TL;DR: Sí, pero la pregunta tal como suele plantearse es la equivocada. Que un producto construido sobre el modelo de otro sea un negocio lo deciden casi por completo dos números que nada tienen que ver con lo delgado que sea el producto: qué nivel de modelo invoca y cuán intensivos son sus usuarios más intensivos. Con los precios publicados de agosto de 2026, una tarea realista cuesta 0,52 dólares por cada mil tareas en el nivel más barato que sirve, y esa misma tarea cuesta 40,00 dólares por cada mil en el nivel superior: una diferencia de 77 veces dentro del mismo mercado. En un plan mensual de 20 dólares eso es la diferencia entre un 92% de margen bruto y menos 140%. Otros dos hallazgos van contra la idea establecida. Primero, los precios no se están hundiendo de forma uniforme: el nivel insignia de un proveedor bajó un 67% mientras su nivel más barato subía un 25%, y un cambio de tokenizador documentado por ese proveedor implica alrededor de un 30% más de tokens para el mismo texto, lo que reduce un descuento de titular del 33% al 13% en el nivel de trabajo. Segundo, el lado de la demanda es lo contrario de lo que sugiere la burla al wrapper: en el estudio empresarial del MIT de 2025, las herramientas compradas a proveedores externos llegaron a producción alrededor del 67% de las veces frente a cerca del 33% de las desarrolladas internamente. Los compradores no intentan evitar su wrapper. Intentan evitar construirlo ellos mismos.
El insulto llegó antes que el análisis. Llame wrapper a un producto y la conversación se acaba, lo cual resulta cómodo, porque la palabra nunca ha significado nada preciso. Todo negocio de software se apoya en infraestructura que no le pertenece. La pregunta nunca fue si usted envuelve algo. Es si lo que añade vale más de lo que le cuesta, y eso es aritmética.
Hagamos entonces la aritmética, con precios publicados, y luego miremos qué hicieron realmente los compradores.
Lo que le cuesta el nivel de modelo, en la única unidad que importa
El precio de los tokens se cotiza por millón de tokens, una unidad en la que no opera ningún negocio. Los negocios operan en tareas: una acción del usuario que dispara una llamada significativa al modelo.
Definamos una tarea como 4.000 tokens de entrada y 800 de salida. Eso es un prompt de sistema, un documento o fragmento de conversación y una respuesta sustancial. No es ni la forma más barata ni la más cara del uso real, y permite comparar niveles sobre la misma base.
La primera tabla está verificada contra las páginas de precios publicadas por los propios proveedores a agosto de 2026. Las columnas segunda y tercera de la segunda tabla son derivadas por nosotros.
| Modelo | Entrada, por millón de tokens | Salida, por millón de tokens |
|---|---|---|
| GPT-5 nano | 0,05 $ | 0,40 $ |
| GPT-4.1 nano | 0,10 $ | 0,40 $ |
| GPT-4o mini | 0,15 $ | 0,60 $ |
| GPT-5 mini | 0,25 $ | 2,00 $ |
| Claude Haiku 4.5 | 1,00 $ | 5,00 $ |
| GPT-5 | 1,25 $ | 10,00 $ |
| Claude Sonnet 5 | 2,00 $ | 10,00 $ |
| GPT-4.1 | 2,00 $ | 8,00 $ |
| GPT-4o | 2,50 $ | 10,00 $ |
| Claude Opus 5 | 5,00 $ | 25,00 $ |
| GPT-5.5 | 5,00 $ | 30,00 $ |
Ahora los mismos precios expresados como lo que paga de verdad el dueño de un producto. El coste por tarea es derivado: tokens de entrada por la tarifa de entrada más tokens de salida por la tarifa de salida, con 4.000 y 800 tokens.
| Nivel | Coste por tarea | Coste por 1.000 tareas | Coste mensual, usuario con 300 tareas | Coste mensual, usuario con 3.000 tareas |
|---|---|---|---|---|
| GPT-5 nano | 0,00052 $ | 0,52 $ | 0,16 $ | 1,56 $ |
| GPT-5 mini | 0,00260 $ | 2,60 $ | 0,78 $ | 7,80 $ |
| Claude Haiku 4.5 | 0,00800 $ | 8,00 $ | 2,40 $ | 24,00 $ |
| GPT-5 | 0,01300 $ | 13,00 $ | 3,90 $ | 39,00 $ |
| Claude Sonnet 5 | 0,01600 $ | 16,00 $ | 4,80 $ | 48,00 $ |
| Claude Opus 5 | 0,04000 $ | 40,00 $ | 12,00 $ | 120,00 $ |
La diferencia entre la fila más barata y la más cara es de 77 veces. Este es un cálculo editorial de CEOtudent a partir de tarifas publicadas, y los supuestos están declarados para que usted pueda sustituirlos por los suyos: cambie la forma de la tarea y todos los números se mueven, pero la proporción entre niveles apenas lo hace.
