En noviembre de 2022, realizar consultas a un modelo con un rendimiento equivalente al de GPT-3.5 costaba unos 20 dólares por millón de tokens. Menos de dos años después, en octubre de 2024, ese precio había caído hasta los 0,07 dólares. Una reducción de alrededor de 280 veces.
Este dato ilustra la extraordinaria velocidad con la que está cambiando la economía de la inteligencia artificial. Modelos que hace muy poco exigían una enorme capacidad de computación pueden ofrecer hoy prestaciones similares a una fracción del precio. Y todo apunta a que esa tendencia continuará, aunque, tal y como advierten algunas organizaciones, cuanto más barato resulte utilizar la IA, más podemos utilizarla y, por tanto, el gasto total puede incluso aumentar.
Para la educación, y especialmente para los sistemas con menos recursos, este abaratamiento parece suponer una buena oportunidad. ¿Podrían tecnologías que hasta hace poco estaban reservadas a los países y centros educativos con mayor capacidad económica ponerse al alcance de escuelas de todo el mundo?
El documento de trabajo Costing AI Use in Education in Low- and Middle-Income Countries, publicado por el Banco Mundial en julio de 2026, intenta responder a esa pregunta desde un ángulo poco habitual: el coste. Su objetivo no es determinar si la IA mejora el aprendizaje (cuestión sobre la que los propios autores reconocen que la evidencia sigue siendo limitada) sino averiguar qué supone económicamente incorporarla a un sistema educativo.
Y cuando se hace esa cuenta completa, el precio del modelo resulta ser solo una pequeña parte del problema.
La paradoja: donde más puede aportar, más difícil es desplegarla
Las posibilidades que ofrece la inteligencia artificial pueden resultar especialmente atractivas en entornos educativos con pocos recursos. El informe menciona herramientas capaces de personalizar la enseñanza, ampliar el acceso a materiales, reducir algunas tareas administrativas de los profesores o ayudar a los sistemas educativos a identificar a estudiantes con riesgo de abandono. Aplicaciones potencialmente relevantes allí donde faltan docentes, las aulas están masificadas o los sistemas de información son débiles.
Sin embargo, basta mirar las condiciones materiales de muchas escuelas para descubrir la otra cara de esa posibilidad.
Según los datos proporcionados por la oficina de estadísticas de la UNESCO (UIS) y la Unión Internacional de Telecomunicaciones (ITU), en los países de bajos ingresos, solo el 38 % de las escuelas de primaria y secundaria dispone de electricidad. Apenas el 27 % tiene ordenadores para usos pedagógicos y el 23 % cuenta con acceso a internet con ese mismo fin. Entre la población general, únicamente el 27 % utiliza internet y la penetración de la banda ancha fija ronda el 1 %. En los países de ingresos altos, en cambio, la mayoría de estos indicadores se acerca o supera el 90 %.
El punto de partida importa porque determina qué hay que pagar antes incluso de contratar una herramienta de inteligencia artificial. El Banco Mundial lo explica mediante cuatro condiciones, las llama las cuatro C: connectivity, compute, context y competency. Es decir, conectividad; capacidad de computación; datos y contenidos adecuados al contexto, y competencias para utilizar la tecnología. Cuando alguna de esas bases falla, la factura crece. Y cuando fallan varias, introducir IA exige inversiones que exceden ampliamente el coste de la propia herramienta.
Ahí aparece una cuestión esencial para los entornos vulnerables. Resulta mucho más sencillo y barato desplegar una aplicación en una escuela urbana que ya dispone de electricidad, wifi, ordenadores y profesores con experiencia digital que llevarla a un centro rural sin conexión estable. Si además se pretende que la tecnología funcione en distintas lenguas, responda a currículos locales y llegue a docentes y alumnos con niveles muy diferentes de alfabetización digital, las necesidades vuelven a aumentar.
La equidad, en otras palabras, forma parte del cálculo económico.
El precio de la IA empieza antes de la IA
Para entender por qué, el informe propone observar cómo ha cambiado la economía de la tecnología educativa.
