¿Cuánto costará dentro de un año servir la misma respuesta que hoy cuesta un céntimo? Nadie lo sabe con precisión. El precio por token de los modelos punteros lleva tiempo bajando, pero un proveedor también puede subir tarifas, retirar un modelo u obligar a migrar a otro más caro. Por eso ningún precio de IA generativa aguanta mucho tiempo sin revisar.
Para el PM la consecuencia es incómoda: el coste que justificó el precio en el lanzamiento casi nunca es el que habrá doce meses después, y el plan tiene que poder ajustarse sin rehacerse entero.
El SaaS clásico vivía de otra premisa. Una vez construido el producto, servir a un usuario más costaba poco y de forma previsible. Con modelos generativos cada solicitud tiene un coste real, y ese coste depende de la longitud del contexto, los tokens procesados, el modelo elegido, la latencia exigida y las llamadas a herramientas externas.
Por eso fracasa tan a menudo la receta rápida: añadir una etiqueta tipo «AI Pro», subir la cuota mensual y esperar que el mercado lo absorba. Funciona unos meses, mientras dura la novedad. Después aparecen usuarios que consumen diez veces más de lo previsto, otros que sacan mucho valor con poco uso y otros que no entienden qué pagan.
Si la estructura de precios no descansa en la economía de inferencia, el producto puede crecer en uso y perder rentabilidad a la vez. El trabajo del PM cambia: además de decidir qué funciones entran en cada plan, tiene que modelar el coste de servir, elegir la unidad que ve el cliente y fijar límites operativos.
El coste de servir va primero, y la media engaña
¿Suscripción, uso, créditos o una mezcla? Antes de esa pregunta hay otra: cuánto cuesta de verdad cada tipo de interacción. Muchas empresas diseñan primero el empaquetado comercial y descubren después que ciertos patrones de uso destruyen la economía unitaria.
El coste no se limita al modelo. Incluye la inferencia (el cálculo que hace el modelo en cada consulta), los tokens de entrada y salida, la búsqueda en los documentos del cliente (bases vectoriales), el reparto de trabajo entre modelos, la memoria, la infraestructura para responder rápido, la vigilancia del sistema y, en entornos exigentes, la revisión humana. Cada respuesta encadena varios de esos recursos.
Las herramientas de modelización económica sirven para traducir esas variables en economía unitaria, simulaciones de carga y curvas de coste futuras. Sin ellas, el precio se fija con una intuición optimista.
La fórmula de partida cabe en una línea:
Coste de servir por cliente = solicitudes al mes × coste medio por solicitud × (1 + tasa de reintentos)
La trampa está en la palabra «medio». El gasto casi nunca se reparte de forma simétrica. Usuarios intensivos, automatizaciones, tareas con contexto muy largo, reintentos frecuentes y cargas por lotes concentran una parte desproporcionada.
Un ejemplo con cifras. Las cifras de este artículo son supuestos para ver la mecánica, no datos de mercado. Un producto tiene 1.000 clientes y un coste medio de servir de 8 euros al mes. Parece cómodo con una cuota de 29 euros. Pero si el 10% más intensivo cuesta 50 euros cada uno, ese decil se lleva 5.000 de los 8.000 euros de coste total. El 90% restante cuesta unos 3,30 euros por cliente.
Con una tarifa plana, los clientes ligeros subvencionan a los pesados. Eso puede aceptarse durante un lanzamiento. Rara vez sostiene una línea de producto cuando crece, porque los intensivos son justo los que más se quedan.
Parte del coste se recorta sin tocar el precio. Las tareas que no necesitan respuesta inmediata pueden ir por lotes, que los proveedores suelen cobrar bastante más barato a cambio de entregar horas después. Un informe nocturno o una clasificación masiva de documentos no necesitan respuesta en dos segundos, y separar esas cargas del uso interactivo abarata justo el decil más caro.
¿Y si el coste cae tan rápido, por qué no fijar el precio y esperar a que el margen mejore solo? Con poco uso y clientes poco sensibles al precio, puede salir bien. El problema llega cuando los clientes leen las mismas noticias que el PM: un precio anclado al coste de 2024 se renegocia en 2025. Un precio anclado al valor que el cliente obtiene resiste mejor esa presión, porque las horas ahorradas no se abaratan cuando baja la tarifa del proveedor.
