Dos nuevos modelos de lenguaje con perfiles diferenciados —uno orientado a razonamiento complejo y otro a procesamiento de alto volumen— han reducido en un 50% los costos de acceso vía API respecto a sus predecesores. La caída no responde a una estrategia de precio agresiva, sino a avances concretos en eficiencia de inferencia y almacenamiento en caché que no comprometen la capacidad operativa. El modelo diseñado para tareas complejas —como generación y revisión de código— alcanzó un 33.2% en AutomationBench, una evaluación de referencia que mide el desempeño de agentes de IA en ventas, marketing, operaciones, atención al cliente, finanzas y recursos humanos. El modelo de alto volumen mejoró 5.4 puntos porcentuales en la misma evaluación, con un costo por tarea un 58% más bajo. En términos de precisión, el modelo de razonamiento registra la mitad de errores frente a su versión anterior, según evaluaciones basadas en interacciones reales. Estos indicadores importan porque AutomationBench se ha consolidado como un criterio de selección técnica en entornos empresariales: mide rendimiento en condiciones de uso real, no en benchmarks de laboratorio. Más allá del ajuste de precios, el cambio de fondo está en cómo se procesa la inferencia a escala. El almacenamiento en caché de contextos previos —con descuentos de hasta el 90% en tokens ya procesados— permite que plataformas con flujos repetitivos reduzcan de forma significativa su consumo computacional. El caso de GitHub ilustra el impacto operativo: la plataforma reportó una reducción superior al 50% en tokens que requieren procesamiento nuevo, en miles de millones de solicitudes. El resultado fue una mejora directa en los tiempos de respuesta de su herramienta de asistencia para desarrolladores. Cuando el contexto se reutiliza en lugar de recomputarse, el costo marginal de escalar agentes de IA cae de forma proporcional al volumen. El lanzamiento de estos modelos coincide con movimientos similares de competidores directos, que también han ajustado precios en sus modelos de mayor capacidad. La coincidencia no es casual: el mercado de modelos de lenguaje para uso empresarial atraviesa una etapa de consolidación donde el precio por token y el rendimiento en evaluaciones de automatización se han vuelto criterios determinantes. Para organizaciones en México y Latinoamérica que evalúan infraestructura de IA para operaciones, soporte o desarrollo de producto, este ciclo de reducción de costos amplía el espectro de casos de uso financieramente viables. La pregunta estratégica ya no es si adoptar modelos de lenguaje, sino cómo maximizar el retorno sobre la inversión a través de decisiones de arquitectura: elección del perfil de caché, volumen de tokens y tipo de tareas a automatizar.