La tabla de márgenes que decide si usted tiene un negocio
Ponga esos costes frente al precio de software de consumo más común del mundo, una suscripción mensual de 20 dólares, y el cuadro deja de ser abstracto. El margen bruto aquí es ingreso menos coste de inferencia solamente, antes de alojamiento, procesamiento de pagos, soporte y el tiempo de la fundadora.
| Nivel | Margen bruto, 300 tareas/mes | Margen bruto, 3.000 tareas/mes |
|---|---|---|
| GPT-5 nano | 99,2% | 92,2% |
| GPT-5 mini | 96,1% | 61,0% |
| Claude Haiku 4.5 | 88,0% | menos 20,0% |
| GPT-5 | 80,5% | menos 95,0% |
| Claude Sonnet 5 | 76,0% | menos 140,0% |
| Claude Opus 5 | 40,0% | menos 500,0% |
Lea con atención la columna de la derecha, porque contiene el verdadero modo de fallo de los últimos dos años de productos de IA pequeños. Nada en ella tiene que ver con ser un wrapper. Tiene que ver con que un precio plano se encuentre con una distribución de uso de cola larga. Un producto en el que el 5% de usuarios más activos genera diez veces la carga mediana parecerá sano en promedio y perderá dinero con los clientes a quienes más les gusta.
De ahí se siguen tres consecuencias, y son toda la estrategia.
La elección de modelo es una decisión de precio, no de ingeniería. Mover una carga de Sonnet 5 a GPT-5 mini recorta el coste por tarea alrededor de un 84%, y si la tarea es clasificación, extracción, enrutado o resumen sobre plantilla, la diferencia de calidad en el punto de uso suele ser invisible para el cliente. Los fundadores recurren al nivel más potente por comodidad y luego descubren que esa comodidad cuesta 6,2 veces la factura de inferencia por el mismo trabajo.
El precio plano necesita un techo. No uno hostil. Una cuota incluida generosa con exceso transparente, o un límite firme con ruta de mejora, convierte la cola de un riesgo existencial en una línea de ingresos.
La caché y el procesamiento por lotes son margen, no optimización. En el lado de Anthropic, un acierto de caché se cobra a 0,1 veces la tarifa base de entrada y el procesamiento por lotes lleva un 50% de descuento tanto en entrada como en salida. Para un producto con un prompt de sistema grande y estable invocado repetidamente, eso no es un error de redondeo, es la diferencia entre dos de las filas anteriores.
La curva de precios no hace lo que todo el mundo dice
El argumento estándar es: los costes de inferencia se están hundiendo, luego los márgenes del wrapper se ensanchan solos, luego construya ahora. El AI Index de Stanford HAI respalda la premisa a nivel histórico, al informar de que el coste de inferencia para un desempeño al nivel de GPT-3.5 cayó por un factor de más de 280 entre finales de 2022 y finales de 2024.
Pero eso es una afirmación sobre el precio decreciente de la capacidad de ayer, no sobre el precio de la frontera. Compare generaciones sucesivas dentro de la lista de precios publicada de un mismo proveedor y el cuadro es mucho menos ordenado. Las columnas de porcentaje siguientes son derivadas por nosotros de las tarifas publicadas.
| Paso | Cambio en precio de entrada | Cambio en precio de salida | Qué muestra |
|---|---|---|---|
| De Claude Opus 4.1 a Opus 5 | de 15,00 $ a 5,00 $, baja 66,7% | de 75,00 $ a 25,00 $, baja 66,7% | El nivel insignia se reajustó con fuerza a la baja |
| De Claude Sonnet 4.6 a Sonnet 5 | de 3,00 $ a 2,00 $, baja 33,3% | de 15,00 $ a 10,00 $, baja 33,3% | El nivel de trabajo cayó un tercio |
| De Claude Haiku 3.5 a Haiku 4.5 | de 0,80 $ a 1,00 $, sube 25,0% | de 4,00 $ a 5,00 $, sube 25,0% | El nivel barato se encareció, no se abarató |
| De GPT-4o a GPT-5 | de 2,50 $ a 1,25 $, baja 50,0% | de 10,00 $ a 10,00 $, sin cambio | Entrada a la mitad, salida plana |
| De GPT-4o mini a GPT-5 nano | de 0,15 $ a 0,05 $, baja 66,7% | de 0,60 $ a 0,40 $, baja 33,3% | El suelo siguió bajando |
| De GPT-5 a GPT-5.5 | de 1,25 $ a 5,00 $, sube 300,0% | de 10,00 $ a 30,00 $, sube 200,0% | Los nuevos niveles de frontera se sitúan por encima del insignia anterior |
Dos de esas filas apuntan hacia arriba. Quien planifique un negocio suponiendo que su coste de entrada baja cada año está planificando sobre un promedio que contiene sus propios contraejemplos.