En una primera etapa, incorporar tecnología significaba principalmente comprar productos: ordenadores, servidores o programas informáticos. La inversión era considerable, pero relativamente fácil de presupuestar. Se compraban cien ordenadores y se sabía cuánto costaban. El gran riesgo llegaba después: esos equipos envejecían y había que sustituirlos.
La expansión de internet trajo una segunda lógica: los servicios. Plataformas educativas, contenidos digitales y programas en la nube empezaron a contratarse mediante suscripciones. El gasto pasó así de concentrarse en una compra inicial a repetirse cada mes o cada año.
La inteligencia artificial añade una tercera economía: la del consumo. Cada vez que alguien formula una pregunta a un modelo se produce una inferencia: el sistema utiliza la capacidad adquirida durante su entrenamiento para generar una nueva respuesta. Esa operación tiene un coste. Una consulta aislada puede costar poquísimo. Miles de profesores y millones de alumnos utilizándola repetidamente generan un gasto continuo que depende de cuánto y cómo se use.
Por eso, el Banco Mundial describe el paso de una economía de productos y servicios a una economía de tokens. El gasto deja de ser completamente predecible: una utilización mucho mayor de la prevista puede traducirse también en una factura mayor.
Y los tokens siguen siendo solo una parte. Hay que pagar infraestructura en la nube, transferencia y almacenamiento de datos, integración con los sistemas educativos, ciberseguridad, protección de la privacidad, supervisión de sesgos, mantenimiento y soporte técnico. La IA introduce además nuevos gastos recurrentes, como vigilar el funcionamiento de los modelos y actualizar las salvaguardas necesarias para utilizarlos con seguridad.
A todo ello se suma uno de los componentes más importantes: los docentes. El acceso a una herramienta no garantiza su utilización. El informe cita un próximo estudio realizado en Perú que lo muestra con especial claridad: profesores que recibieron gratuitamente licencias de IA, formación para utilizar prompts en la preparación de clases y estímulos periódicos para hacerlo apenas alcanzaron un 15 % de uso semanal. En América Latina, además, estimaciones recogidas por el documento indican que el 73 % de los docentes carece de las competencias digitales básicas necesarias para enseñar.
Formar, acompañar y apoyar a los profesores, por tanto, también forma parte del coste de la IA. Y ese gasto debe encajar en presupuestos extremadamente ajustados. En los países de bajos ingresos, el gasto educativo anual ronda los 55 dólares por estudiante, y los salarios docentes y otros gastos recurrentes absorben gran parte de los recursos disponibles.
Una IA barata no es necesariamente una IA accesible: en los entornos más vulnerables, llegar a quienes parten con menos recursos también forma parte del coste.
El espejismo del piloto: 500 alumnos no son cinco millones
Imaginemos ahora un proyecto de inteligencia artificial para 500 estudiantes. Una empresa tecnológica proporciona gratuitamente el acceso al modelo. Los costes de computación quedan subvencionados. Una organización internacional financia el proyecto. Un pequeño grupo de profesores recibe formación y cuenta con especialistas capaces de solucionar rápidamente cualquier problema. La experiencia se desarrolla en centros con buena conexión y en una lengua para la que la herramienta funciona correctamente.
El piloto obtiene buenos resultados y, además, parece barato. Ahora intentemos llevarlo a cinco millones de estudiantes.
Esta es una de las advertencias más interesantes del informe del Banco Mundial: el coste de un piloto de IA puede ser un pésimo indicador de lo que costará llevar esa misma intervención a escala. Muchos de los proyectos que actualmente se desarrollan en países de ingresos bajos y medios están fuertemente subvencionados por empresas, organismos internacionales u organizaciones sin ánimo de lucro.
Al crecer, empiezan a desaparecer esas condiciones excepcionales. La empresa que regala tokens para 500 estudiantes difícilmente asumirá el consumo de cinco millones. Una aplicación independiente tendrá que conectarse quizá con el sistema nacional de información educativa, lo que exige desarrollar sistemas seguros de intercambio de datos, infraestructura en la nube y mecanismos de ciberseguridad.
