Resumen de datos de octubre de 2026

Los tókenes aumentaron un 37 % en octubre

Nuestro análisis de lo más destacado de la IA del mes pasado. Los tokens se dispararon, el precio por token siguió bajando y el tráfico de agentes ya representa la mayor parte de lo que pasa por OpenRouter.

Aspectos destacados

  • El volumen de tókenes siguió aumentando: un 37 % más que en septiembre y casi 25 veces el de enero.
  • El precio efectivo por token cayó: el precio medio combinado por token siguió bajando, y el mes pasado fue entre un 57 y un 70 % inferior a los promedios de enero.
  • Los modelos de decisión ya reciben el 21 % de todas las solicitudes: aunque la categoría solo lleva unas semanas en existencia, los modelos de decisión ya reciben más solicitudes que cualquier modalidad salvo los modelos de texto.

790 billones de tókenes en octubre

Octubre fue el mes de mayor volumen en la historia de OpenRouter: 790 billones de tokens, un aumento del 37 % respecto a septiembre y un sorprendente volumen 25 veces mayor que en enero.

El aumento fue generalizado, pero la actualización de DeepSeek V4.1 Flash, junto con la introducción de Haiku 5.5 y el resto de la familia Claude 5.5, contribuyó de forma importante.

Volumen mensual, de enero a octubre

OpenRouter
Fuente: OpenRouter. Los tokens son la suma de los de entrada y los de salida.

Los agentes consumen el 76 % de todos los tókenes

El predominio de los agentes no ha dejado de aumentar a lo largo de 2026. Clasificamos cada clave de API como agéntica, humana o mixta mediante un clasificador ponderado de siete señales, entre ellas la frecuencia de llamadas a herramientas, el número de turnos y los tiempos de las solicitudes.

Hace un año, las claves de agentes representaban el 8 % de los tókenes. En octubre representaron el 76 %, unos 600T tókenes.

Tókenes mensuales por tipo

OpenRouter
Fuente: OpenRouter. Claves clasificadas mensualmente: una puntuación de uso de agentes de 0,50 o más indica uso de agentes, de 0,25 a 0,49 indica uso mixto y por debajo de 0,25 indica uso humano.

Una característica distintiva del uso por agentes es el reenvío del mismo contexto, a menudo extenso, en cada turno, por lo que el almacenamiento de instrucciones en caché importa más para los agentes que para el uso humano. La mayoría de los proveedores sirvieron prefijos almacenados en caché para entre el 85 y el 97 % de los tókenes de entrada de los agentes en octubre. La mediana de la tasa de aciertos de caché ha aumentado considerablemente, del 76,1 % en junio a más del 90 % en octubre.

Tasa de aciertos de caché de agentes por proveedor de inferencia

OpenRouter

El tamaño de las burbujas representa los tokens servidos a agentes. El color indica el intervalo de la tasa de aciertos de caché.

  • Tasa de aciertos de caché inferior al 70 %
  • 70–90%
  • Más del 90 %
Fuente: OpenRouter. La tasa de aciertos de caché es la proporción de tokens de prompts en caché respecto al total de tokens de prompts, de claves de API de agentes. Excluye BYOK. Proveedores con al menos 1T tokens de agentes y una tasa de aciertos de caché del 50 % o más.

Los modelos de pesos abiertos se recuperaron

La proporción de tókenes de pago de modelos de pesos abiertos cayó al 52 % en la semana del 28 de septiembre, cuando se lanzaron Claude Opus 5.5, Sonnet 5.5 y GPT-6.1 Sol . Dos semanas después volvió a superar el 70 %, principalmente gracias a DeepSeek V4.1 Flash.

Los modelos de pesos abiertos representan alrededor de una cuarta parte del gasto de pago, frente al 11 % de enero, y esa proporción apenas ha variado durante el último trimestre aproximadamente.

Proporción semanal de tókenes y gasto correspondiente a modelos de pesos abiertos

OpenRouter
Fuente: OpenRouter. Solo tráfico de pago; excluye las variantes gratuitas.

El precio efectivo por token bajó entre un 57 y un 70 % desde enero

El precio combinado por millón de tokens bajó de 1,21 $ a 0,52 $ para los modelos de pesos cerrados y de 0,28 $ a 0,084 $ para los de pesos abiertos. La diferencia entre ellos aumentó de 4,3× a 6,2×.

Este precio efectivo puede variar por muchos motivos: los precios de lista de los modelos, la propia combinación de modelos o la tasa de aciertos de caché por sesión. La mayor parte de la caída de agosto en los precios de los modelos de pesos cerrados se debió a un cambio en la combinación: GPT-5.6 Luna, a unos 0,07 $ por millón de tokens, se convirtió en el modelo cerrado de pago más utilizado en los días posteriores a su lanzamiento.

Precio efectivo por 1M de tókenes

OpenRouter
Fuente: OpenRouter. Uso facturado sobre la suma de tokens de entrada y de salida. Excluye variantes gratuitas, BYOK, modelos ocultos y API que no son de chat.

