.
Ese contexto también plantea inquietudes de privacidad y seguridad. Los agentes que gestionan reservas, mensajes, decisiones financieras y documentos de trabajo necesitan permisos amplios. Una sola acción equivocada puede importar más que una respuesta incorrecta de un chatbot.
El modelo comercial puede intensificar esas inquietudes. La publicidad recompensa la atención. Las comisiones recompensan las transacciones. Los contratos empresariales recompensan la adopción en el lugar de trabajo. Ninguno representa perfectamente los intereses del usuario en todas las situaciones.
Los agentes de consumo más creíbles harán comprensibles estos incentivos. Los usuarios deberían saber cuándo una respuesta está patrocinada, cuándo una transacción genera una compensación y cuándo los datos respaldan otra parte del negocio del proveedor.
La dura economía de la IA de consumo no hace imposibles los modelos alternativos. Hace menos sostenibles los subsidios ocultos y los incentivos poco claros. Meta y las startups de agentes tienen más opciones que un laboratorio basado exclusivamente en suscripciones, pero cada opción cambia la relación con el producto.
Tres señales mostrarán si la ecuación está cambiando
La próxima fase depende de la proporción de ingresos empresariales, los márgenes ajustados por uso y la evidencia de que los agentes pueden monetizar el trabajo completado sin debilitar la confianza de los usuarios.
La primera señal es la composición de ingresos de OpenAI. La dirección espera que los clientes empresariales aporten una mayor parte de las ventas. Si eso sucede mientras el uso de ChatGPT sigue siendo sólido, el alcance de consumo parecerá cada vez más un canal de adquisición para productos laborales.
Ese resultado reforzaría el argumento central. OpenAI podría mantener un gran servicio público mientras utiliza los ingresos empresariales para sostener investigación e infraestructura costosas. La IA de consumo seguiría siendo estratégicamente vital sin tener que sostener toda la empresa.
Una reversión sería igualmente informativa. Si los nuevos productos de consumo generan retornos significativos por publicidad, comercio o suscripciones, OpenAI podría demostrar que la inteligencia de mercado masivo sustenta un motor económico más amplio.
La segunda señal es si los proveedores informan de márgenes que mejoran en relación con el uso. El crecimiento de los ingresos por sí solo ya no es suficiente. Inversores y clientes necesitan evidencia de que atender actividad adicional consume una porción menor de los ingresos.
Conviene observar mejoras vinculadas al enrutamiento de modelos, chips personalizados, almacenamiento en caché, modelos más pequeños y utilización de centros de datos. Estos cambios solo importan si los ahorros persisten después de que los usuarios adopten funciones más intensivas.
La comparación adecuada no es el coste por token de forma aislada. Es el coste de completar una tarea útil. Un agente que usa más tokens pero termina un trabajo valioso puede tener mejores resultados económicos que un chatbot barato que produce una respuesta inutilizable.
Aquí también es donde los trabajadores del conocimiento deberían prestar atención. Los límites y la selección de modelos determinarán qué tareas seguirán disponibles en los planes de consumo. Es probable que los flujos de trabajo de alto valor e intensivos en cómputo migren hacia productos laborales o basados en el uso.
La tercera señal es la calidad de las transacciones de agentes como Instinct y asistentes de plataforma como Muse. Las compras completadas por sí solas no resolverán la cuestión. La evidencia crítica es el uso repetido sin un aumento de las quejas por direccionamiento, errores, privacidad o patrocinios poco claros.
Unos ingresos por transacciones fiables debilitarían la afirmación de que los contratos empresariales son la única vía más allá de las suscripciones de consumo. Darían a los agentes de IA una estructura económica más cercana a los mercados y las plataformas de pago.
Una retención débil o problemas de confianza reforzarían el giro empresarial. Las empresas pueden negociar normas, auditorías y garantías de servicio. Los usuarios individuales tienen menos herramientas, más allá de abandonar el servicio.
Los desarrolladores deberían observar las mismas señales desde otro ángulo. Si los agentes de consumo tienen dificultades para monetizar, los propietarios de plataformas restringirán el uso, priorizarán modelos más baratos o buscarán más ingresos mediante integraciones. Esas decisiones afectarán el acceso a API y los productos de terceros.
Los compradores empresariales deberían evitar asumir que la popularidad de un proveedor garantiza su durabilidad. Deberían evaluar los límites del servicio, los controles de datos, la estructura de precios y la dependencia de infraestructura externa. Un proveedor que hoy subsidia un uso intensivo puede rediseñar el acceso más adelante.
Los consumidores deberían esperar una mayor segmentación. El acceso gratuito puede seguir siendo amplio, mientras que los agentes avanzados, las tareas más largas y los flujos de trabajo persistentes se trasladan a experiencias de pago o patrocinadas. El límite reflejará el coste del servicio tanto como la sofisticación del producto.
La dura economía de la IA de consumo no prueba que las personas rechacen la tecnología. Revela el problema opuesto: las personas quieren utilizarla con frecuencia, en tareas cada vez más exigentes, sin pensar en el cómputo que hay detrás de cada acción.
Las empresas que perduren conectarán esa demanda con los ingresos sin hacer que el asistente parezca poco fiable o impredecible. Observe qué restringen, qué cargas de trabajo trasladan a productos empresariales y con qué claridad divulgan los incentivos comerciales. Esas decisiones mostrarán si la IA de consumo ha encontrado un mercado duradero o si sigue siendo la estrategia de adquisición más costosa de la industria.
