El març de 2026, el preu per milió de tokens d'un LLM oscil·la entre 0,014 $ (DeepSeek V3.2) i 30 $ (GPT-5.4 Pro). Un rang de x2.142. Això no és una diferència de preu. És un mercat on la mateixa categoria de producte té versions que costen el que un cafè i versions que costen el que un sopar per a quatre.
Mentrestant, la bretxa de rendiment entre els millors models open source i els millors propietaris s'ha reduït a aproximadament un 10%. En benchmarks com GPQA, SWE-bench i Chatbot Arena, models oberts com DeepSeek i Kimi K2.5 competeixen en el rang alt. Ja no és "bo per ser open source". És bo, i punt.
Això canvia la naturalesa de la decisió. Quan la diferència de rendiment era del 40-50%, triar propietari era obvi si t'ho podies permetre. Quan és del 10%, la decisió deixa de ser tècnica i es converteix en estratègica: cost, privacitat, regulació, control, velocitat d'iteració, dependència.
Aquest article és un framework de decisió per a CTOs i tech leads que necessiten prendre aquesta decisió -- o que ja la van prendre fa 6 mesos i el mercat ha canviat sota els seus peus. Sense agenda comercial: les dades són les dades.
Cost per milió de tokens (maig 2026)
Resum dels preus públics a les APIs hosted més utilitzades i del rang self-hosted amortitzat. Les xifres es van actualitzar el 28 d'abril de 2026 i són coherents amb el detall per model que apareix a les seccions següents.
| Model | Tipus | Input ($/MTok) | Output ($/MTok) | Notes |
|---|---|---|---|---|
| Claude Sonnet 4 | Propietari · hosted | $3,00 | $15,00 | Anthropic API / AWS Bedrock |
| GPT-4o | Propietari · hosted | $2,50 | $10,00 | OpenAI / Azure OpenAI |
| GPT-4o mini | Propietari · hosted | $0,15 | $0,60 | Tier econòmic OpenAI |
| DeepSeek-V3 | Open · hosted | $0,27 | $1,10 | DeepSeek API |
| Llama 3.x (hosted) | Open · hosted | $0,60 | $0,80 | Together / Groq / Bedrock |
| Llama 3.x (self-hosted) | Open · self-hosted | $0,10-0,30 | $0,10-0,30 | Cost amortitzat sobre GPU pròpia |
Preus públics a 28 d'abril de 2026. La fila self-hosted reflecteix el cost amortitzat per GPU pròpia amb una utilització raonable. No inclou tarifes privades ni descomptes de volum. El detall per model, context i benchmarks es desenvolupa a les seccions següents.
El panorama real el març de 2026
Oblidem-nos de rànquings marquetinians. Aquestes són les dades de Chatbot Arena, el benchmark més fiable perquè es basa en avaluació humana cega, no en benchmarks que els proveïdors optimitzen per aprovar.
Els 5 propietaris que lideren
- Claude Opus 4.6 (Anthropic): #1 global amb 1.504 Elo. Context d'1M tokens, output de 128K tokens. 5 $/25 $ per milió de tokens. El model més capaç en raonament complex i coding, amb la finestra de context més àmplia en producció.
- Gemini 3.1 Pro (Google): #2 global amb 1.500 Elo i un 94,3% en GPQA (el més alt registrat en aquest benchmark). Domini clar en raonament científic i anàlisi multimodal.
- GPT-5.4 (OpenAI): Llançat el 5 de març de 2026 amb 1M de context. Pricing en dos tiers: 2,50 $/10 $ (standard) i 30 $/180 $ (Pro). El tier Pro és, amb diferència, el model més car del mercat.
- Grok 4.20 (xAI): #4 amb 1.493 Elo. Diferenciador: sistema multi-agent natiu que executa 4 agents simultanis en paral·lel.
- Gemini 3 Pro (Google): #5 amb 1.485 Elo. El millor model multimodal del món, amb capacitats natives en imatge, vídeo i àudio.
Els open source que han canviat la conversa
- Llama 4 Scout/Maverick (Meta): 17B paràmetres actius (MoE), 10M tokens de context -- el més llarg de qualsevol model, obert o tancat. 0,19 $/MTok en self-hosting.
