📈 economics

Token Is All You Price

Este artículo demuestra que el modelo de precios basado en tokens en la IA generativa es la estrategia óptima para maximizar ingresos al filtrar a los compradores según su urgencia mediante límites de tiempo de uso.

Autores originales: Weijie Zhong

Publicado 2026-04-28

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Weijie Zhong

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El misterio de los "tokens": ¿Por qué la IA te cobra por tiempo o por cantidad?

Imagina que vives en un mundo donde la información es como el agua, pero no sale de un grifo común, sino de una fuente mágica que tarda un poco en filtrarse. Esta fuente te da respuestas a tus dudas, pero la fuente tiene un límite: no puede soltar toda el agua de golpe, tiene que hacerlo gota a gota para no secarse.

Ahora, imagina que hay dos tipos de personas que quieren usar esa fuente:

El Estudiante (Paciente): Tiene toda la tarde para estudiar. No le importa si la respuesta llega en 5 minutos o en 20. Lo que quiere es que la respuesta sea lo más precisa y completa posible.
El Cirujano (Urgente): Está en medio de una operación. Necesita la respuesta ya. No le importa si la información es un poco más "superficial" o rápida, lo que necesita es velocidad.

El problema del vendedor: El dueño de la fuente quiere ganar el máximo dinero posible. ¿Cómo debería cobrarle a cada uno sin que el estudiante se vaya con la competencia o el cirujano sienta que le está robando?

La idea principal: "El Menú de la Gotera"

Tradicionalmente, en economía se pensaba que para diferenciar clientes, el vendedor debía ofrecer productos distintos. Por ejemplo: una versión "barata y lenta" para el estudiante y una "cara y rápida" para el cirujano. Esto es como si el dueño de la fuente tuviera que construir dos fuentes diferentes.

Pero este estudio (de Weijie Zhong) descubre algo sorprendente: No hace falta cambiar la fuente.

El autor demuestra que lo más inteligente para el vendedor es tener una sola fuente perfecta (que en el mundo de la IA llamamos "alineada con las preferencias", es decir, que da las mejores respuestas posibles) y simplemente ponerle un "tope" o un "temporizador" a cada cliente.

La analogía del Buffet de Sushi 🍣

Imagina un buffet de sushi de alta calidad. El chef es un maestro y prepara el mejor sushi del mundo (esta es la "IA de alta calidad").

Al cliente paciente (el estudiante): Le dices: "Puedes comer todo el sushi que quieras, pero tienes que esperar a que el chef lo prepare con calma". Le cobras un precio estándar por el acceso ilimitado.
Al cliente urgente (el cirujano): Le dices: "Puedes tener el sushi más rápido, pero solo tienes derecho a 10 piezas en los próximos 10 minutos. Si quieres más, tendrás que pagar un extra o esperar".

El resultado: El vendedor no pierde tiempo creando un "sushi de baja calidad" para el cliente barato. Simplemente usa el mismo sushi increíble, pero le pone un límite de consumo (un "cap") según la urgencia de cada uno.

¿Cómo se aplica esto a ChatGPT, Claude o Gemini?

Si te fijas en cómo cobran las empresas de IA, verás que el estudio tiene toda la razón:

Suscripciones de Consumo (ChatGPT Plus / Claude Pro): Te dan el modelo más inteligente, pero te dicen: "Tienes un límite de mensajes cada 3 horas". No te están dando un modelo "peor", te están poniendo un tope de tiempo/uso.
Servicios para Empresas (APIs): Hay niveles como "Priority" o "Batch". El modelo es el mismo, pero en el nivel "Batch" (lote), la IA te procesa la información más lento y barato, porque asume que no tienes prisa.

En resumen:

El artículo dice que las empresas de IA no necesitan crear modelos "tontos" para los usuarios que pagan poco. Lo que hacen es usar su mejor modelo para todos, pero controlan cuánto y qué tan rápido puedes usarlo.

El "Token" (la unidad de medida de la IA) es, en realidad, un cronómetro disfrazado de moneda. El precio no es solo por la inteligencia, sino por la velocidad con la que esa inteligencia llega a tus manos.

Resumen Técnico: "Token Is All You Price: Screening Urgency via Information Design"

1. El Problema (Contexto y Definición)

El artículo aborda el diseño de mecanismos de precios para servicios de información dinámica bajo una restricción de capacidad de procesamiento (throughput constraint). El modelo se inspira en la estructura de precios de los servicios de Inteligencia Artificial Generativa (GenAI), como OpenAI y Anthropic, donde los usuarios pagan por cuotas de acceso (tokens o ventanas de tiempo) a un modelo subyacente.

