El coste real del entrenamiento de GPT-5

Hoy hablamos del dinero que mueve la inteligencia artificial generativa, y conviene mirar los ceros despacio porque los confunde casi todo el mundo, periodistas incluidos. La cifra que circula en titulares de prensa española —«entrenar GPT-5 cuesta tantos millones»— es siempre solo una pieza del puzle, y casi nunca la más cara. ¿Cuánto cuesta realmente fabricar un modelo de los grandes? La respuesta cambia el debate de «¿qué hace el modelo?» a «¿quién puede permitirse hacerlo?», que es la pregunta que el sector preferiría que no nos hiciéramos. Mi opinión: si no entiendes los ceros, no entiendes por qué solo hay cinco o seis competidores serios en el mundo.

Llevo dos años aficionándome a las notas técnicas de Epoch AI, una organización británica que se dedica precisamente a estimar lo que los laboratorios no publican. Cuando uno se acostumbra a sus desgloses, los titulares se vuelven legibles. Sin esos desgloses, la cifra de «mil millones» o «quinientos millones» se mezcla con la del salario de un futbolista y se vuelve abstracta. La intención de este artículo es romper esa abstracción.

Los chips, el suelo de la cuenta

Un modelo frontier de 2025 se entrena sobre decenas de miles de GPUs Nvidia trabajando en paralelo durante semanas o meses. La GPU de referencia para la generación de modelos GPT-4 a GPT-4.5 ha sido la H100. La generación siguiente —ya en pleno despliegue— usa H200 y B200/B300, sucesivamente más potentes y más caras.

El precio nominal de una H100 ronda los 25.000 a 31.000 dólares por unidad, según el integrador y el formato de venta. Lo más informativo, sin embargo, no es el precio de compra sino el precio de alquiler por hora en la nube. Ahí los números cuentan la historia con claridad. A principios de 2024 una H100 se alquilaba en torno a 8 dólares la hora; a finales de 2025 había caído al rango de 1,50 a 3 dólares la hora; en marzo de 2026 los contratos a un año estaban subiendo otra vez, según el índice de SemiAnalysis, hasta unos 2,35 dólares la hora. La oscilación es brutal y explica por qué las cifras de coste de entrenamiento publicadas en distintas fechas son difíciles de comparar.

Para hacerse una idea del orden de magnitud, entrenar GPT-3 en 2020 consumió en torno a 1.300 megavatios-hora de electricidad sobre miles de GPUs anteriores. Entrenar GPT-4 en 2022-2023 consumió, según las estimaciones públicas más conservadoras de Epoch AI, en torno a 100 millones de dólares solo en cómputo de la corrida principal. La cifra subió a varios cientos de millones para la generación inmediatamente posterior. Y aquí es donde el caso de GPT-5 se vuelve interesante.

Lo que Epoch AI dice de GPT-5

En agosto de 2025, Epoch AI publicó un análisis titulado Why GPT-5 used less training compute than GPT-4.5 —disponible en epoch.ai/gradient-updates— que rompió un esquema mental muy extendido. La hipótesis intuitiva era que cada generación duplica o triplica el cómputo. Pero el equipo de Epoch documentó que GPT-5 había usado menos cómputo de entrenamiento que GPT-4.5, su predecesor inmediato. La mejora venía no del tamaño bruto sino de la eficiencia algorítmica.

Eso no quiere decir que GPT-5 fuera barato. Quiere decir que la cifra del entrenamiento del modelo final no es la que mejor describe la inversión total. Las cuentas operativas filtradas y reconstruidas por varias fuentes apuntan a que OpenAI gastó en 2024 unos 3.000 millones de dólares en cómputo de entrenamiento de modelos —incluyendo todos los experimentos previos al modelo definitivo— más 1.000 millones adicionales en cómputo de investigación, sumando aproximadamente 5.000 millones de dólares de gasto de I+D solo en cómputo. La proyección de Epoch para 2025 sitúa esa cifra cerca de 9.000 millones.