- DeepSeek V3.2: Comparable a GPT-5. La variant V3.2-Speciale supera GPT-5 en diverses tasques. Entrenat per 6M $ (davant dels ~100M $ estimats de GPT-4). API a 0,014 $/MTok. Això no és un error tipogràfic.
- Mistral Small 4: 119B paràmetres totals, 6B actius (MoE). Llançat el març de 2026. Unifica raonament, multimodal i coding. L'enfocament europeu més seriós.
- Qwen 3.5 (Alibaba): Febrer de 2026, llicència Apache 2.0. Fort en multilingüe i raonament.
- Kimi K2.5: HumanEval 99,0 -- el score més alt registrat en aquest benchmark de coding. Per a generació de codi pur, és el millor model que existeix, obert o tancat.
| Model | Tipus | GPQA | SWE-bench | Arena Elo | Preu input/MTok |
|---|---|---|---|---|---|
| Claude Opus 4.6 | Propietari | 91,3% | 80,8% | 1.504 | $5,00 |
| Gemini 3.1 Pro | Propietari | 94,3% | 80,6% | 1.500 | Variable |
| GPT-5.4 Standard | Propietari | 92,8% | -- | ~1.490 | $2,50 |
| GPT-5.4 Pro | Propietari | -- | -- | -- | $30,00 |
| Kimi K2.5 | Open source | 87,6% | 76,8% | 1.447 | Self-hosted |
| DeepSeek R1 | Open source | -- | -- | 1.398 | $0,014 |
| Llama 4 Scout | Open source | -- | -- | -- | $0,19 |
Dades de Chatbot Arena (LMArena) i benchmarks públics, març 2026
Un parell de coses salten d'aquesta taula. La diferència en Elo entre Claude Opus 4.6 (1.504) i Kimi K2.5 (1.447) és de 57 punts. En SWE-bench, la diferència és de 4 punts percentuals. En GPQA, la diferència és més pronunciada (91,3% vs 87,6%), cosa que suggereix que el raonament científic complex continua sent terreny on els propietaris porten avantatge. Però en HumanEval (coding pur), Kimi K2.5 té el millor score absolut amb 99,0. El terreny és molt més matisat del que qualsevol "X és millor que Y" pot capturar.
La matriu de decisió: 4 eixos que importen
La pregunta "propietari o open source" és incompleta. La decisió real té 4 dimensions que interactuen entre si. No es poden optimitzar les 4 alhora: cal decidir quina pesa més per a cada cas d'ús concret.
Els propietaris lideren en raonament complex (+7pp en GPQA). L'open source tanca la bretxa al ~10% en tasques generals i lidera en coding pur.
Pregunta: Necessites el 100% de capacitat o el 90% és suficient?
Rang x2.142. Breakeven self-hosting: 500M-1B tokens/mes. Una empresa va estalviar un 46% amb routing intel·ligent entre models.
Pregunta: Quants tokens/mes processes i quin és el teu marge?
El 67% d'empreses treballen per evitar el vendor lock-in. AI Act: 2 agost 2026, multes fins a 35M EUR. Open source on-premise = dades que mai surten.
Pregunta: Les teves dades poden sortir de la teva infraestructura?
APIs propietàries: latència variable. Self-hosted: latència predictible però requereix infra. MoE (6-17B actius) ofereixen el millor compromís.
Pregunta: Aplicació interactiva o processament batch?
Eix 1: Rendiment
Els propietaris lideren en raonament complex, coding agèntic i tasques multi-pas. L'open source ha tancat la bretxa al ~10% en la majoria de tasques generals, i en coding pur (HumanEval) ja superen els propietaris.
El teu cas d'ús requereix el 100% de capacitat del model, o el 90% és suficient? Per a la majoria d'aplicacions empresarials -- RAG, classificació, extracció, resum, generació de contingut -- la diferència del 10% no justifica una diferència de preu de x100.
Per a agents que executen workflows multi-etapa, la cosa canvia. Cada pas acumula error. Un model que és un 10% menys precís a cada pas pot ser un 40% menys precís al final d'un workflow de 5 passos. Aquí, el rendiment marginal del propietari justifica el cost.