El coste marca el suelo; el valor, el techo
El coste no fija el precio. Un error frecuente es suponer que las tareas más caras son también las más valiosas para el cliente. En IA generativa a menudo es al revés.
Un prompt corto que ayuda a tomar una decisión crítica puede valer mucho y costar céntimos. Una reescritura masiva o un resumen muy largo puede consumir mucho cómputo y aportar poco. Esa separación entre coste y valor es la que invalida cualquier estrategia basada solo en «recuperar el coste».
Por eso hacen falta dos modelos a la vez. El de coste dice cuánto aguanta el negocio sin perder margen. El de valor dice qué resultados percibe el cliente y por cuáles pagaría: documentos procesados, horas ahorradas, tareas automatizadas, contactos cualificados, errores evitados.
Sin una métrica de valor clara, cualquier precio será demasiado bajo para los clientes que más ganan o demasiado alto para los que aún no ven la utilidad.
La métrica de valor cambia con el producto. Tres ejemplos:
- Un asistente de atención al cliente: conversaciones resueltas sin pasar a un agente humano.
- Una herramienta de extracción de documentos: páginas procesadas sin corrección manual.
- Un copiloto de redacción comercial: propuestas enviadas por comercial y semana.
En los tres casos la métrica es algo que el comprador ya cuenta. Eso importa, porque una métrica que hay que explicar en la reunión de compras alarga el ciclo de venta.
Cuando la relación entre uso y beneficio no es obvia, conviene preguntar antes de tocar la tarifa. En entrevistas por segmento funcionan dos preguntas: qué precio por informe procesado parecería caro y cuál sospechosamente barato. El hueco entre ambas respuestas marca el rango aceptable mucho antes que un cambio de precio en producción.
Pongamos una agencia de marketing que tarda 2 horas en preparar un informe mensual para cada cliente. Si la herramienta lo deja en 20 minutos, ahorra 1 hora y 40 minutos por informe. Con 30 clientes, son 50 horas al mes. A 35 euros la hora, 1.750 euros de valor mensual. Aunque el coste de servir sea de 15 euros, un precio de 15 euros deja casi todo ese valor sobre la mesa.
¿Tokens, tareas o créditos? El cliente no compra cómputo
Si el coste crece con cada interacción, la facturación tiene que moverse con él. De ahí la tendencia hacia modelos basados en consumo. Eso no obliga a enseñar precios por token a todo el mundo. Obliga a alinear de algún modo lo que se cobra con la intensidad real de uso.
Por token. Es el modelo más puro y tiene sentido para productos de API y compradores técnicos: granular, ligado al coste, transparente para quien habla el idioma del cómputo. Para un director de operaciones o un equipo de marketing, el token es una unidad demasiado técnica y demasiado volátil.
Por tarea. Por imagen generada, por documento resumido, por informe procesado. Simplifica el mensaje, pero solo funciona si la variabilidad interna de cada tarea está acotada. En cargas heterogéneas, una «misma» solicitud puede costar 10 o 100 veces más que otra.
Por créditos. Un crédito traduce tokens, tiempo de cómputo o multiplicadores por modelo a una unidad legible. «1 imagen = 50 créditos» o «1 documento largo = 30 créditos» se entiende mejor que una suma de tokens de entrada, salida y recuperación.
Los créditos resuelven un problema de lenguaje sin tocar el fondo económico. También facilitan la venta adicional: paquetes extra, bolsas de equipo, ampliaciones de temporada, saldos compartidos entre productos.
Su riesgo es la opacidad. Si el valor del crédito cambia demasiado a menudo, si el cliente no entiende por qué se le acaban o si las equivalencias parecen arbitrarias, la transparencia se pierde. Un crédito que nadie sabe convertir a euros es un token con otro nombre.
Cinco reglas evitan casi todos los problemas de un sistema de créditos:
- Un crédito equivale a una cantidad fija de euros en la comunicación comercial, aunque por dentro su coste varíe.
- El saldo se ve dentro del producto, no solo en la factura.
- El cliente recibe un aviso al llegar al 80% del saldo mensual.
- Las reglas de acumulación son explícitas: los créditos no usados caducan o pasan al mes siguiente, pero el cliente lo sabe al contratar.
- Las equivalencias cambian como mucho una vez por trimestre y con 30 días de preaviso.
