# La IA no está subsidiada…

> Comparar una suscripción con la API no demuestra un subsidio. Una reflexión sobre costos, conocimiento humano y el valor que aportamos al usar IA.

Canonical: https://www.gilbertsahumada.com/blog/la-ia-no-esta-subsidiada/
Last updated: 2026-10-31

IA · Modelos de lenguaje · Datos · Reflexiones

![Ilustración en blanco y negro con la pregunta ¿Quién subsidia a quién?, una persona, ideas y un servidor.](https://www.gilbertsahumada.com/images/blog/la-ia-no-esta-subsidiada/portada.jpg)

Amigo, la IA no está subsidiada. O, por lo menos, no puedes demostrarlo con esa comparación entre suscripción y API que todo el mundo repite como loro.

Porque claro, si miramos solamente los números que nos muestran, podrían llegar a tener razón. Pero yo creo que estamos dejando fuera una parte bastante importante de la película: el valor de lo que nosotros generamos al utilizarla.

Para explicar mi punto, hay tres cosas que tenemos que mirar.

* Primero, la diferencia entre lo que cuesta generar una respuesta y lo que te cobran por ella.
* Segundo, el valor de nuestra interacción, sobre todo cuando la persona que está al otro lado sabe de lo que está hablando.
* Y tercero, de dónde viene ese conocimiento que nosotros aportamos. Ahí entra algo que yo considero un don divino: la imaginación.

Vamos por partes.

El argumento que siempre escucho es más o menos este: “Mira todo lo que puedes hacer con una suscripción de veinte dólares. Si hicieras lo mismo por API, te saldría muchísimo más caro. Alguien te está pagando la diferencia”.

Ya, pero espérate. Estás comparando dos precios. ¿Cómo calculaste, a partir de eso, cuál es el costo real para la empresa de generar una respuesta?

El precio de la API es lo que la empresa decidió cobrarte por ese servicio. Para saber cuánto pierde o gana con tu consumo, necesitamos conocer cuánto utilizas los modelos y cuánto les cuesta generar esas respuestas.

Podemos estimar el consumo de energía, el costo del equipo, la refrigeración, la transferencia de datos y el mantenimiento. También están investigación, entrenamiento, personal e infraestructura que no siempre se está utilizando.

No tenemos toda la contabilidad de los labs, pero podemos construir escenarios y sacar cuentas.

Digamos, como supuesto, un margen bruto del 65%. Si producir algo cuesta un dólar, tendrías que venderlo aproximadamente a 2,86 dólares para tener ese margen.

Es un supuesto, no el margen declarado de los labs. Pero sirve para mostrar cuánto puede separarse el precio del costo.

Además, tampoco basta con decir “puedo usarlo todo el mes”.

¿Cuánto consumiste realmente y con qué modelos? ¿Y cuánto consumen, en promedio, los demás usuarios del plan?

Comparar una suscripción con el precio de la API, por sí solo, no demuestra que la cuenta no dé.

Y sí, puede haber usuarios cuyo consumo cueste más de lo que pagan. Puede haber planes que generen pérdidas. Eso no me cuesta nada reconocerlo.

Pero incluso aceptando esas pérdidas, todavía falta una parte de la cuenta: lo que nosotros aportamos mientras utilizamos el modelo.

Los labs entrenaron sus modelos con cantidades gigantescas de información que nosotros ya habíamos generado: libros, artículos, investigaciones, código, conversaciones, páginas web. Años y años de conocimiento humano.

Y sí, para mí avanzaron primero y discutieron los permisos después. No le preguntaron a cada autor si quería que su trabajo terminara entrenando modelos. Prefirieron pedir perdón antes que pedir permiso.

Esa información tenía valor. Tanto valor que sirvió como materia prima para construir estos sistemas.

A esa información ahora se suma otra: la que generamos al intentar resolver problemas reales con los modelos.

Y cuando encontramos errores y corregimos al modelo, importa muchísimo quién está haciendo esa corrección. Una cosa es decirle “no me gusta tu respuesta”, y otra es que un especialista le explique un error que requiere justamente de un especialista para detectarlo.

Imagínate un programador con años de experiencia. El modelo le entrega un código que se ve bien, parece funcionar y pasa una prueba básica. Pero él reconoce que, bajo ciertas condiciones, ese código va a duplicar una operación o perder información.

Entonces reproduce el fallo, explica qué lo causa y muestra una solución que sí funciona.

Ahí tienes conocimiento especializado, un error identificado y una corrección comprobable.

Eso vale mucho para evaluar un sistema y preparar entrenamientos posteriores, siempre que esa interacción se seleccione y se utilice para eso. Tampoco se trata de darle la razón a cualquiera que corrija al modelo; una persona también puede equivocarse.

Conseguir buenos ejemplos, buenas evaluaciones y correcciones fundamentadas cuesta trabajo. Y hay empresas pagando muuucho por ese trabajo.