Eix 2: Cost
El rang de x2.142 entre DeepSeek (0,014 $/MTok) i GPT-5.4 Pro (30 $/MTok) és la dispersió de preus més gran de la història dels LLMs. Els comptes que importen:
- Baix volum (<100M tokens/mes): Les APIs propietàries són probablement més barates que el self-hosting. No hi ha infraestructura per mantenir, no hi ha equip de MLOps, no hi ha GPUs ocioses.
- Alt volum (>500M-1B tokens/mes): El self-hosting de models open source comença a ser rendible.
- Volum mitjà (100M-500M tokens/mes): Zona grisa. Depèn del cost del teu equip d'infra i de quant control necessites.
Un cas real: una empresa que processava el 100% de requests amb models propietaris a 50.000 $/mes va redirigir el 60% de peticions (les més simples) a models open source. Resultat: 27.000 $/mes. Un 46% d'estalvi sense degradar la qualitat.
Eix 3: Privacitat i sobirania de dades
El 67% d'empreses ja treballa activament per evitar el vendor lock-in en IA. I no és paranoia: és regulació.
L'AI Act europeu té deadline el 2 d'agost de 2026 per a sistemes d'IA d'alt risc. Les multes arriben fins a 35 milions d'euros o el 7% de la facturació global. Si la teva aplicació processa dades de salut, finances, RRHH o decisions que afecten persones, això t'aplica directament.
Amb models open source desplegats on-premise, les teves dades mai surten de la teva infraestructura. El projecte OpenEuroLLM (consorci europeu amb centres a Espanya, pressupost de 7.000M EUR) tindrà primeres versions a mitjans de 2026.
Eix 4: Latència i disponibilitat
Per a aplicacions interactives (chatbots, coding assistants), la latència importa. Per a processament batch, importa el throughput. Els models MoE com Mistral Small 4 (6B actius de 119B totals) i Llama 4 Scout (17B actius) ofereixen rendiment comparable a models molt més grans amb latència de models petits.
Quan open source és la resposta correcta
No és la resposta per a tot. Però per a aquests casos, és la resposta clara.
RAG i processament de dades sensibles
Si el teu sistema de RAG enterprise processa documentació interna confidencial, contractes, dades de clients o informació financera, vols que aquestes dades no surtin de la teva infraestructura.
Model recomanat: Llama 4 Scout per a RAG amb documents llargs (10M tokens de context). DeepSeek V3.2 com a alternativa de baix cost si el volum és alt.
Alt volum (>100M tokens/dia)
Quan processes més de 100M tokens al dia -- classificació, extracció massiva, anàlisi de logs -- la factura amb APIs propietàries escala linealment. Amb self-hosting, el cost és fix independentment del volum.
Model recomanat: DeepSeek V3.2 per a tasques generals. Mistral Small 4 si necessites multimodal + raonament eficient.
Fine-tuning per a dominis especialitzats
Els models open source permeten fine-tuning sense restriccions i sense cost incremental d'inferència. Amb LoRA a Together AI: 0,48 $/MTok. Si tens dades de domini (codi del teu stack, documentació especialitzada, terminologia sectorial), el fine-tuning et dona un model que és teu.
Model recomanat: Qwen 3.5 (Apache 2.0) o Llama 4 Maverick com a base.
Sobirania i compliance EU
Per a sectors regulats per l'AI Act o que necessiten demostrar que les dades mai surten de la UE, el self-hosting en infraestructura europea és la ruta més directa.
Experimentació i iteració ràpida
Per prototipar i avaluar viabilitat, DeepSeek a 0,014 $/MTok elimina la barrera econòmica. El teu equip pot iterar sobre 50 variacions de prompt pel cost d'un cafè.
Quan propietari continua sent la millor opció
El 10% de bretxa de rendiment importa més en uns casos que en altres.
Raonament complex i multi-pas
Per a tasques que requereixen raonament profund -- anàlisi legal, diagnòstic tècnic complex, planificació estratègica -- els models propietaris top mantenen avantatge mesurable. En GPQA, la diferència entre el millor propietari (94,3%) i el millor open source (87,6%) és de gairebé 7 punts.
En workflows agèntics on cada pas depèn de l'anterior, aquests 7 punts es componen. Un agent que planifica, executa i verifica en 5 passos necessita que cada pas sigui tan precís com sigui possible.