La diferencia entre «el coste de la corrida final» y «el gasto total de I+D en cómputo» es del orden de diez veces. Cuando un periodista escribe que GPT-5 costó 500 millones, está reportando aproximadamente la primera cifra. Y está omitiendo todo lo demás.

Lo que no entra en el titular

Hay siete partidas que el titular omite y que conviene tener delante.

La investigación previa. Antes de la corrida final hay decenas o cientos de pretraining experiments fracasados. Cada uno cuesta entre cientos de miles y decenas de millones. La suma es probablemente mayor que el modelo definitivo. Es la pieza más importante y la que peor se ve desde fuera.

Los salarios. Un laboratorio frontier emplea entre quinientos y mil quinientos ingenieros y científicos. El sueldo medio en EE. UU. para un investigador senior de IA en 2025 ronda los 800.000 a 1,5 millones de dólares anuales en compensación total, según los rangos públicos de ofertas de OpenAI, Anthropic, Google DeepMind y Meta AI. Multiplica y mira.

Los datos. Las licencias firmadas por OpenAI con News Corp, Axel Springer, Financial Times, Le Monde, Associated Press y otros editores acumulan, según las estimaciones combinadas de Press Gazette y Reuters, cifras que sumadas se acercan ya a los mil millones de dólares en compromisos plurianuales. Eso es solo lo público. Hay otras partidas en datos anotados por humanos para reinforcement learning con feedback humano, en pruebas de seguridad encargadas a contratistas, y en datos sintéticos generados con cómputo propio.

La inferencia. Una vez el modelo está entrenado, hay que servirlo. ChatGPT atiende, según las cifras públicas más recientes de OpenAI, en torno a 700 millones de usuarios activos semanales en 2025. Cada consulta a un modelo grande consume electricidad y tiempo de GPU. SemiAnalysis y otros analistas estiman que el coste anual de inferencia para una empresa como OpenAI ya iguala o supera el coste anual de entrenamiento.

La seguridad y la evaluación. Los equipos de red team —humanos que intentan romper el modelo antes de publicarlo— consumen presupuesto propio. Las evaluaciones automáticas contra docenas de benchmarks suman cómputo. Las auditorías externas, los acuerdos con institutos de seguridad —AISI en Reino Unido, AISI en EE. UU.—, los abogados regulatorios. Todo eso pesa.

La infraestructura. Construir un centro de datos con la densidad eléctrica requerida para clusters de cien mil GPUs requiere obra civil, generación eléctrica dedicada, refrigeración líquida, redes de baja latencia, software propietario de orquestación. Microsoft anunció en 2024 una inversión de 80.000 millones de dólares en centros de datos durante el ejercicio fiscal 2025. La cifra ha venido revisándose al alza desde entonces.

El capital previo amortizado. Las GPUs no se compran para un modelo: se compran para cinco años de uso. Cuando se reporta el coste de entrenamiento se calcula multiplicando horas-GPU consumidas por precio horario teórico, ignorando la amortización real del activo y los costes financieros del capital inmovilizado.

Cualquier cifra que no incluya estas siete partidas es una cifra incompleta. Probablemente está bien para titulares. No vale para entender el sector.

La inferencia, el coste oculto

Conviene detenerse en la inferencia porque es la pieza que más cambia el debate público. Cuando alguien dice «el modelo gratis», está describiendo una situación que no es gratis para nadie.

Cada vez que un usuario de ChatGPT envía un mensaje, los servidores de OpenAI procesan ese mensaje a través de un modelo de cientos de miles de millones de parámetros, generan una respuesta, y eso consume electricidad y depreciación de hardware. El coste marginal por consulta es muy pequeño —centavos de céntimo—, pero multiplicado por cientos de millones de usuarios y decenas de consultas por día y usuario, da cifras astronómicas.

Las estimaciones públicas de SemiAnalysis y otros analistas sitúan el coste anual de inferencia de OpenAI en 2025 en el rango de varios miles de millones de dólares, una cifra comparable al coste anual de entrenamiento. Anthropic y Google están en el mismo orden de magnitud, ajustado a su base de usuarios. Esto significa que el modelo gratis del marketing es, en realidad, el modelo subsidiado por capital de Microsoft, Amazon, Google y los inversores que aún confían en que algún día la economía cuadre.

