Esperar un gran anuncio del martes y recibir primero un texto largo sobre un cambio de límites tiene un efecto peculiar.
El 29 de septiembre de 2026, Tibo explicó que el plan Pro de 200 dólares volvería a aceptar nuevos suscriptores el día 30, pero que el nuevo cálculo de uso equivaldría aproximadamente a la mitad del gasto en API del antiguo Pro de 200 dólares.[1]
Es como esperar fuegos artificiales y recibir primero una actualización de la factura.
Hay una distinción importante: eso no significa que todos los modelos pasen automáticamente a tener la mitad de mensajes. Esa misma semana, OpenAI anunció que los precios de API de GPT-6 Sol y Luna eran un 50% inferiores a los precios promocionales de GPT-5.6.[2][3]
La lógica del proveedor es sencilla:
reducir la capacidad medida en dólares de API, abaratar los modelos y conseguir que el usuario siga completando más trabajo.
La aritmética puede funcionar.
Pero el cliente no compra "dólares equivalentes de API". Compra trabajo terminado.
1. ¿Qué es exactamente lo que se reduce a la mitad?
La publicación de Tibo decía que Pro $200 reabriría el 30 de septiembre y que, con el nuevo cálculo, su valor en gasto de API sería aproximadamente la mitad del plan anterior.[1]
También afirmaba que no volvería el límite de cinco horas, que el usuario podría gastar su presupuesto semanal cuando quisiera y que las mejoras de eficiencia y las bajadas de precio de la API se trasladarían al valor de la suscripción. Además, anticipó nuevas funciones que no consumirían ese uso.[1]
GPT-6 Sol y Luna, presentados el 22 de septiembre, tienen oficialmente precios de API un 50% inferiores a los precios promocionales de GPT-5.6.[2] La página oficial de precios muestra sus tarifas actuales.[3]
Si el presupuesto antiguo es B y una tarea cuesta C en equivalencia de API, el rendimiento es B/C.
Si el nuevo presupuesto es 0,5B y esa misma tarea baja a 0,5C:
0,5B ÷ 0,5C = B ÷ C
En teoría, el rendimiento no cambia.
Pero los trabajos reales de IA no son unidades idénticas.
2. El usuario mide trabajos terminados, no dólares abstractos
Cien preguntas cortas y una reparación de un repositorio grande no son comparables.
Contexto largo, razonamiento profundo, herramientas, pruebas, reintentos y ciclos de agentes pueden hacer que una sola tarea consuma muchísimo.
Por eso la pregunta útil es:
¿cuántos trabajos grandes puedo terminar esta semana?
Una métrica práctica sería:
trabajos completados ÷ cuota mensual
Un modelo puede ser excelente, pero si se queda sin capacidad antes de terminar, no entrega un resultado completo.
3. "Parece que puedo usarlo cien veces menos que Opus" no es un benchmark, pero la estructura de la queja es real
En tareas largas, las diferencias entre límites pueden sentirse enormes.
Un servicio puede permitir varios trabajos seguidos y otro puede parecer casi vacío después de una sola tarea pesada.
"Cien veces menos" es una exageración subjetiva, no una medición. Depende del plan, del modelo, del contexto y del tipo de trabajo.
Pero el problema real es si el tamaño de la tarea encaja con el diseño del límite.
Una tarea de cinco minutos tolera límites pequeños.
Un trabajo de treinta minutos, una hora o varias rondas de corrección y pruebas sufre muchísimo si se corta a mitad.
Por eso hay que evaluar también:
- si una tarea puede llegar al final;
- si puede reanudarse tras un fallo;
- cuántas tareas terminan por semana;
- si cambiar de modelo obliga a reconstruir el sistema.
4. Este es un momento para construir maquinaria, no solo para consumir IA
Nadie sabe si las suscripciones actuales subirán de precio, bajarán o cambiarán sus reglas.
Lo que sí sabemos es que las condiciones de uso no son un activo fijo.
La peor forma de aprovechar una inferencia barata es mantener miles de conversaciones útiles cuyos resultados solo viven en el historial.
La mejor es usar la inferencia de hoy para reducir la inferencia que necesitaremos mañana:
- automatizar investigación repetitiva;
- guardar criterios y reglas explícitas;
- convertir revisiones manuales en pruebas y evaluadores;
- dividir tareas gigantes en fases reanudables;
- guardar artefactos, evidencias y estado fuera del chat;
- aislar diferencias entre proveedores mediante un adaptador fino;
- medir qué modelo funciona mejor en cada clase de trabajo.