Coding agèntic i agents autònoms
En SWE-bench, Claude Opus 4.6 (80,8%) i Gemini 3.1 Pro (80,6%) lideren amb ~4 punts sobre el millor open source. Per a equips que fan servir agents de coding amb autonomia, aquest marge importa. Encara que Kimi K2.5 amb 99,0 en HumanEval demostra que per a generació de codi pur, l'open source ja és igual o superior. La diferència està a entendre un codebase complet i actuar-hi.
Startups amb baix volum
Si processes menys de 50M tokens/mes, el cost de self-hosting no es justifica. GPT-5.4 Standard a 2,50 $/MTok o Claude Opus 4.6 a 5 $/MTok són costos marginals per a volums baixos. Zero infraestructura, zero manteniment, time-to-market en dies.
Màxima qualitat sense marge d'error
Si el cost d'un error és alt -- diagnòstics mèdics, assessorament legal, decisions financeres -- pagar el premium del model més capaç és una prima d'assegurança. La diferència entre 5 $/MTok i 0,014 $/MTok és irrellevant quan un error pot costar ordres de magnitud més.
El cost real: més enllà del preu per token
El preu per milió de tokens és la mètrica que tothom compara i la que menys reflecteix el cost real.
TCO del self-hosting
Desplegar models open source en producció no és gratis. El Total Cost of Ownership inclou:
- Infraestructura GPU: Des de 125.000 $/any per a un setup mínim fins a 12M $/any per a desplegaments enterprise a escala.
- Equip de MLOps: Mantenir la infra, gestionar versions, monitoritzar rendiment. Un enginyer sènior de MLOps a Espanya: 50-70K EUR/any.
- Cost d'oportunitat: Cada hora que el teu equip dedica a infra de ML és una hora que no dedica a producte.
El breakeven
El self-hosting comença a ser més barat que les APIs a partir de 500M a 1.000M de tokens/mes. Per sota, les APIs són més econòmiques en incloure tots els costos. I pots fer servir APIs de models open source (DeepSeek, Together AI, Fireworks) sense fer self-hosting: preus baixos de l'open source sense el TCO de la infra.
L'estratègia que estalvia un 46%
Fine-tuning: la diferència oculta
Amb models open source, el fine-tuning amb LoRA costa 0,48 $/MTok i el model resultant es desplega sense recàrrec d'inferència. Amb propietaris, hi ha cost d'entrenament més recàrrec sobre la inferència del model base. Si tens dades de domini, el fine-tuning d'un open source pot donar-te un model que és el 90% del rendiment del millor propietari per a la teva tasca específica, a una fracció del cost recurrent.
Els riscos que ningú vol discutir
Vendor lock-in: no és paranoia, és aritmètica
El 67% d'empreses ja treballa per reduir la dependència d'un únic proveïdor d'IA. Quan construeixes contra l'API d'un proveïdor, assumeixes que:
- Els seus preus no pujaran (només el març de 2026, 115 models van canviar de preu)
- El seu model continuarà existint en la versió que fas servir (OpenAI ha deprecat models amb 6 mesos d'avís)
- El seu rendiment no es degradarà (ha passat i passarà)
- Els seus termes de servei no canviaran de manera que afecti el teu negoci
Cap d'aquestes assumpcions és segura.
AI Act: el deadline que molts ignoren
2 d'agost de 2026: data límit per complir amb l'AI Act per a sistemes d'IA d'alt risc. Multes: fins a 35M EUR o el 7% de la facturació global. Si el teu sistema assisteix en decisions sobre contractació, crèdit, assegurances, diagnòstic mèdic o accés a serveis públics, això t'aplica.
L'AI Act té requisits de transparència, traçabilitat i documentació que són més fàcils de complir quan controles el model que quan depens d'una caixa negra propietària. No vol dir que els propietaris no puguin complir. Vol dir que la càrrega de demostració és diferent.
Obsolescència accelerada
115 models van canviar de preu només el març de 2026. Nous models es llancen cada setmana. El model que vas triar fa 3 mesos pot no ser la millor opció avui. Això no és un argument per a la paràlisi. És un argument per construir la teva arquitectura de manera que canviar de model no requereixi reescriure la teva aplicació.
L'estratègia que funciona: multi-model amb playbook de context
La resposta no és "propietari" o "open source". És "el model correcte per a cada cas d'ús". I la clau perquè això funcioni sense caos és tenir dues capes: una tècnica (routing) i una metodològica (context estructurat).
