When Frontier Models Tie, Buy Economic Value per Dollar

TL;DR

Several frontier models now post similar benchmark scores at sharply different cost-per-task. That is competition working. It is not a strategy. Measure economic value per dollar in a named workload — not which logo is smartest or cheapest this week.

Key Takeaways

Tied intelligence scores with a 40%+ gap in cost-per-task are a market fact, not a vendor win.
Cost per task is an input. Value per task — ROI per inference dollar — is the decision metric.
Fully loaded cost includes tokens, tools, retries, review, and error cleanup. The API bill is not the whole cost.
As model capabilities commoditize, differentiate in workflows, data, and governance — not monthly model contests.
If you cannot name the workload, you cannot name the return. No named job, no ROI story.

On 2 September 2026 an independent intelligence index put four frontier systems at the same score of 61. One of them, Meta’s Muse Spark 1.3, did that work at about $0.55 per index task. A peer sat near $0.95 for the same headline number — roughly 42% more. The reporting is straightforward; see Implicator’s write-up. The implication for operators is not “pick the cheap one.” It is that the frontier is crowding, and the remaining public spread is mostly price.

That crowding is the point. Model competition clusters capabilities, then vendors fight on cost, latency, and packaging. Boards hear cheaper inference and assume the P&L will follow. Cheaper tokens are real, and they will keep getting cheaper. Treating the cheapest tied score as a strategy is not. A lab that matches peers at a lower cost-per-task has won a procurement talking point. It has not yet created a dollar of margin in your company.

Scores are not outcomes

Intelligence indexes are laboratory instruments. They compress agentic work, coding, and knowledge into one number so the industry can argue in public. They do not see your cycle time, your error cost, or whether a customer stayed. Even inside one index, the story is messier than the headline: cost-per-task can rise when a “better” model uses more input tokens, and one eval can improve while another slips. A committee that only tracks the composite score will miss that trade-off. Same lesson we drew on evals in diligence and the gap between leaderboards and live work.

Cost-per-task is still a poor proxy for economic value. A cheaper call that drafts a worse contract, slows a ticket, or puts a wrong number in a customer email is not a saving. A more expensive call that cuts a week off a diligence memo, lifts win rate, or reduces rework can pay for itself in a quarter. Technical efficiency — fewer tokens, fewer tool calls, a lower sticker price — is not revenue, not bankable productivity, not margin, and not customer value. Those live in the workflow. ROI of AI adoption is still a business measurement problem, not a model-card problem.

Value per inference dollar

As model capabilities commoditize, differentiation moves up the stack. The scarce asset is not “we picked the smartest model this month.” It is the playbook: which jobs the model is allowed to do, what data it sees, which human owns the output, and how you measure the dollar effect. Firms that swap APIs every quarter without a value ledger will keep paying for demos. Buyers already have more routing options than a year ago; another paid frontier API is one more seat at a table we covered when Meta opened to enterprise procurement. Routing is cheap. Judgment is not.

A more useful unit is value per task, or ROI per inference dollar. Name the job: a support ticket, an IC memo, a forecast refresh, an outreach sequence. Measure the baseline cost of doing it without the model. Measure the fully loaded AI cost — tokens, tools, retries, review time, and the cost of errors. Then ask what changed: hours, quality, conversion, margin, risk. That is economic impact per AI workload. If two models tie on a public index and one is 42% cheaper there, you still have to prove the cheaper one does your job without leaking quality. Sometimes it will. Sometimes the “expensive” model is the only one that survives a real review gate. You will not know from a leaderboard.

Executives should stop asking only which model is smartest or cheapest. Ask what economic value this model creates per dollar in this workflow, this quarter, under this control environment. The labs will keep tying. Your P&L will not care which logo sat on the API key unless the work got better, faster, or safer in a way you can defend to a board.

Sources

Resumen

Varios modelos de frontera publican scores similares a costos por tarea muy distintos. Eso es competencia funcionando. No es una estrategia. Mida valor económico por dólar en un workload con nombre — no qué logo es el más listo o el más barato esta semana.

Conclusiones

Scores de inteligencia empatados con una brecha de 40%+ en costo por tarea son un hecho de mercado, no una victoria de vendor.
El costo por tarea es un insumo. El valor por tarea — el ROI por dólar de inferencia — es la métrica de decisión.
El costo fully loaded incluye tokens, tools, reintentos, revisión y limpiar errores. La factura de la API no es toda la cuenta.
Conforme las capacidades del modelo se estandarizan, diferencie en workflows, datos y gobierno — no en concursos mensuales de modelos.
Si no puede nombrar el workload, no puede nombrar el retorno. Sin trabajo con nombre, no hay historia de ROI.

