Creía que pagar la suscripción era suficiente...
Hasta que en medio de un proyecto me quedé sin combustible.
En 30 segundos: pagar una suscripción no define el costo completo de una IA. También cuentan los límites, el tiempo y la fricción. La herramienta indicada depende de la tarea y del resultado que buscamos.
El consumo también depende de cómo usamos la herramienta
No fue literal, claro. Estaba programando con Claude Code, bastante concentrado, haciendo cambios normales sobre uno de mis sistemas. Nada particularmente extraordinario. Y de golpe apareció el límite. En ese momento lo tomé como una cuestión de cuota, de esas cosas que uno supone que tienen que ver con cuánto usó la herramienta. Después me fui dando cuenta de que no era solamente eso. También importaba mucho cómo la estaba usando.
Yo venía trabajando con sesiones largas, arrastrando contexto, conversaciones que crecían y crecían. Y eso, que al principio parecía cómodo porque tenía todo ahí, terminaba jugando en contra. Con el tiempo fui aprendiendo que es mejor cortar las sesiones y empezar de nuevo cuando tenía sentido, llevando solo el contexto necesario. Ahí apareció una de las primeras conclusiones que me hicieron cambiar la forma de mirar estas herramientas: muchas veces el consumo no depende tanto de lo que hacés, sino de cómo lo hacés.
Con ChatGPT mi experiencia fue distinta. Hace años que lo uso para casi todo: investigar, pensar una propuesta, revisar una idea, discutir una decisión, escribir, analizar información o simplemente conversar hasta encontrarle la vuelta a algo. Y en ese uso cotidiano nunca tuve demasiado la sensación de estar pendiente de cuánto me quedaba. Siempre me resultó bastante elástico, como si acompañara mejor el ritmo de trabajo sin obligarme a pensar tanto en el consumo.

No siempre necesito el modelo más potente
Cuando empecé a usar Codex para programar apareció de nuevo el tema de los límites, aunque de otra forma. Durante bastante tiempo usé un modelo potente para todo, porque al principio uno tiende a pensar que, si tiene disponible el mejor motor, lo lógico es usarlo. Después empecé a mirar con un poco más de atención qué estaba pasando y descubrí que no siempre tenía sentido. Para pensar una solución, planificar, revisar una arquitectura o resolver algo complejo, ese modelo me servía mucho. Para ejecutar cambios bastante más rutinarios, no necesariamente.
Eso me llevó a empezar a separar tareas. Un modelo más fuerte para pensar y otro más liviano para ejecutar buena parte de lo ya decidido. Y el resultado fue bastante mejor de lo que esperaba. No porque el modelo más liviano fuera “mejor”, sino porque era suficiente para esa tarea y me daba bastante más recorrido. Ahí entendí algo que después empecé a ver también en otros casos: tener más potencia disponible no quiere decir que necesites usarla todo el tiempo.
Gemini, en cambio, hoy ocupa otro lugar para mí. Lo uso más como complemento, sobre todo para determinadas investigaciones. Me resulta útil y además convive bien con otros servicios de Google que ya tengo. Ahora bien, no tengo suficiente uso intensivo como para decir con seguridad cómo se comporta su consumo en mi caso. Y prefiero dejarlo así antes que sacar una conclusión que todavía no probé lo suficiente.
El entorno también cambia la experiencia
Después apareció Copilot 365, y ahí la historia fue diferente porque no llegué por elección sino por un cambio de política dentro de la empresa donde trabajo. Buena parte de mi forma de trabajar ya estaba armada alrededor de ChatGPT, con agentes, contexto, instrucciones, información y una dinámica que había ido construyendo durante bastante tiempo. Al principio pensé que migrar todo eso iba a ser bastante más traumático de lo que terminó siendo.
En aproximadamente un mes pude reconstruir buena parte de ese esquema. Armé una especie de consultor digital, una sombra mía para determinadas tareas, puse información en SharePoint, incorporé referencias, formas de trabajo y templates. Hoy puedo pedirle que prepare una minuta, que me ayude con una propuesta, que revise información o que trabaje conmigo en varias de las tareas que hago como consultor.
Y ahí apareció una ventaja importante: está dentro del entorno Microsoft. Si tu trabajo vive en Outlook, SharePoint, documentos y herramientas de Microsoft, eso cambia mucho la experiencia. No porque mágicamente sea mejor en todo, sino porque tiene acceso a cosas que en otras plataformas requieren más pasos, más integraciones o directamente no están disponibles de la misma manera.
Ahora bien, también apareció otro costo, y este me resultó más interesante porque no estaba mirando por ese lado. Es más lento. Muchas veces llego a un resultado parecido, incluso usando buenos modelos por detrás, pero necesito más tiempo, más idas y vueltas y algo más de paciencia. Entonces empecé a pensar que estaba mirando el problema de forma bastante incompleta.
El tiempo también forma parte del costo
Hasta ese momento, cuando hablaba de consumo, pensaba en cuota, tokens, mensajes o límites de uso. Pero también está el tiempo. Y el tiempo de uno vale. Una herramienta puede parecer más barata porque nunca te muestra un cartel diciendo que llegaste al límite y, sin embargo, terminar costándote más si necesitás bastante más tiempo para conseguir el mismo resultado.
Ahí fue donde encontré una comparación que me ayudó a ordenar todo esto. Pienso en un auto. Puede ser eléctrico, híbrido o a combustión. Puede tener un motor grande o uno chico. Puede tener mucha potencia o la suficiente para lo que necesito. Al final, todos probablemente me lleven de Buenos Aires a Mar del Plata. La diferencia está en cómo quiero llegar. Quizás quiero hacerlo más rápido o gastar menos. Tal vez quiero viajar más cómodo, o simplemente quiero llegar tranquilo, sin estar mirando cada veinte minutos cuánto combustible me queda. Incluso puede pasar que tenga el motor más potente disponible y no lo necesite, porque durante casi todo el viaje voy a circular a una velocidad bastante normal.
Con la inteligencia artificial me está empezando a pasar exactamente eso. Durante mucho tiempo discutimos cuál era la más inteligente, cuál tenía el mejor modelo, cuál razonaba mejor o cuál quedaba arriba en determinado benchmark. Todo eso importa. Pero cuando la IA deja de ser algo que uno prueba de vez en cuando y empieza a formar parte del trabajo cotidiano, aparece una pregunta bastante más práctica: cuánto me cuesta llegar al resultado que necesito.
Y ahí costo empieza a significar varias cosas al mismo tiempo:
- dinero y cuota;
- tiempo;
- fricción y contexto;
- energía mental;
- la necesidad de adaptarse a la lógica de cada herramienta.
Hoy tengo la suerte de poder usar varias y sigo sin encontrar una que sea “la mejor” para todo. Lo que sí estoy aprendiendo es a elegir mejor cuál usar, con qué modelo y para qué tarea. Y, sobre todo, a entender que no alcanza con aprender a pedirle cosas a una IA. También hay que aprender a usarla de una forma que tenga sentido para el trabajo que uno quiere hacer.
Tal vez ahí esté una de las diferencias entre simplemente usar inteligencia artificial y empezar realmente a trabajar con ella.