Cuota de modelos por laboratorio

Por lo general, el tráfico de cada laboratorio se concentra en unos pocos modelos, y la versión más reciente suele pasar a dominar en el plazo de un mes. Elija un laboratorio para ver cómo cambió su distribución de tókenes y gasto a lo largo del año.

Distribución de modelos dentro de cada laboratorio

OpenRouter

Los seis modelos principales por volumen de tókenes en octubre, más todos los demás.

  • Claude Opus 5.5
  • Claude Sonnet 5.5
  • Claude Haiku 5.5
  • Claude Opus 5
  • Claude Sonnet 5
  • Claude Fable 5.1
  • Other

Proporción de tokens

Proporción del gasto

Fuente: OpenRouter. Proporción mensual de tókenes y uso facturado por modelo dentro de cada laboratorio, con todas las variantes.

Los laboratorios de modelos de pesos abiertos lideran el crecimiento

Desde mayo, los tókenes mensuales de Z.ai se multiplicaron aproximadamente por veinte y los de DeepSeek aproximadamente por doce. En cuanto al gasto, el de Z.ai se multiplicó aproximadamente por seis, el de Anthropic aumentó un 76 %, y el de MiniMax disminuyó un 20 % pese al crecimiento sustancial de sus tókenes.

El crecimiento de cada laboratorio rara vez es lineal. En un calendario de lanzamientos cada vez más competitivo, el momento en que se lanza un nuevo modelo puede alterar drásticamente el crecimiento de un laboratorio en un solo mes.

Crecimiento desde mayo por laboratorio

OpenRouter

Tókenes o gasto mensuales de cada laboratorio, con base mayo = 100.

Fuente: OpenRouter. Tokens mensuales de entrada y de respuesta y uso facturado por creador del modelo, con todas las variantes, divididos por el total de mayo de cada laboratorio.

La clasificación de tareas destaca dos modelos

Clasificamos una muestra de solicitudes en las categorías de tareas de nuestra página de clasificaciones . Por volumen de tókenes, DeepSeek V4.1 Flash lidera la mayoría de las tareas de programación y de agentes. Cambie a la vista de gasto y Claude Opus 5.5 lidera la mayor parte de la clasificación.

Otros modelos que hacen acto de presencia incluyen Jev 1.13, el modelo de decisión de TypeSafe, y GLM 5.3 Flash, con resultados destacados tanto en extracción de datos como en transformación de datos.

Mejor modelo por tarea, octubre

OpenRouter

Las cinco tareas principales de cada categoría por tokens. La taxonomía de las clasificaciones incluye dos tareas de datos.

General

  1. Clasificación

    Favicon de typesafe
    TypeSafe Jev 1.13

    14 % de los tokens de tareas

  2. Preguntas y respuestas y conocimiento

    Favicon de stepfun
    Step 5 Preview

    33 % de los tokens de tareas

  3. Juegos de rol y ficción

    Favicon de deepseek
    DeepSeek V4 Flash

    11 % de los tokens de tareas

  4. Redacción de contenido

    Favicon de z-ai
    GLM 5.3 Flash

    21 % de los tokens de tareas

  5. Generación de resúmenes

    Favicon de stepfun
    Step 5 Preview

    67 % de los tokens de tareas

Programación

  1. Generación de código

    Favicon de deepseek
    DeepSeek V4.1 Flash

    23 % de los tokens de tareas

  2. Depuración

    Favicon de deepseek
    DeepSeek V4.1 Flash

    19 % de los tokens de tareas

  3. Entrada/salida de archivos

    Favicon de deepseek
    DeepSeek V4.1 Flash

    17 % de los tokens de tareas

  4. Revisión de código

    Favicon de deepseek
    DeepSeek V4.1 Flash

    17 % de los tokens de tareas

  5. Ejecución de shell

    Favicon de deepseek
    DeepSeek V4.1 Flash

    24 % de los tokens de tareas

Agente

  1. Ejecución de flujos de trabajo

    Favicon de deepseek
    DeepSeek V4.1 Flash

    16 % de los tokens de tareas

  2. Planificación en varios pasos

    Favicon de deepseek
    DeepSeek V4.1 Flash

    18 % de los tokens de tareas

  3. Asignación de herramientas

    Favicon de deepseek
    DeepSeek V4.1 Flash

    17 % de los tokens de tareas

  4. Extracción de memoria

    Favicon de xiaomi
    MiMo V2.6 Flash

    17 % de los tokens de tareas

  5. Búsqueda web

    Favicon de deepseek
    DeepSeek V4.1 Flash

    15 % de los tokens de tareas

Datos

  1. Extracción de datos

    Favicon de z-ai
    GLM 5.3 Flash

    12 % de los tokens de tareas

  2. Transformación de datos

    Favicon de z-ai
    GLM 5.3 Flash

    29 % de los tokens de tareas

Fuente: OpenRouter. Proporción de tokens de tareas o del gasto, ponderada por muestra.