La quinta regla es la que más cuesta cumplir cuando el proveedor baja precios cada pocos meses. Precisamente por eso conviene escribirla.
Cómo elegir el eje de cobro según el patrón de uso
Una forma de ordenar la decisión, en vez de copiar el plan del competidor:
- Comprador técnico que integra el producto por API y compara costes por llamada: cobro por token o por llamada, con SLA y coste por cada 1.000 llamadas explícito.
- Tarea de coste acotado y homogéneo (una imagen, un resumen corto): cobro por tarea, fácil de comunicar. No sirve si la misma tarea puede costar diez o cien veces más según el contexto.
- Uso muy variable mes a mes pero comprador que necesita una línea presupuestaria estable: suscripción con créditos incluidos más excedente facturado. Calibra el volumen incluido sobre el usuario típico, no sobre una media distorsionada por los intensivos.
- Resultado medible, atribuible y difícil de discutir (casos resueltos, fraudes evitados): cobro por resultado, que puede favorecer la retención. Evítalo cuando la atribución es larga o se comparte con el propio proceso del cliente.
- Señal de alarma transversal: si el usuario no entiende su factura, ninguna precisión económica compensa la fricción; traduce siempre el coste interno a una unidad legible.
La suscripción plana no aguanta a los usuarios intensivos
La suscripción sigue siendo lo más fácil de vender y de presupuestar, sobre todo en B2B. Cuando la compra pasa por compras, finanzas, seguridad y el área usuaria, una línea fija en el presupuesto se aprueba mucho antes que una factura variable.
Lo que ya no aguanta es la idea de que una cuota fija absorbe cualquier patrón de uso. Dividir el producto en «básico», «pro» y «enterprise» por funciones no basta. Cada plan necesita componentes propios de IA: presupuesto mensual de uso, créditos incluidos, acceso a familias de modelos, tamaño de contexto, velocidad de respuesta, profundidad de automatización.
La fórmula más sólida es la suscripción con créditos incluidos y excedente facturado. El cliente paga una cuota y recibe un volumen de uso. Si necesita más, amplía sin cambiar de plan. La empresa protege el margen y no financia gratis el crecimiento de nadie.
La preferencia por una cuota fija vale para compras complejas; en una pyme decide a menudo una sola persona, y ahí el cobro por uso puro asusta menos. Cuantas más firmas necesita una compra, más pesa la previsibilidad de la cuota.
Así se calibra.
- Plan Equipo a 49 euros al mes sin IVA; con el IVA del 21%, el cliente español paga 59,29 euros.
- Incluye 2.000 créditos. A un coste interno de 0,01 euros por crédito, servirlos cuesta 20 euros.
- Margen bruto del plan con uso completo: 29 / 49 = 59%.
- Excedente a 0,02 euros por crédito: un cliente que gasta 6.000 créditos paga 80 euros extra y su margen se mantiene.
- Sin excedente, ese mismo cliente costaría 60 euros y dejaría 11 euros de pérdida al mes.
El volumen incluido se calibra sobre el cliente típico, la mediana, no sobre la media. Si la mediana gasta 1.400 créditos, 2.000 dejan holgura sin regalar margen.
El margen se gana en cuatro bloques premium
Cuando cualquier competidor ofrece IA básica, cobrar por «tener IA» deja de funcionar. Se cobra por diferencias de calidad, control y profundidad, y casi siempre en cuatro bloques.
Modelos superiores. Contexto más largo, modelos más precisos, respuesta más rápida, capacidades multimodales, versiones especializadas por sector. Es el bloque más fácil de explicar y el primero que copian los competidores.
Automatización avanzada. Un cliente paga algo por generar un texto. Paga bastante más cuando la IA ejecuta procesos de varios pasos, procesa lotes o se integra en tiempo real con otros sistemas, porque ahí el valor se mide en horas de un equipo.
Gobernanza. En B2B este bloque multiplica el precio: gobernanza y cumplimiento, auditoría, trazabilidad, residencia de datos, controles sobre prompts, conjuntos de evaluación, SLA, aislamiento de recursos. El modelo no se vuelve más listo, pero sí más gobernable y apto para entornos críticos.
Personalización. Ajuste fino, embeddings privados, conocimiento sectorial inyectado, cadenas de datos propias. Son capas de menos volumen y con un ticket medio mucho más alto. A largo plazo, buena parte del margen saldrá de aquí más que de la función estándar.