La idea es:
alquila la IA barata para construir una fábrica que siga funcionando cuando esa IA concreta deje de ser barata.
5. Diferenciar consumo efímero de activos duraderos
| Consumo efímero | Activo duradero |
|---|---|
| Repetir el contexto | Guardar especificaciones y reglas |
| Pedir revisión manual cada vez | Crear pruebas y evaluadores |
| Un prompt gigante | Fases con checkpoints |
| Leer la respuesta y terminar | Guardar artefactos, evidencia y estado |
| Modelo más fuerte para todo | Modelo barato primero, escalar si hace falta |
| Prompt mágico de un proveedor | Contrato común + adaptador fino |
| Pararse al llegar al límite | Retry, resume y handoff |
FrugalGPT mostró que una cascada que selecciona modelos según la consulta puede, en las tareas evaluadas, acercarse al mejor modelo individual con mucho menor coste.[4]
Otro estudio de 2026 sobre routing sensible al coste empleó un modelo más económico primero y escaló solo los casos de baja calidad, manteniendo entre el 97% y el 99% de la precisión del modelo más fuerte en sus pruebas.[5]
6. Arquitectura mínima para poder cambiar de proveedor
No hace falta una estrategia gigantesca de multicloud.
Basta con separar seis piezas:
- Contrato de trabajo: entradas, salidas y criterio de finalización sin nombrar un modelo.
- Adaptador de proveedor: diferencias específicas de cada API.
- Estado: dónde quedó el trabajo.
- Artefactos: código, documentos y evidencias fuera de la conversación.
- Evaluador: comprobar que "terminado" significa realmente terminado.
- Router: empezar con el modelo más barato que pueda resolverlo y escalar cuando haga falta.
Las guías Well-Architected de Microsoft también recomiendan reducir dependencias fuertemente acopladas y separar la lógica de dominio de detalles específicos de infraestructura.[6]
7. Qué pedir a los modelos potentes mientras son baratos
Lo más valioso es aquello que sigue generando valor después de cerrar la sesión.
- automatización de investigación, pruebas, publicación y reportes repetitivos;
- retry, resume, checkpoints, idempotencia y deduplicación;
- criterios de calidad verificables;
- observabilidad de tipo de tarea, modelo, éxito, reintentos, duración y uso;
- una puerta para cambiar de proveedor más tarde.
Entonces una subida de precio se convierte en un ajuste de routing, no en una reconstrucción.
8. Optimizaciones que envejecen mal
No conviertas "usar todo el límite" en el objetivo. Consumo no es producción.
No dependas de enormes tareas de una sola ejecución. Son frágiles ante cambios de cuota o interrupciones.
No acumules demasiada magia específica de un proveedor.
Y no hace falta predecir que una empresa concreta subirá o bajará precios.
Es mejor diseñar para sobrevivir a varias posibilidades que acertar una predicción.
9. Conclusión — la generosidad de una suscripción es el clima; tu sistema es la casa
Es normal molestarse cuando cambia la economía de un plan de 200 dólares.
También es normal mirar otro servicio y sentir que allí se termina mucho más trabajo real.
Pero si la productividad depende de la tabla de precios de hoy, cada anuncio del proveedor se convierte en un incidente operativo.
La estrategia más fuerte es convertir la inteligencia barata de hoy en capital duradero:
código, pruebas, evaluadores, datos, automatización, procesos reanudables y adaptadores de modelos reemplazables.
No supongas que el mejor modelo de hoy será siempre el mejor.
No supongas que la suscripción barata de hoy seguirá siendo barata.
Construye ahora el sistema que seguirá funcionando cuando termine la etapa barata.
Ese es el verdadero valor de esta ventana.
- Tibo (@thsottiaux), X post, 2026-09-29, announcing the 2026-09-30 reopening of Pro $200 and the new usage calculation x.com
- OpenAI, “Introducing GPT-6 Sol and Luna”, 2026-09-22 openai.com
- OpenAI API, “Pricing”, checked 2026-09-29 developers.openai.com
- Chen, Lingjiao; Zaharia, Matei; Zou, James, “FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance”, Transactions on Machine Learning Research, 2024 openreview.net
- Moslem, Yasmin et al., “Cluster, Route, Escalate: Cascaded Framework for Cost-Aware LLM Serving”, arXiv, 2026 arxiv.org
- Microsoft Azure Well-Architected Framework, guidance on reducing tightly coupled dependencies and separating domain logic from infrastructure concerns, checked 2026-09-29 learn.microsoft.com