AI gateways: la capa tècnica
Un AI gateway és un punt únic d'entrada a múltiples models. La teva aplicació parla amb el gateway, i el gateway ruta cada petició al model òptim segons regles que defineixes: cost, latència, tipus de tasca, requisits de privacitat. El 37% d'empreses ja opera amb una estratègia híbrida. El gateway és el que la fa sostenible.
Context engineering: la capa que et fa independent del model
La capa tècnica resol el routing. Però hi ha un problema més profund: si cada interacció amb un LLM depèn de prompts ad hoc escrits per a un model específic, canviar de model implica reescriure aquests prompts. I això no escala.
Aquí és on context engineering entra com a disciplina. La idea és simple: en lloc de dependre de prompts solts optimitzats per a un model concret, treballes amb context estructurat -- instruccions, restriccions, format d'output i criteris d'èxit definits en un playbook que és agnòstic del model.
Aquest playbook funciona igual amb Claude Opus 4.6 que amb DeepSeek V3.2. El nivell de detall del resultat variarà segons la capacitat del model, però l'estructura de la petició, els guardrails i els criteris de qualitat es mantenen. Quan demà un model nou sigui millor o més barat, canvies la configuració del gateway. No reescrius el playbook, no reentrenes el teu equip, no redesplegues.
Això aplica tant al desenvolupament de programari (on a onext l'implementem com a Spec-Driven Development) com a qualsevol ús empresarial de LLMs: anàlisi de documents legals, generació d'informes, atenció al client, processament financer. El principi és el mateix: si el context que alimenta el model està estructurat, el model es converteix en un detall d'implementació, no en una dependència arquitectònica.
Això és exactament el que veiem en els equips que despleguen workflows multi-etapa: l'avantatge no és el model que fan servir, és l'arquitectura que els permet canviar de model quan el mercat canvia. I el mercat canvia cada setmana.
El playbook operatiu
Identificar quines tasques necessiten el model top i quines funcionen amb models més barats. Distribució típica: 30-40% complex, 60-70% simple o mitjà.
Un AI gateway que dirigeixi cada petició al model òptim. Poden ser regles per endpoint o un classificador de complexitat.
Crear un playbook amb instruccions, restriccions, formats d'output i criteris de qualitat que funcioni independentment del model subjacent.
Mesurar qualitat, cost i latència per model i per tipus de tasca. Reassignar quan les dades ho justifiquin.
Documentar quins models fas servir, amb quines dades, amb quina supervisió. La traçabilitat és requisit regulatori, no bona pràctica.
Els Centres d'Excel·lència d'IA existeixen precisament per a això: implementar aquesta arquitectura multi-model amb les metodologies i la governança que la fan sostenible. No és una cosa que s'improvisa equip per equip.
Preguntes freqüents
Què és millor per a empreses, un LLM propietari o un d'open source?
Depèn del cas, no hi ha un guanyador absolut el 2026. Els models propietaris (Claude Sonnet 4, GPT-4o) guanyen en accuracy out-of-the-box, latència consistent i suport enterprise. Els open source self-hosted (Llama 3.x, DeepSeek-V3, Qwen 2.5) guanyen en cost recurrent —entre 5× i 10× més barats per milió de tokens— i en privacitat de dades sensibles que no poden sortir de l'entorn corporatiu. La decisió correcta avalua quatre eixos: cost efectiu al teu volum real, latència tolerable, privacitat de dades i rendiment mesurat en la teva pròpia avaluació interna, no en benchmarks públics.
Quant costa cada LLM per milió de tokens el 2026?
A preus oficials API (maig 2026): Claude Sonnet 4 costa 3 $ input / 15 $ output per milió de tokens; GPT-4o, 2,50 $ / 10 $; DeepSeek-V3, 0,27 $ / 1,10 $; Llama 3.x hosted a Together AI, 0,60 $ / 0,80 $. Els models open source self-hosted sobre GPUs pròpies baixen a un rang de 0,10 $ – 0,30 $ per milió de tokens, però requereixen enginyeria operativa pròpia (escalat, observabilitat, pedaços). Els models «small» com GPT-4o mini (0,15 $ / 0,60 $) o Claude Haiku 4.5 (0,80 $ / 4 $) són l'opció més rendible per a tasques de classificació, resum o routing on no es necessita el model flagship.