Los laboratorios de pesos cerrados (y DeepSeek) lideran la retención de usuarios

Hay muchas formas de medir la retención de un modelo o un laboratorio. Aquí tomamos las cuentas que enviaron al menos 100 solicitudes de pago en un mes a modelos de un laboratorio determinado y comprobamos cuántas volvieron a utilizar ese mismo laboratorio el mes siguiente. El umbral excluye las pruebas puntuales, y el orden de los laboratorios fue muy similar con umbrales inferiores y superiores.

De septiembre a octubre, Google conservó el 78 % de esas cuentas, Anthropic el 74 % y OpenAI el 74 %. Los principales laboratorios de modelos con pesos abiertos suelen tener una menor retención de un mes a otro, y octubre no fue la excepción.

Retención mes a mes por creador de modelos

OpenRouter

Google

Anthropic

OpenAI

DeepSeek

Z.ai

Qwen

MiniMax

Fuente: OpenRouter. Cuentas con al menos 100 solicitudes de pago a un laboratorio en un mes; se consideran retenidas si enviaron alguna solicitud de pago a ese laboratorio el mes siguiente. Se excluyen las cuentas bloqueadas.

Los modelos de decisión alcanzaron el 21 % de las solicitudes

Los modelos de decisión (o modelos System One, según la nomenclatura de TypeSafe) evalúan una cuestión específica, como el enrutamiento, la moderación o una comprobación de sí o no. Surgieron como categoría apenas a mediados de septiembre y alcanzaron el 21 % del total de solicitudes en la semana del 26 de octubre.

Aquí, el término «modelos de texto» se refiere a todas las solicitudes a la API de Chat Completions, incluidas las solicitudes con imágenes de entrada. Si se midiera en tókenes o gasto en lugar de solicitudes, los modelos de decisión representarían una proporción mucho menor del tráfico semanal.

Proporción semanal de solicitudes por tipo de solicitud

OpenRouter
Fuente: OpenRouter. Proporción del total de solicitudes por API.

Proveedores de inferencia de modelos de pesos abiertos: Together asciende al primer puesto

Entre los proveedores que sirven modelos con pesos abiertos, Together pasó del puesto 18 en junio al primero en octubre por el total de tokens servidos. DeepSeek cayó al noveno puesto en septiembre y volvió al segundo con V4.1 Flash, e InferenceNet entró entre los diez primeros en el cuarto puesto.

Clasificación de proveedores de modelos de pesos abiertos por tokens

OpenRouter

Los diez primeros de cada mes, de junio a octubre. Pase el cursor sobre una línea para seguir a un proveedor.

Fuente: OpenRouter. Solo modelos de pesos abiertos. Excluye BYOK y endpoints ocultos.

Cada semana analizamos las tendencias clave de este conjunto de mil billones de tókenes. Suscríbase a Inferred, nuestro boletín de datos, para recibir todos nuestros principales informes de investigación directamente en su bandeja de entrada.

Notas sobre la metodología

  • Los datos abarcan las solicitudes a través de la API de OpenRouter del 1 de enero al 31 de octubre de 2026; el gráfico de agentes comienza en septiembre de 2025. Los gráficos semanales utilizan semanas que comienzan el lunes.
  • Los tokens son la suma de los tokens del prompt y de la respuesta. El gasto es el uso facturado. Los laboratorios son los creadores de modelos, y un modelo es de pesos abiertos cuando sus pesos se publican.
  • Cada clave de API se clasifica mensualmente a partir de siete señales ponderadas: tasa de llamadas a herramientas, proporción entre entrada y salida, turnos por solicitud, tasa de aciertos de caché, herramientas ofrecidas por solicitud, tiempo entre solicitudes y tasa de cancelación. Una puntuación de 0,50 o más indica uso por agentes, de 0,25 a 0,49 indica uso mixto y menos de 0,25 indica uso humano.
  • El tráfico de pago excluye las variantes gratuitas de los modelos.
  • El precio efectivo, la tasa de aciertos de caché y la clasificación de proveedores excluyen el tráfico con claves propias (BYOK) y los modelos ocultos. La tasa de aciertos de caché es la proporción de tokens de entrada en caché respecto al total de tokens de entrada en el tráfico de claves de agentes, para proveedores con al menos 1 billón de tokens de agentes ese mes.
  • Los líderes por tarea se obtienen de una muestra de solicitudes clasificadas según la taxonomía de tareas de las clasificaciones y ponderadas por la tasa de muestreo.
  • La retención cuenta las cuentas con al menos 100 solicitudes de pago a los modelos de un laboratorio en un mes y considera retenida una cuenta si envió alguna solicitud de pago a ese laboratorio el mes siguiente. Se excluyen las cuentas bloqueadas.
  • Los modelos de decisión son solicitudes a la API de decisiones. Los modelos de texto son solicitudes a la API de Chat Completions, incluidas las solicitudes con imágenes de entrada.