Mira Outlier, de Scale AI. Busca especialistas para generar problemas, evaluar respuestas y revisar código. En sus ofertas de programación anuncia pagos de [hasta cincuenta dólares por hora](https://app.outlier.ai/en/expert/opportunities/4501207005).

O Mercor, que conecta especialistas con laboratorios de IA. En mayo de 2026 decía que pagaba [más de dos millones de dólares diarios](https://www.mercor.com/blog/when-you-go-from-2-million-a-month-to-2-million-a-day/) a su red de contratistas.

Obviamente, una conversación cualquiera no equivale a un trabajo revisado y validado para un laboratorio. Y no toda conversación termina en un entrenamiento: depende del servicio, de sus políticas y de lo que hayas permitido. Pero nosotros podemos estar produciendo parte de esa materia prima mientras resolvemos nuestras cosas.

Piensa en la conversación con la que estoy construyendo este texto. Yo traigo una idea, la IA propone un texto y le digo: “Esto no conecta. Aquí cambiaste lo que yo quería decir”.

Trabajamos sobre eso hasta encontrar una forma mejor de expresarlo. Ahí hay intención, criterio y contexto que estoy aportando yo.

Por eso me parece tan incompleto mirar al usuario solamente como alguien que consume cómputo.

Además, conseguir a ese usuario tiene un valor comercial. Dar una muestra gratis ha existido siempre: una empresa gasta hoy para que conozcas el producto, lo incorpores a tu vida y termines pagando después.

A eso se le llama costo de adquisición de clientes.

Y en la IA pueden juntarse ambas cosas: consiguen un posible cliente y, dependiendo del servicio, información útil para mejorar lo que venden.

La empresa intenta hacer funcionar esta rueda: más personas utilizan el sistema, aparecen más problemas reales y oportunidades de mejora, y un producto mejor puede atraer más usuarios y nuevos negocios.

Aprovechar esa información requiere trabajo. Pero difícil de aprovechar no significa que valga cero.

La información es poder, y estas empresas lo saben bastante bien.

Ahora, alguien podría decirme: “Ya, pero la IA también puede generar sus propios datos. Incluso puede ayudar a construir modelos mejores. Entonces, ¿para qué nos necesita?”.

Buena pregunta. Sí, los modelos pueden generar datos sintéticos, escribir código, proponer experimentos y participar en el desarrollo de sus sucesores. Los propios labs hablan de formas iniciales de mejora recursiva.

Hasta aquí hablamos de corregir al modelo con algo que ya sabemos. Pero el ser humano también puede traer una pregunta, una intuición o una idea que todavía no había logrado expresar.

Hablamos de inteligencia como si ya supiéramos exactamente qué es. Medimos cuánto tarda un sistema en responder, cuántos problemas resuelve, cuánto recuerda. Y si supera al ser humano en una prueba, aparece alguien diciendo que ya es superior a nosotros.

¿Superior en qué sentido?

Einstein decía que “la imaginación es más importante que el conocimiento”.

El conocimiento lo podemos adquirir, estudiar, transmitir. Pero también podemos imaginar algo que todavía no existe y empezar a darle forma.

Para mí, la imaginación es ese atributo divino que nos permite crear. Es una puerta de acceso a mundos superiores.

A veces tienes una intuición antes de tener las palabras. Sientes que hay una conexión, que algo podría existir o que un problema se puede mirar de otra manera. Después viene el trabajo de entenderlo, expresarlo y comprobarlo.

Yo no creo que eso se reduzca a procesamiento de información. Hay algo profundamente espiritual ahí, y un acceso al conocimiento que, desde mi visión, la IA no va a tener jamás.

Eso no me impide utilizarla. Al contrario, ahí veo la ayuda mutua.

Llego con una idea medio desordenada, el modelo me ayuda a explorarla y me muestra contradicciones, y yo vuelvo a intervenir porque sé lo que estaba intentando expresar. De ahí puede salir una idea mucho más desarrollada.

Esas ideas que florecen en nuestra mente también entran en la conversación con el modelo. Y para mí, lo que aportamos ahí tiene mucho más valor del que creemos.

Puedes mostrarme que una empresa pierde dinero hoy y que sus inversionistas están financiando ese crecimiento. Perfecto.

Lo que cuestiono es que comparemos dos precios como si fueran costos y que la cuenta solo incluya lo que la empresa gasta, dejando fuera lo que recibe de nosotros.

¿Ese valor compensa los costos? Habrá que demostrarlo en cada caso. Yo tampoco voy a inventar un precio para cada idea.

Pero nosotros también estamos poniendo algo sobre la mesa.

¿Cuánto vale eso… y quién se está quedando con ese valor?

También puedes ver esta reflexión en el video [La IA no está subsidiada](https://youtu.be/cBI1xhSJ3pU).

## Related

* [¿De verdad me gustaba programar?](https://www.gilbertsahumada.com/blog/la-ia-el-codigo-y-quienes-somos-ahora/)
* [Company Brain: qué es y cómo construirlo con IA](https://www.gilbertsahumada.com/blog/que-es-un-company-brain-y-como-puedes/)