Quan convé un LLM open source self-hosted vs un de propietari?
Self-hosted compensa a partir d'uns 10 milions de tokens al mes —aquí l'estalvi absolut justifica la complexitat de mantenir GPUs, models i observabilitat— i sempre que hi hagi dades que no poden sortir de l'entorn empresarial per compliance o contracte. Per sota del milió de tokens al mes, l'estalvi absolut és de pocs centenars d'euros: no compensa davant de la velocitat de desenvolupament i la qualitat d'un model propietari hosted. La decisió també canvia si ja tens equip de MLOps amb GPU pool propi: el cost marginal d'afegir un model extra és baix i self-hosted guanya abans.
Quin és l'LLM més barat per a empreses el 2026?
Per API hosted, els més competitius en relació cost/rendiment són DeepSeek-V3 (0,27 $ / 1,10 $ per milió de tokens) i GPT-4o mini (0,15 $ / 0,60 $). Si la prioritat és cost absolut i es disposa d'equip per fer self-host, Llama 3.x sobre GPUs pròpies arriba a 0,10 $ – 0,30 $ per milió —entre 10× i 30× més barat que els propietaris top— però requereix un setup seriós: provisió GPU, scaling, monitoring i patching. «Més barat» sense context és enganyós: el cost real depèn del volum, la latència exigible, l'accuracy mínima acceptable i de com es carreguin els costos operatius.
És segur fer servir LLMs propietaris per a dades confidencials empresarials?
Sí, si es fa servir una variant enterprise amb zero data retention i es firma el DPA corresponent: Anthropic Claude via AWS Bedrock, Azure OpenAI Service i Google Vertex AI ofereixen aquest contracte amb residència europea i exclusió explícita d'ús de dades per a entrenament. Per a dades que per contracte o regulació no poden sortir de l'entorn empresarial (banca privada, salut, defensa, parts d'administració pública), l'única opció robusta continua sent open source self-hosted amb governance de prompt, logging d'inputs/outputs i observability completa de la cadena. La diferència clau el 2026 entre un setup propietari «segur» i un de veritablement sovereign no és el model: és el control operatiu end-to-end.
La decisió intel·ligent no és triar un bàndol
El mercat de LLMs el març de 2026 s'assembla cada cop menys a "propietari vs open source" i cada cop més a un ecosistema on tots dos coexisteixen en la mateixa arquitectura. El 37% d'empreses ja opera així. En 12 mesos, serà la norma.
- Rendiment: Bretxa reduïda al ~10%, excepte en raonament complex i agents multi-pas on els propietaris mantenen avantatge.
- Cost: De 0,014 $ a 30 $ per milió de tokens. L'estratègia multi-model estalvia un 40-50% sense degradar la qualitat.
- Privacitat: L'AI Act no és futur, és l'agost de 2026. 35M EUR de multa no és un risc teòric.
- Dependència: 115 models van canviar de preu només el març. Apostar per un és una decisió que caduca ràpid.
La decisió intel·ligent és construir l'arquitectura que et permeti fer servir el model correcte per a cada cas, canviar quan el mercat canviï, i complir amb la regulació sense reescriure el teu sistema. Això requereix context estructurat, no prompts solts. Governança, no improvisació.
Fonts principals: Chatbot Arena (lmarena.ai), Artificial Analysis benchmark data (març 2026), AI Act (Regulation EU 2024/1689), Gartner "AI in the Enterprise 2026", OpenEuroLLM project, dades de pricing d'Anthropic, OpenAI, Meta, DeepSeek, Mistral, Together AI.
Lectura complementària: Spec-Driven Development | Context Engineering | Agents IA en empreses 2026 | Multi-stage workflows | RAG enterprise
Metodologia onext: Els Centres d'Excel·lència d'IA d'onext implementen estratègies multi-model amb context engineering, AI gateways i governança de models. El model canvia. El context estructurat es manté. Sense paralitzar operacions.
Jordi García és Tech Lead a onext. Treballa a portar la IA a producció governada en equips de desenvolupament i de producte —amb Spec-Driven Development, enginyeria de context i verificació humana a cada pas— i signa els insights tècnics d'onext sobre mètode, qualitat i cost de la IA aplicada.
LinkedIn →