El 2 de septiembre de 2026 un índice independiente de inteligencia puso a cuatro sistemas de frontera en el mismo score de 61. Uno de ellos, Muse Spark 1.3 de Meta, hizo ese trabajo a unos $0.55 por tarea del índice. Un par quedó cerca de $0.95 por el mismo número de titular — más o menos 42% más. El reporte es directo; véase la nota de Implicator. La implicación para operadores no es “elija el barato.” Es que la frontera se está saturando, y el spread público que queda es sobre todo precio.

Esa saturación es el punto. La competencia entre modelos agrupa capacidades, y luego los vendors pelean por costo, latencia y empaque. Los boards escuchan inferencia más barata y asumen que el P&L seguirá. Los tokens más baratos son reales, y seguirán abaratándose. Tratar el score empatado más barato como estrategia no lo es. Un lab que iguala a sus pares a menor costo por tarea ganó un argumento de procurement. Todavía no ha creado un dólar de margen en su empresa.

Los scores no son resultados

Los índices de inteligencia son instrumentos de laboratorio. Comprimen trabajo agentic, código y conocimiento en un número para que la industria discuta en público. No ven su cycle time, el costo del error, ni si un cliente se quedó. Incluso dentro de un índice, la historia es más sucia que el titular: el costo por tarea puede subir cuando un modelo “mejor” usa más tokens de input, y un eval puede mejorar mientras otro retrocede. Un comité que solo sigue el score compuesto se perderá ese trade-off. Misma lección que en evals en diligencia y en la brecha entre leaderboards y trabajo en vivo.

El costo por tarea sigue siendo un mal proxy del valor económico. Una llamada más barata que redacta un contrato peor, retrasa un ticket o pone un número mal en un email a un cliente no es un ahorro. Una llamada más cara que recorta una semana de un memo de diligencia, sube el win rate o reduce retrabajo puede pagarse sola en un trimestre. La eficiencia técnica — menos tokens, menos tool calls, un sticker más bajo — no es revenue, no es productividad que pueda depositar, no es margen y no es valor para el cliente. Eso vive en el workflow. El ROI de adoptar IA sigue siendo un problema de medición de negocio, no de model card.

Valor por dólar de inferencia

Conforme las capacidades del modelo se estandarizan, la diferenciación sube de stack. El activo escaso no es “elegimos el modelo más listo este mes.” Es el playbook: qué trabajos puede hacer el modelo, qué data ve, qué humano es dueño del output, y cómo mide el efecto en dólares. Las firmas que cambian de API cada trimestre sin un ledger de valor seguirán pagando demos. Los compradores ya tienen más opciones de routing que hace un año; otra API de frontera de pago es un asiento más en una mesa que cubrimos cuando Meta abrió a procurement enterprise. Enrutar es barato. El juicio no.

Una unidad más útil es el valor por tarea, o el ROI por dólar de inferencia. Nombre el trabajo: un ticket de soporte, un memo de IC, un refresh de forecast, una secuencia de outreach. Mida el costo baseline de hacerlo sin el modelo. Mida el costo fully loaded de la IA — tokens, tools, reintentos, tiempo de revisión y el costo de los errores. Luego pregunte qué cambió: horas, calidad, conversión, margen, riesgo. Eso es impacto económico por workload de IA. Si dos modelos empatan en un índice público y uno es 42% más barato ahí, igual tiene que probar que el barato hace su trabajo sin filtrar calidad. A veces lo hará. A veces el modelo “caro” es el único que sobrevive un gate de revisión real. No lo sabrá por un leaderboard.

Los ejecutivos deberían dejar de preguntar solo cuál modelo es el más listo o el más barato. Pregunten qué valor económico crea este modelo por dólar en este workflow, este trimestre, bajo este entorno de control. Los labs seguirán empatando. Su P&L no le importará qué logo estaba en la API key a menos que el trabajo haya quedado mejor, más rápido o más seguro de un modo que pueda defender ante un board.

Fuentes

frontier modelsAI spendAI ROIinferencebenchmarksprocurementAI advisoryHerbert MarchettiAgentivo Capital

Herbert Marchetti

Strategic Advisor & Founder, Agentivo Capital LabsAsesor Estratégico y Fundador, Agentivo Capital Labs