OpenAI ha añadido GPT Image 2.5 Sunburst y GPT Image 2.5 Flare a su página de precios de la API, y lo llamativo es la cifra.

Los precios

Ambas variantes figuran a $8 por millón de tokens de entrada de imagen y $30 por millón de tokens de salida de imagen. La entrada de imagen en caché cuesta $2. La entrada de texto es de $5 por millón, con el texto en caché a $1,25.

Comparado con los modelos más antiguos de la misma familia, el panorama es mixto. El predecesor directo, GPT Image 2, tiene un precio idéntico: $8 de entrada, $2 en caché y $30 de salida. Más atrás, GPT Image 1.5 cuesta $8 de entrada y $32 de salida, y GPT Image 1 cuesta $10 de entrada y $40 de salida. El pequeño GPT Image 1-mini sigue siendo el más económico, con $2,50 y $8.

Por qué es llamativo

Normalmente una nueva generación llega con un sobreprecio y empuja a la anterior hacia abajo. Aquí los modelos más nuevos se mantienen estables frente a su predecesor inmediato y quedan por debajo de las dos generaciones anteriores en el precio de salida, que es donde realmente recaen los costes de generación de imágenes.

La explicación probable es competitiva más que técnica. La generación de imágenes es la categoría más saturada del mercado, con sólidas opciones de peso abierto y una larga lista de proveedores que distribuyen modelos a través de agregadores. Cobrar más que el modelo del año pasado resulta difícil cuando un usuario puede cambiar de proveedor dentro de la misma interfaz.

Qué significa en la práctica

Si todavía se está llamando a GPT Image 1 o 1.5 en producción, se está pagando más por un modelo más antiguo. Es una situación poco común y fácil de comprobar.

La lección más amplia tiene que ver con la rapidez con la que se mueve este segmento. Los precios de los modelos de imagen se han vuelto genuinamente volátiles, por lo que una estimación de costes elaborada hace seis meses probablemente ya no sea exacta. Conviene volver a revisar la página de precios antes de comprometerse con un proveedor, y preferir plataformas que permitan cambiar el modelo subyacente sin tener que rehacer el proceso completo.