Luego hay una nota al pie que la mayoría de los modelos de coste nunca abre. La documentación de precios de Anthropic indica que Claude 4.7 y los modelos posteriores usan un tokenizador más nuevo que produce aproximadamente un 30% más de tokens para el mismo texto. Eso importa porque a usted le facturan por token pero usted entrega caracteres. Aplicar la cifra aproximada del propio proveedor a los dos pasos anteriores da un descuento materialmente distinto.
| Paso | Recorte de titular por token | Ajustado por alrededor de 30% más de tokens | Recorte real sobre el mismo texto |
|---|---|---|---|
| De Opus 4.1 a Opus 5, entrada | 66,7% | 5,00 $ por 1,3 igual a 6,50 $ efectivos, frente a 15,00 $ | 56,7% |
| De Sonnet 4.6 a Sonnet 5, entrada | 33,3% | 2,00 $ por 1,3 igual a 2,60 $ efectivos, frente a 3,00 $ | 13,3% |
La salvedad honesta es que el proveedor califica ese 30% de aproximado y dependiente de la carga de trabajo, así que trate esto como una ilustración de la dirección y no como una cifra precisa para su caso. Pero la dirección es lo que cuenta: del 33,3% de descuento de titular en Sonnet, 13,3 puntos sobreviven al contacto con el tokenizador y 20 puntos no. Si su economía unitaria depende de un recorte de titular, mida sus propios recuentos de tokens antes y después de una migración de modelo en lugar de creerse la nota de prensa.
El hallazgo del lado de la demanda que contradice todo el género
Todo lo anterior es lado de la oferta. La evidencia más interesante trata de lo que hicieron los compradores, y va en dirección contraria al desprecio por los wrappers.
La iniciativa NANDA del MIT publicó The GenAI Divide: State of AI in Business 2025, construido a partir de 52 entrevistas estructuradas, una encuesta a 153 líderes y un análisis sistemático de más de 300 iniciativas de IA divulgadas públicamente. Su hallazgo de titular viajó lejos: alrededor del 95% de las organizaciones no obtenía retorno alguno de sus pilotos de IA generativa.
El hallazgo que no viajó es el que importa si usted está decidiendo qué construir. En su muestra, las alianzas externas con herramientas personalizadas y capaces de aprender llegaron a producción cerca del 67% de las veces, frente a alrededor del 33% de las herramientas construidas internamente. El informe es explícito en que se trata de resultados autoinformados que podrían no controlar todas las variables de confusión, y la muestra es lo bastante pequeña como para tratarlo como una señal fuerte y no como una medición. Pero la dirección fue consistente entre los entrevistados, y dice algo inequívoco: las empresas que intentaron saltarse al proveedor y construirlo ellas mismas fracasaron aproximadamente el doble de veces.
El informe es igual de específico sobre qué estaban pagando los compradores. Los directivos querían sistemas que aprendan del feedback, mencionado por el 66% de ellos, y que retengan contexto, exigido por el 63%. Las organizaciones que tenían éxito trabajaban con proveedores que resolvían aprendizaje, memoria y adaptación al flujo de trabajo. Las que fracasaban, en palabras del informe, o construían herramientas genéricas o intentaban desarrollar las capacidades internamente.
Lea esas dos frases juntas y la instrucción estratégica no tiene nada de sutil. Lo genérico es lo que fracasa. Construirlo en casa es la otra cosa que fracasa. Un producto externo y estrecho que acumula contexto sobre un flujo de trabajo es la forma que funcionó.
Queda un número más que conviene tener. El mismo estudio halló que en torno al 70% de la asignación de presupuesto de IA iba a ventas y marketing, mientras señalaba mejores retornos en operaciones y finanzas. Si está eligiendo una cabeza de playa, el extremo saturado del mercado es el que todo el mundo financia y el extremo desatendido es el que devuelve.