Y aparece, de nuevo, la equidad.
Un piloto puede seleccionar escuelas urbanas, trabajar con profesores especialmente motivados y disponer de técnicos dedicados a resolver cualquier incidencia. Un despliegue nacional debe llegar también a centros rurales, proporcionar infraestructura allí donde falta, formar y acompañar a muchos más docentes y, en determinados contextos, adaptar la tecnología a lenguas minoritarias y dialectos regionales.
Por eso, el informe propone otra manera de entender los pilotos. Además de comprobar si una herramienta funciona, deberían servir para aprender cuánto cuesta utilizarla: observar cómo interactúan realmente con ella profesores y estudiantes, cuánto consumo generan, qué dificultades aparecen y qué capacidades necesita desarrollar la administración educativa. Un piloto puede convertirse así en un laboratorio para descubrir las condiciones necesarias antes de comprometer millones en una implantación nacional.
Empezar por donde la IA puede ser viable
¿Qué puede hacer entonces un sistema educativo que quiere aprovechar las posibilidades de la inteligencia artificial, pero dispone de recursos muy limitados? El Banco Mundial propone avanzar por etapas y ofrece algunas pistas.
Empezar por los docentes
Proporcionar acceso a IA a los profesores requiere muchos menos usuarios y dispositivos que hacerlo directamente con todos los estudiantes y reduce, por tanto, tanto la inversión inicial como los costes recurrentes. Comenzar por secundaria o educación superior puede facilitar aún más el proceso, porque estos centros suelen disponer de mejores condiciones de electricidad, conectividad e infraestructura.
Pensar en una IA más pequeña
Mientras los grandes modelos de lenguaje intentan responder a una enorme variedad de preguntas y requieren importantes recursos computacionales, los Small Language Models (SLM) pueden especializarse en tareas concretas. El informe señala varias ventajas potenciales para los sistemas con menos recursos: costes operativos inferiores, posibilidad de funcionar localmente y sin conexión permanente, adaptación a currículos y lenguas locales y mayor control sobre los datos. A cambio, suelen tener capacidades más limitadas para el razonamiento complejo y un conocimiento general menor.
Despliegues graduales que permitan probar, medir, aprender y recalcular
En un mercado donde los modelos, sus capacidades y sus precios cambian constantemente, decidir hoy cuánto costará utilizar una determinada tecnología dentro de cinco años resulta extraordinariamente difícil.
Porque el modelo más adecuado para una escuela o un sistema educativo vulnerable no tiene por qué ser el más grande ni el más avanzado. Puede ser aquel que resuelva suficientemente bien una necesidad educativa concreta con una infraestructura, unas capacidades y un coste que puedan mantenerse en el tiempo.
El coste de llegar al último
La lógica de la eficiencia económica invita a empezar allí donde resulta más fácil: escuelas conectadas, docentes con competencias digitales, infraestructuras disponibles. Cada nuevo usuario cuesta menos y los resultados llegan antes. Pero esa misma lógica puede determinar también quién accede primero a las oportunidades que ofrece una nueva tecnología y quién tendrá que esperar.
Por eso, medir el coste de la IA únicamente por usuario puede resultar engañoso. Llegar a una escuela remota probablemente será más caro que incorporar otra escuela urbana ya conectada. Atender una lengua con pocos hablantes puede exigir una inversión difícil de justificar en términos de escala. Formar y acompañar a quienes parten con menos competencias requerirá más recursos. La eficiencia económica tenderá a favorecer a quienes ya están mejor preparados para adoptar la tecnología.
Introducir la equidad en el cálculo significa aceptar que llegar a algunos alumnos costará más que llegar a otros. Y esa diferencia no es necesariamente una ineficiencia: puede ser precisamente el precio de construir un sistema educativo en el que una nueva tecnología no reproduzca las desigualdades anteriores.
Cuánto cuesta conseguir que también pueda aprovecharla quien más difícil tiene acceder a ella: esa es la medida que falta en muchas de las cuentas que hoy hacemos sobre el precio de la inteligencia artificial.