Quién puede pagar la entrada

A día de hoy, los actores que han entrenado un modelo frontier en los últimos doce meses son media docena. OpenAI con Microsoft. Anthropic con Amazon y Google. Google con DeepMind. Meta con su división de IA propia. DeepSeek con el respaldo financiero del fondo cuantitativo High-Flyer y, presumiblemente, con apoyo del estado chino. Alibaba con Qwen. xAI con la financiación personal de Elon Musk. Mistral, en una división claramente inferior pero con un nicho propio.

Esa lista es tan corta no por mala suerte, sino porque la suma de las siete partidas anteriores supera los diez mil millones de dólares al año en gasto sostenido, y solo los grandes hyperscalers —Microsoft, Amazon, Google— y los pocos competidores capaces de pagar acuerdos comparables tienen ese músculo. La barrera de entrada no la pone el algoritmo. La pone la cuenta corriente.

El golpe DeepSeek y lo que cambia

En enero de 2025, DeepSeek publicó su modelo R1 con la afirmación de que la corrida final de su predecesor V3 había costado 5,6 millones de dólares en cómputo. La cifra encendió las redes —y, lo recordamos, generó la mayor caída bursátil en la historia de Nvidia el 27 de enero de 2025—. La cifra estaba contada con criterios honestos pero parciales: era el coste de la corrida final en horas-GPU multiplicado por el precio horario teórico de una H800, excluyendo todo lo demás —experimentación previa, infraestructura amortizada, personal, datos—. El coste total real del proyecto era seguramente del orden de cientos de millones, financiado por el fondo cuantitativo High-Flyer del propio fundador, Liang Wenfeng.

La cifra de 5,6 millones, aun siendo titular tramposo, tenía un fondo verdadero. La eficiencia algorítmica de DeepSeek —mixture of experts más agresivo, entrenamiento con menos datos pero mejor curados, aprendizaje por refuerzo con verificación de resultado— demostraba que se podía entrenar un modelo competitivo con un orden de magnitud menos de cómputo. Si esa curva de eficiencia continúa, la barrera de entrada baja también. Y si baja la barrera, el sector deja de ser de seis actores y pasa a ser de quince o veinte.

Aún no sabemos si esa curva se mantendrá. Pero el efecto sobre el debate ya se nota. Los inversores miran ahora menos las cifras de entrenamiento puras y más la eficiencia de cómputo por punto de benchmark. El Bureau of Industry and Security estadounidense, encargado de los controles de exportación de chips a China, está revisando si los controles produjeron el efecto opuesto al deseado: forzar a los laboratorios chinos a innovar precisamente en eficiencia, y exportar luego esa eficiencia a través de papers públicos.

La cuestión política

Esto es opinión personal, pero la sostienen los datos que llevo enumerados. La estructura de costes que acabamos de ver convierte a la IA generativa en un sector inevitablemente oligopólico. No por conspiración, no por mala fe regulatoria, sino por física económica: hay un umbral mínimo de capital para participar, y ese umbral está en los diez mil millones de dólares anuales mantenidos durante varios años seguidos.

Esto tiene consecuencias que conviene nombrar sin dramatismo. La primera es que la regulación nacional tiene capacidad limitada: si los seis o siete actores capaces de entrenar frontier están casi todos en Estados Unidos y China, lo que decidan los reguladores europeos sobre IA afecta más al uso que a la producción. La segunda es que el debate sobre democratización de la IA mediante modelos de pesos abiertos solo es operativo si los costes de entrenamiento bajan. Si no bajan, la apertura es retórica: los pesos están abiertos pero nadie puede reentrenarlos. La tercera es que el capital riesgo y los hyperscalers han fundido sus intereses, lo cual es noticia financiera tanto como tecnológica.