El mercado en el que se sitúan estos compradores no es pequeño ni se está encogiendo. El AI Index 2026 sitúa la adopción organizativa de IA en el 88% de las organizaciones encuestadas, con IA generativa en uso en al menos una función de negocio en el 70% de ellas, e informa de una inversión corporativa global en IA de 581.700 millones de dólares en 2025, un 130% más interanual. Esa combinación, adopción casi universal junto a una tasa de fracaso de pilotos del 95%, es la descripción real del mercado: un número enorme de organizaciones ha decidido que debe hacer esto y todavía no ha encontrado algo que funcione. Ese hueco es la oportunidad de producto, y es una demanda de algo específico, no de otro asistente generalista.
La puntuación de durabilidad del wrapper
La pregunta útil no es si un producto es un wrapper, sino cuánto sobrevive al contacto con tres fuerzas: el modelo absorbiendo su función, un competidor clonándolo en un fin de semana y su propia economía unitaria. La siguiente tarjeta de puntuación es un marco editorial de CEOtudent. Puntúe cada factor con 0, 1 o 2 y sume.
| Factor | 0 puntos | 1 punto | 2 puntos |
|---|---|---|---|
| Bucle de datos propio | El producto no sabe hoy nada que no supiera al registrarse | Acumula historial de usuario que mejora la salida dentro de una cuenta | Acumula un corpus entre cuentas que ningún entrante nuevo puede replicar |
| Profundidad de flujo de trabajo | Una caja de texto y un botón | Se integra con un sistema en el que el usuario ya vive | Se sitúa dentro de un proceso, mantiene estado y es el sistema de registro de un paso |
| Distancia de absorción | La función central es un prompt que el modelo podría entregar por defecto | Añade orquestación, evaluación o barreras que una interfaz de chat no tiene | Depende de permisos, integraciones o cumplimiento que un asistente general no obtendrá |
| Holgura de economía unitaria | Nivel de frontera, precio plano, sin límite | Nivel medio con caché, o precios ligados al uso | Nivel barato suficiente para la tarea, o precios que escalan con el uso |
| Distribución no pagada | El descubrimiento es totalmente anuncios o atención del día de lanzamiento | Una audiencia propia o una ficha en un mercado de integraciones | Incrustado donde se toma la decisión de compra, o referido por el dueño del flujo |
| Coste de cambio | Cancelar y no perder nada | Perder ajustes guardados e historial | Perder datos acumulados, integraciones y proceso de equipo |
Interpretación, y este es nuestro criterio y no un umbral medido: 9 o más describe un producto con un año defendible por delante. De 5 a 8 describe un negocio real que tiene que seguir moviéndose, que es la mayoría del software. Por debajo de 5 describe una funcionalidad que alquila tiempo hasta que alguien la entregue por defecto, y ahí el movimiento correcto no suele ser abandonar sino dedicar el trimestre siguiente a convertir un cero en un dos.
La fila con mayor palanca es la primera. Un bucle de datos propio es lo que describían los compradores del MIT cuando el 66% pedía sistemas que aprendan del feedback, y es el único factor de la lista que un competidor bien financiado no puede comprar el día que lo decide.
Qué no construir en 2026
Tres formas tienen mal historial y peor pronóstico.
La utilidad de un solo prompt. Un producto cuya función entera es una instrucción más una caja de texto más bonita compite directamente con un valor por defecto. Además no tiene bucle propio, lo que significa que cada día de operación lo deja exactamente igual de defendible que el día uno.
El agente sin precio. Los productos agénticos multiplican el consumo de tokens por el número de pasos de un bucle, lo que convierte la columna derecha de nuestra tabla de márgenes de un riesgo de cola en el caso base. Si una sola petición de usuario puede disparar cincuenta llamadas al modelo, un precio mensual plano no es un modelo de precios, es una apuesta a que habrá poco uso.
El asistente general para todos. Esta es la posición que los datos del MIT describen como genérica, y compite con los productos de consumo gratuitos que dominan el uso puntual. Aquí lo estrecho gana a lo amplio, y no por poco.
Para decisiones vecinas tratadas en otro lugar: la cuestión de la estructura de precios en nuestra comparación del negocio de un solo producto frente a una pila de ingresos, el problema del arranque en el problema del arranque en frío de los productos digitales, el método para fijar precios en la fijación de precios de productos digitales en la era de la IA y la realidad de mantenimiento de todo lo que se vende como automático en el mito del ingreso pasivo. El panorama más amplio de ingresos está en la economía de los ingresos extra con IA y lo que muestran los datos.
