El costo de utilizar inteligencia de machine learning está disminuyendo en varios órdenes de magnitud cada año, sin señales de desaceleración. Se espera que los LLMs se conviertan en infraestructura ubicua, ejecutándose localmente en hardware de commodity dentro de 3‑6 años. La evidencia incluye modelos propietarios como GPT‑6 Astra y modelos de pesos abiertos como GLM‑5.3‑flash, así como modelos locales como Muse Glimmer y Qwen3 Coder.

La eficiencia energética de GPU sigue una curva logarítmica, duplicándose aproximadamente cada dos años — comparable a las ganancias históricas de la Ley de Moore. El precio de los modelos es por token, pero el costo a nivel de tarea está cayendo drásticamente; la frontera de Pareto en 2026 muestra modelos que van desde opciones baratas y menos inteligentes hasta opciones costosas y de alto rendimiento. Los motores de inferencia están mejorando rápidamente, entregando ganancias del 10‑50% anuales.

A medida que los costos de token se vuelven insignificantes, la calidad y el acceso emergen como los nuevos factores limitantes para la adopción de IA.