Lo que diría yo a la prensa española y a la conversación pública: cada vez que alguien escriba que «entrenar el modelo X costó tantos millones», la pregunta inmediata debería ser «¿qué partidas se han incluido en esa cifra?». Probablemente la respuesta sea «solo la corrida final». Y eso convierte el dato en una pieza decorativa, no en información útil.

El último dato firme disponible, recogido por Epoch AI en su análisis Training compute costs are doubling every eight months for the largest AI models publicado en mayo de 2025, muestra que el coste de entrenamiento de los modelos punteros se ha multiplicado entre 2 y 3 veces por año durante los últimos ocho años. Si esa curva se mantiene, los modelos top de 2027 costarán más de mil millones de dólares solo en su corrida final, y los actores capaces de hacerlo serán cuatro o cinco, no diez.

Definiciones

Coste de la corrida final: gasto en cómputo de la sesión de entrenamiento del modelo definitivo, calculado como horas-GPU multiplicadas por el precio horario teórico del hardware. Es la cifra que suele citarse en titulares. Excluye todo lo demás.

Compute amortization: cómputo asignado a investigación general y a experimentos previos al modelo final. En las cuentas operativas de OpenAI representó, en 2024, una partida del orden de 1.000 millones de dólares.

Pretraining experiment: corrida de entrenamiento exploratoria que prueba una hipótesis arquitectónica antes del modelo final. Suelen ser de menor escala pero suman, en agregado, más cómputo que el modelo definitivo.

Inferencia: el cómputo consumido por cada consulta a un modelo ya entrenado. Para servicios masivos como ChatGPT, su coste anual agregado iguala o supera al de entrenamiento.

Referencias

Epoch AI, How much does it cost to train frontier AI models? (blog, 2024, actualización continua). Estimaciones públicas de coste de entrenamiento por modelo y tendencia histórica.

Epoch AI, Why GPT-5 used less training compute than GPT-4.5 (but GPT-6 probably won't) (gradient-updates, agosto de 2025). Análisis del caso concreto y de la eficiencia algorítmica.

Epoch AI, Training compute costs are doubling every eight months for the largest AI models (data-insights, mayo de 2025). Curva de coste y proyección a 2027.

Epoch AI, Most of OpenAI's 2024 compute went to experiments (data-insights, 2025). Desglose de las cuentas operativas reconstruidas de OpenAI.

SemiAnalysis, H100 vs GB200 NVL72 Training Benchmarks (newsletter, 2024-2025). Datos de hardware, precios y rentabilidad de operación.

SemiAnalysis, The Great GPU Shortage – Rental Capacity (newsletter, marzo de 2026). Índice de precio horario de H100 y dinámica del mercado de alquiler.

Stanford HAI, Artificial Intelligence Index Report 2026 (abril de 2025). Capítulo sobre cómputo y dinámica de inversión en frontier models.

Press Gazette, cobertura de los acuerdos de licencia de OpenAI con editoriales (2024-2025). Fuente de las cifras sobre acuerdos con News Corp, Axel Springer, FT y otros.

Para profundizar

Daron Acemoglu & Simon Johnson, Power and Progress (PublicAffairs, 2023). Marco histórico sobre cómo las tecnologías de propósito general concentran beneficios y por qué la dirección no es neutral.

Mariana Mazzucato, The Entrepreneurial State (Anthem Press, 2013). Análisis del papel del capital público en la I+D tecnológica, útil para entender por qué los hyperscalers han ocupado el espacio que en otros sectores ocupa el Estado.

Vili Lehdonvirta, Cloud Empires (MIT Press, 2022). Cómo se construyó el oligopolio cloud que hoy paga la cuenta de la IA.

Cade Metz, Genius Makers (Dutton, 2021). Historia narrativa del sector, útil para entender cómo seis laboratorios acabaron decidiendo el ritmo.

También te interesa

• Epoch AI dice que los datos se agotan en 2028
• Qué dice el AI Index Report 2026 que la prensa española no cuenta
• DeepSeek y el final del monopolio americano
• Nvidia vale más que la economía de España

En otros sitios

• Computation used to train notable AI systems (Our World in Data)
• Scaling up: how increasing inputs made AI more capable (Our World in Data)