Elementos clave del modelo:

El Vendedor (Principal): Un monopolista que ofrece un proceso de creencias $\langle\mu_t\rangle$ sobre un estado desconocido $\theta$ . El vendedor está limitado por una tasa de información $\chi$ (la velocidad a la que se puede generar información/tokens).
El Comprador (Agente): Posee una urgencia privada representada por una tasa de descuento $r$ . El comprador obtiene utilidad de la forma $e^{-rt}$ , donde $t$ es el tiempo en que se aprende el estado. Los compradores con mayor $r$ son más sensibles al retraso (latencia).
El Objetivo: Maximizar los ingresos esperados diseñando un menú de procesos de creencias y transferencias (precios) que cumpla con la Compatibilidad de Incentivos (IC) y la Racionalidad Individual (IR).

2. Metodología

El autor utiliza herramientas avanzadas de diseño de mecanismos y teoría de la información:

Diseño de Información Dinámica: El espacio de diseño es infinito-dimensional (cualquier proceso de martingala factible).
Dualidad de Sannikov y Zhong (2024): Se emplea para caracterizar procesos de martingala con variaciones acotadas bajo restricciones de entropía generalizada.
Reducción de Punto (Pointwise Reduction): Mediante el teorema del envolvente, el problema de maximización de ingresos se reduce a la maximización de una preferencia de tiempo virtual $\rho_r(t)$ , que ajusta la utilidad del comprador para considerar la extracción de rentas.
Optimización de Procesos: Se busca un proceso que maximice la utilidad esperada bajo una función de tiempo convexa.

3. Contribuciones Clave y Resultados

A. El Proceso de Exploración Codiciosa (Greedy Exploration Process)

La contribución técnica central es la identificación de que el proceso óptimo es el "greedy exploration process". Este proceso es "miope": en cada instante, asigna todo el presupuesto de información ( $\chi$ ) a los estados que están más cerca de la creencia actual en términos de divergencia de Bregman.

B. Caracterización del Mecanismo Óptimo (Teorema 1)

El resultado es sorprendente por su simplicidad: a pesar de tener un espacio de diseño infinito, el vendedor no distorsiona el proceso de información.

Proceso Único: El vendedor despliega un único proceso de creencias para todos los tipos de compradores (el proceso greedy). Este proceso es idéntico al que maximizaría el bienestar del usuario (es decir, es "alineado con las preferencias").
Discriminación por Capacidad (Caps): La separación de los compradores (screening) se realiza exclusivamente mediante un menú de límites de tiempo de parada ( $T(r)$ ). Los compradores más urgentes reciben un "cap" o límite de consumo más estricto.

C. No Distorsión Uniforme

A diferencia de la teoría clásica de Mussa-Rosen (donde el monopolista ofrece productos de menor calidad a los tipos de menor disposición a pagar), aquí la calidad del proceso es constante. Toda la distorsión económica se absorbe en la dimensión de la cantidad (el límite de tokens o tiempo).

4. Aplicaciones y Significancia

Aplicación a la IA Generativa (LLMs)

El modelo racionaliza perfectamente las estructuras de precios actuales:

Suscripciones de Consumo: Los diferentes niveles (Pro, Max, etc.) de ChatGPT o Claude, que ofrecen la misma capacidad de razonamiento pero con diferentes límites de mensajes en ventanas de tiempo, son una implementación directa de este mecanismo.
Niveles de API B2B: Los niveles de prioridad (Priority vs. Batch) de OpenAI, donde el precio varía según la latencia permitida, coinciden con el menú de límites de tiempo de parada propuesto.

Significancia Teórica y Práctica

Alineación de Preferencias: El artículo proporciona una justificación económica para por qué los modelos de IA se entrenan para ser "alineados" (RLHF). El proceso que maximiza el beneficio del vendedor coincide con el proceso que maximiza la utilidad del usuario, lo que sugiere que la eficiencia de la información y la rentabilidad van de la mano.
Extensión a la Calidad de Razonamiento: El autor demuestra que, si la calidad del razonamiento es endógena, el vendedor puede ofrecer un "degradamiento suave" de la calidad a medida que el usuario se acerca a su límite de tokens, permitiendo una segmentación más fina.
Generalización: El marco es aplicable a otros servicios de conocimiento dinámico, como redes de expertos (consultoría por horas) o servicios legales (retainers), donde se vende acceso limitado a un flujo de información.

Conclusión: El trabajo demuestra que, en servicios de información limitados por la capacidad de procesamiento, el precio óptimo no debe alterar la "forma" de la información entregada, sino simplemente controlar cuánto tiempo o cuántos tokens puede consumir cada tipo de usuario según su urgencia.