La prueba de que un bloque premium funciona es sencilla: algún cliente se cambia de plan por él. Si en dos trimestres nadie lo ha hecho, el bloque ofrece algo que el comprador no percibe como diferencia.
Una escalera posible, para ver el orden de magnitud: plan Equipo a 49 euros, plan Empresa con gobernanza y SLA a 199 euros por espacio de trabajo, y personalización con conocimiento propio a partir de 1.500 euros al mes más implantación. El salto entre peldaños no lo justifica el coste de servir, que apenas cambia. Lo justifica el riesgo que el cliente deja de asumir.
El cobro por resultado es el extremo de esa lógica. Imagina que un asistente de soporte cobra 0,80 euros por conversación resuelta sin agente. Si un cliente resuelve 5.000 al mes, paga 4.000 euros, y cada conversación le cuesta 4 euros cuando la atiende una persona. Funciona mientras la definición de «resuelta» esté pactada por escrito; sin esa definición, cada factura abre una discusión.
Un experimento de precio se lee a 90 días
Ninguna de estas decisiones se acierta a la primera. Lo que funcionaba con un modelo puede dejar de funcionar cuando cambia el proveedor o su tarifa.
La monetización se vuelve así un campo experimental. Ajustar precios, rediseñar planes, simular consumo de créditos, probar límites o comparar modelos de acceso forma parte del trabajo normal del PM.
Mirar la conversión después de subir una tarifa no basta. Hay que seguir la retención, el churn, el uso intensivo, los cambios de plan, el consumo marginal y el coste por usuario activo. Y segmentar: intensivos, ocasionales, automatizaciones, contextos largos, sectores regulados.
El corto plazo engaña especialmente con los precios. Un descuento o una tarifa más baja casi siempre mejoran la conversión de la primera semana; lo que cuesta ver es si esos clientes pagan igual de bien, usan el producto igual y se quedan igual. Leer un precio a dos semanas es medir solo la parte que sale bien.
¿Por qué 90 días? Porque un cambio de precio necesita al menos dos ciclos de facturación para mostrar su efecto en la renovación. El primer mes mide la decisión de compra. El segundo y el tercero miden si el cliente sigue pagando cuando la novedad ha pasado. Junto a la conversión conviene fijar de antemano dos métricas que no pueden empeorar: la retención a 90 días y el coste de servir por cliente nuevo.
Supón que una bajada del plan de 49 a 39 euros sube la conversión del 3% al 3,6%. Con 5.000 visitas al mes, pasa de 150 a 180 altas. El ingreso del primer mes no sube: baja de 7.350 euros (150 × 49) a 7.020 (180 × 39). Si además los nuevos clientes gastan más créditos que la media, el margen empeora dos veces.
Revisión trimestral: 4 comprobaciones sobre el decil más caro
Hay una forma concreta de mantener el precio pegado a la economía real. Cada trimestre, ordena a los clientes por coste de servir, toma el decil superior y comprueba cuatro cosas:
- ¿Su ingreso cubre el coste con el margen objetivo? Si no, el ajuste empieza por los créditos incluidos o por el acceso a los modelos más caros. La tarifa se toca la última.
- ¿Alguna equivalencia de créditos ha quedado desfasada? Un cambio de modelo o de proveedor puede regalar margen o castigar al cliente sin que nadie lo haya decidido.
- ¿Qué bloque premium ha ganado clientes? El que no convierte se rediseña o se retira.
- ¿Depende un plan de un servicio que puede desaparecer? Los proveedores de nube retiran servicios de IA con meses de aviso, y a veces menos. Un plan construido sobre un servicio así necesita fecha de migración y coste estimado antes de que llegue el aviso.
Las arquitecturas híbridas (suscripción, créditos y excedente) permiten cada uno de esos ajustes sin rediseñar la oferta entera. Por eso resisten mejor que la suscripción pura o el cobro puro por uso.
Solo funcionan si alguien hace la revisión con datos de coste por cliente. Para tenerlos basta con registrar por cliente y mes tres campos: solicitudes, tokens consumidos y modelo usado. Con eso, el coste de servir sale de una consulta sencilla y el decil superior se identifica en minutos, no en una auditoría anual. Sin ese dato, cualquier plan es una apuesta sobre la media.