Entonces, ¿se puede construir uno todavía?
Sí, bajo condiciones que ya son lo bastante específicas como para comprobarlas antes de escribir código.
Elija una tarea que el nivel más barato que sirve pueda hacer, porque esa elección vale hasta 77 veces en coste y decide su margen antes que ninguna otra cosa. Fije precios de modo que el uso intensivo aumente el ingreso y no solo el coste. Elija un flujo de trabajo lo bastante estrecho como para que el contexto se acumule en algo que un asistente general no tendrá. Venda a un comprador que ya ha descubierto que construirlo internamente fracasa unas dos de cada tres veces. Y mida sus propios recuentos de tokens al migrar de modelo en lugar de creerse un descuento de titular.
Eso no es una estrategia de wrapper ni una estrategia antiwrapper. Es la misma disciplina que hacía funcionar los negocios de software antes de todo esto, aplicada a una estructura de costes que sí es nueva, y está al alcance de una sola persona sin financiación y con un mes de tardes libres.
Preguntas frecuentes
¿Es un negocio wrapper intrínsecamente menos defendible que el software tradicional?
No intrínsecamente, pero su versión por defecto sí lo es. El software tradicional también corre sobre infraestructura que no le pertenece. La diferencia es que un producto de IA delgado a menudo no tiene un activo que se acumule, así que no se vuelve más difícil de desplazar con el tiempo. La primera fila de nuestra tarjeta es el remedio, y está al alcance de cualquier producto que empiece a guardar lo que aprende.
¿Qué pasa si el proveedor del modelo lanza mi funcionalidad?
Es un riesgo real y se concentra en una fila de la tarjeta. Las funciones que están a un prompt de un valor por defecto se absorben. Los productos que dependen de permisos, integraciones, fronteras de cumplimiento o datos de cliente acumulados no, porque un asistente general tendría que adquirir esas relaciones cliente a cliente.
¿Debería usar el modelo más barato para todo?
No. Use el modelo más barato que supere su propia evaluación en su propia tarea, que para clasificación, extracción y escritura sobre plantilla suele estar muy por debajo de la frontera. Enrute a un nivel superior la pequeña proporción de peticiones que de verdad requieren razonamiento. El enrutado mixto es por lo que importa la tabla de coste por tarea: permite poner precio a la decisión de enrutado en lugar de adivinarla.
¿Es la cifra del 95% de fracaso del informe del MIT una razón para no construir?
Es una razón para tener cuidado con qué afirmación toma de él. El 95% describe pilotos empresariales que no producen impacto medible en la cuenta de resultados, a partir de una muestra de 52 entrevistas y 153 respuestas de encuesta, que es una base pequeña. El hallazgo más accionable del mismo informe es la brecha de 67% frente a 33% entre herramientas compradas y autoconstruidas, que es un argumento para ser el proveedor, no contra construir nada.
¿Cuánto pueden cambiar los números con la caché de prompts?
En la tabla de precios de Anthropic, un acierto de caché cuesta 0,1 veces la tarifa base de entrada. En nuestra tarea de ejemplo, donde 4.000 de los 4.800 tokens son de entrada y buena parte de un prompt de sistema real permanece estable entre llamadas, mover la mayoría de los tokens de entrada a lecturas de caché lleva el lado de entrada del coste hacia una décima parte de su valor de lista. No toca el coste de salida. Si eso da la vuelta a una fila de la tabla de márgenes depende de cuánta de su entrada se repite realmente, que es una pregunta sobre su producto y no sobre la página de precios.
Fuentes
Stanford Institute for Human-Centered Artificial Intelligence, The 2026 AI Index Report, capítulos de Technical Performance y Economy, 2026.
Stanford Institute for Human-Centered Artificial Intelligence, The 2025 AI Index Report, sobre la caída del coste de inferencia para desempeño al nivel de GPT-3.5.
MIT NANDA, The GenAI Divide: State of AI in Business 2025, julio de 2025, incluidas su metodología de investigación declarada y sus limitaciones de muestra.
Anthropic, documentación publicada de precios de los modelos Claude, incluidas tarifas por modelo, multiplicadores de caché de prompt, descuentos de procesamiento por lotes y la nota sobre el tokenizador para Claude 4.7 y posteriores, consultada en agosto de 2026.
OpenAI, documentación publicada de precios de API para las familias de modelos GPT-5, GPT-4.1 y GPT-4o, consultada en agosto de 2026.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:
